近60年来，人工智能研究者一直在预测说人工智能时代即将到来，但是直到几年前，人工智能好像还是停留在未来。人们甚至发明了一个词来描述这个研究结果匮乏、研究基金更加匮乏的时代：人工智能冬天。那么事情真的有变化吗？是的。近期的三大突破让人们期待已久的人工智能近在眼前：

1. 成本低廉的并行计算

    思考是一种人脑固有的并行过程，数以亿计的神经元同时放电以创造出大脑皮层用于计算的同步脑电波。搭建一个神经网络（人工智能软件的主要结构），同样需要许多不同的进程同时运行。神经网络的每一个节点都大致模拟了大脑中的一个神经元——其与相邻的节点互相作用，以明确所接收的信号。一项程序要理解某个口语单词，就必须能够听清（不同音节）彼此之间的所有音素；要识别出某幅图片，就需要看到其周围像素环境内的所有像素——二者都是深层次的并行任务。但直到最近，标准的计算机处理器也仅仅能一次处理一项任务。

    十多年前事情开始发生变化，当时出现了一种被称为图形处理单元（GPU）的新型芯片，它能够满足视频游戏中高密度的视觉及并行处理需求，在这一过程中，每秒钟都有上百万像素被多次重新计算。这一过程需要一种专门的并行计算芯片，该芯片作为一种补充，被添加至电脑主板上。并行图形芯片作用明显，游戏可玩性也大幅上升。到2005年，GPU芯片产量大增，其价格也随之降了下来。2009年，吴恩达（译者注：华裔计算机科学家、现担任百度公司首席科学家）以及斯坦福大学的一个研究小组意识到，GPU芯片可以并行运行神经网络。

    这一发现开启了神经网络新的可能性，使得神经网络能容纳上亿个节点间的连接。传统的处理器需要数周才能计算出拥有1亿节点的神经网的级联可能性。而吴恩达发现，一个GPU集群在一天内就可完成同一任务。现在，一些应用云计算的公司通常都会使用GPU来运行神经网络，例如，Facebook会籍此技术来识别用户照片中的好友，Netfilx也会依其来给5000万订阅用户提供可靠的推荐内容。

2. 大数据

    每一种智能都需要被训练。哪怕是天生能够给事物分类的人脑，也仍然需要看过十多个例子后才能够区分猫和狗。人工智能更是如此。即使是（国际象棋）程序编得最好的电脑，也得在至少对弈一千局之后才能有良好表现。人工智能获得突破的部分原因在于，我们收集了来自全球的海量数据，以给人工智能提供其所需的训练。巨型数据库、自动跟踪、网页cookie、线上足迹、兆兆字节级存储、数十年的搜索结果、维基百科以及整个数字世界都成了老师，它们让人工智能变得更加聪明。

3. 更优的算法

    20世纪50年代，数字神经网络就被发明了出来，但计算机科学家花费了数十年来研究如何驾驭百万乃至亿级神经元之间那庞大到如天文数字一般的组合关系。这一过程的关键是要将神经网络组织成为堆叠层。以相对来说比较简单的任务——人脸识别为例，当某神经网络中的一组比特被发现能够形成某种图案——例如，一只眼睛的图像——这一结果就会被向上转移至该神经网络的另一层以做进一步分析。接下来的这一层可能会将两只眼睛拼在一起，将这一有意义的数据块传递到层级结构的第三层，该层可以将眼睛和鼻子的图像结合到一起（来进行分析）。识别一张人脸可能需要数百万个这种节点（每个节点都会生成一个计算结果以供周围节点使用），并需要堆叠高达15个层级。

    2006年，当时就职于多伦多大学的杰夫·辛顿对这一方法进行了一次关键改进，并将其称之为“深度学习”。他能够从数学层面上优化每一层的结果从而使神经网络在形成堆叠层时加快学习速度。数年后，当深度学习算法被移植到GPU集群中后，其速度有了显著提高。仅靠深度学习的代码并不足以能产生复杂的逻辑思维，但它是当下所有人工智能产品的集成，包括IBM的沃森电脑、谷歌搜索引擎以及Facebook算法在内。 

    这一由并行计算、大数据以及更深层次算法组成的完美风暴将使得持续耕耘了60年的人工智能一夜成功。而这一聚合也表明，只要这些技术趋势继续下去（它们也没有理由不延续），人工智能将精益求精。

    随着这一趋势的持续，这种基于云技术的人工智能将愈发成为我们日常生活中不可分割的一部分。但天上没有掉馅饼的事。云计算遵循收益递增法则，这一法则有时也被称为网络效应，即随着网络规模变得更大，网络价值也会以更快的速度增加。网络规模越大，对于新用户的吸引力越强，这又让网络变得更大，又进一步增强了吸引力，如此往复。为人工智能服务的云技术也遵循这一法则。越多人使用人工智能产品，它就会变得越聪明；它变得越聪明，就有越多人来使用它；然后它变得更聪明，进一步就有更多人使用它。一旦有公司迈进了这个良性循环中，其规模会变大、发展会加快，以至于没有任何新兴对手能望其项背。因此，人工智能的未来将有两到三家寡头公司统治，它们会开发出大规模基于云技术的多用途商业智能产品。

节选自《连线》11月刊文章