深度学习发展简史(李开复):
发布网友
共1个回答
热心网友
机器学习，深度学习的技术领域，是历史的革新力量。自50年代探索研究，历经动荡与兴衰，深度学习最终引领了不同于以往的发展。回顾人工智能历程，探索为何深度学习能够突破，关键在于理解其发展背景。
20世纪50年代中期，人工智能先驱如马文·明斯基、约翰·麦卡锡、赫伯特·西蒙，肩负在机器上构建人类智能的使命，吸引了顶尖计算机科学人才。在哥伦比亚大学求学的一名学生，对人工智能未来充满无限遐想。他1961年出生于，11岁移居美国，1983年在博士研究中，对人工智能的定义充满理想主义，既高估自身理解，也低估特定领域产生超人智能的潜力。
人工智能分化为规则式与神经网络两派。规则式方法依赖明确逻辑规则，而神经网络则模仿人脑结构，通过大量数据训练。规则式方法在简单问题如辨识图片中的猫上表现有限，而神经网络则通过大规模数据学习规律。
20世纪50年代至60年代，神经网络取得乐观成果，但1969年被规则式方法超越，导致短暂寒冬。数年后，神经网络恢复声望，但仍被规则式方法超越。1986年，通过使用“隐马尔可夫模型”方法，该学生开发出世界首套非指定语者连续性大词汇语音识别系统，获得重要媒体关注，但神经网络法依然失宠。
最终，神经网络的复兴与人工智能的复兴，得益于数据与计算力的巨变。互联网提供了海量数据，计算机运算力变得强大而廉价，为神经网络发展提供了条件。然而，神经网络的应用依然受限于复杂问题的解决能力。
深度学习技术性突破于21世纪初出现，使得神经网络能力倍增，能够执行更多复杂工作。深度学习通过大量数据训练，识别关联性，做出决策。它应用于金融、自动驾驶等领域，展现出巨大价值。深度学习的核心能力在于识别规律、得出最优解、做出决策，适用于日常生活问题，引发行业与媒体关注。
深度学习的发展标志着人工智能进入新时代，机器能力将增强人类能力，同时也可能取代人力。深度学习的兴起，不仅改变了行业格局，也激发了公众对人工智能的思考与讨论，预示着技术与社会的深刻变革。
