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。