物聯(lián)網(wǎng)、大數(shù)據(jù)人工智能發(fā)展的先決條件

物聯(lián)網(wǎng)——物聯(lián)網(wǎng)提供了計(jì)算機(jī)感知和控制物理世界的接口和手段，它們負(fù)責(zé)采集數(shù)據(jù)、記憶、分析、傳送數(shù)據(jù)、交互、控制等等。攝像頭和相機(jī)記錄了關(guān)于世界的大量的圖像和視頻，麥克風(fēng)記錄語音和聲音，各種傳感器將它們感受到的世界數(shù)字化等等。這些傳感器，就如同人類的五官，是智能系統(tǒng)的數(shù)據(jù)輸入，感知世界的方式。而大量智能設(shè)備的出現(xiàn)則進(jìn)一步加速了傳感器領(lǐng)域的繁榮，這些延伸向真實(shí)世界各個(gè)領(lǐng)域的觸角是機(jī)器感知世界的基礎(chǔ)，而感知?jiǎng)t是智能實(shí)現(xiàn)的前提之一。

大規(guī)模并行計(jì)算——人腦中有數(shù)百至上千億個(gè)神經(jīng)元，每個(gè)神經(jīng)元都通過成千上萬個(gè)突觸與其他神經(jīng)元相連，形成了非常復(fù)雜和龐大的神經(jīng)網(wǎng)絡(luò)，以分布和并發(fā)的方式傳遞信號(hào)。這種超大規(guī)模的并行計(jì)算結(jié)構(gòu)使得人腦遠(yuǎn)超計(jì)算機(jī)，成為世界上最強(qiáng)大的信息處理系統(tǒng)。近年來，基于GPU（圖形處理器）的大規(guī)模并行計(jì)算異軍突起，擁有遠(yuǎn)超CPU的并行計(jì)算能力。

從處理器的計(jì)算方式來看，CPU計(jì)算使用基于x86指令集的串行架構(gòu)，適合盡可能快的完成一個(gè)計(jì)算任務(wù)。而GPU從誕生之初是為了處理3D圖像中的上百萬個(gè)像素圖像，擁有更多的內(nèi)核去處理更多的計(jì)算任務(wù)。因此GPU天然具備了執(zhí)行大規(guī)模并行計(jì)算的能力。云計(jì)算的出現(xiàn)、GPU的大規(guī)模應(yīng)用使得集中化的數(shù)據(jù)計(jì)算處理能力變得前所未有的強(qiáng)大。

大數(shù)據(jù)——根據(jù)統(tǒng)計(jì)，2015年全球產(chǎn)生的數(shù)據(jù)總量達(dá)到了十年前的20多倍，海量的數(shù)據(jù)為人工智能的學(xué)習(xí)和發(fā)展提供了非常好的基礎(chǔ)。機(jī)器學(xué)習(xí)是人工智能的基礎(chǔ)，而數(shù)據(jù)和以往的經(jīng)驗(yàn)，就是人工智能學(xué)習(xí)的書本，以此優(yōu)化計(jì)算機(jī)的處理性能。

深度學(xué)習(xí)算法——最后，這是人工智能進(jìn)步最重要的條件，也是當(dāng)前人工智能最先進(jìn)、應(yīng)用最廣泛的核心技術(shù)，深度神經(jīng)網(wǎng)絡(luò)（深度學(xué)習(xí)算法）。2006年，Geoffrey Hinton教授發(fā)表的論文《A fast learning algorithm for deep belief nets》。他在此文中提出的深層神經(jīng)網(wǎng)絡(luò)逐層訓(xùn)練的高效算法，讓當(dāng)時(shí)計(jì)算條件下的神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練成為了可能，同時(shí)通過深度神經(jīng)網(wǎng)絡(luò)模型得到的優(yōu)異的實(shí)驗(yàn)結(jié)果讓人們開始重新關(guān)注人工智能。之后，深度神經(jīng)網(wǎng)絡(luò)模型成為了人工智能領(lǐng)域的重要前沿陣地，深度學(xué)習(xí)算法模型也經(jīng)歷了一個(gè)快速迭代的周期，Deep Belief Network、Sparse Coding、Recursive Neural Network, Convolutional Neural Network等各種新的算法模型被不斷提出，而其中卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）更是成為圖像識(shí)別最炙手可熱的算法模型。