1. 前人的不懈努力。
一直以来，人工智能领域，有两个流派，一个是从底向上，也就是自动感知，自动学习这一个方向，发展到今天能够实现的类似微软的600多层的深度学习的体系。
这里有前人，几十年如一日的信仰和努力。
许多人相信，只要数据量达到一定程度，在不需要理清原理的情况下，实现人工的意识。
2.算力的加强。
这当然是一个非常重要的方向。
3.大量数据的积累。
深度学习，需要大量的数据。才能找出相关性。
这些条件，也在近些年得到了满足。
4.应用的需要。
以色列和中国，对人脸识别，都有着强烈的需求。
========================================
警示：
如下，可以看到，另一条路，也就是符号主义和关联主义者，更加关注理解和语义。
这方面，我们依然没有得到什么实质性的突破，更不要说有什么应用。
而深度学习所对应的计算机视觉，目前来说是最火的相关应用。当然，还有金融、微博等社交应用的数据分析上。
这些应用的特点有几个：
1. 不需要理解原因。如果人脸识别，只要大致猜个差不多就完事了。
2. 不需要太准确。能用就得。
3. 不需要知道背后的机理。因为深度学习，不关心机理。
4.大的公司需要。这恐怕是最严重的一个问题了。
从进入2000年以来，个人的算力，无限地被降低了。
而大公司，大机构，的算力，正在无限地增强。
这些机构的兴趣点，不是科学，不在为个体谋福利，而首先是控制算力，加强自己的算力。
而深度学习，可以说，是臭味相投。
因为深度学习，不是个体玩得起的。大机构浪费得起，哪怕算一亿次，只有有一次命中，它们也能承担。
而传统人工智能，很少的计算，很少的样本，就能够得到重要的结论的方式，是他们绝不愿意看到的。
总之，要结果就好了，不需要原理。
而这类需求，恰恰是大机构所需要的。
个体正相反，比如个体的教育，是长期的、无收益的事情，需要不断地思考其它原理的一种困难的行动。
可以说，深度学习，对个体只有坏处，没有好处，比如更容易被人精准欺骗。
甚至是对个体的生物*武器。而个体，对此，一点办法也没有，因为双方不在一个层面。个体往往有人性，有道德约束，而机构更加类似机器。比如某打车公司，可以把赢利放在安全之上。