機(jī)器學(xué)習(xí)(machine learning, 涵蓋深度學(xué)習(xí)的一個人工智能技術(shù)領(lǐng)域)是一項改變歷史的技術(shù)。

人工智能領(lǐng)域分化為兩個陣營：其一是規(guī)則式(rule-based)方法，其二是神經(jīng)網(wǎng)絡(luò)(neural network)方法。

1. 規(guī)則式的人工智能系統(tǒng)有時也稱為符號式系統(tǒng)(symbolic systems)或?qū)＜蚁到y(tǒng)。是由于該陣營的研究人員認(rèn)為，要使人工智能軟件更好地適應(yīng)現(xiàn)實世界，必須將相關(guān)領(lǐng)域的人類專家的智慧編寫進(jìn)軟件。他們用一系列寫好的邏輯規(guī)則來教導(dǎo)計算機(jī)如何思考，如“若X,則Y”。這種方法很適用于簡單且定義明確的游戲，但是當(dāng)可能的選擇或操作數(shù)目大增時，這種方法就行不通了。

2. “神經(jīng)網(wǎng)絡(luò)”陣營則另辟蹊徑，他們不把人腦熟稔的邏輯規(guī)則傳授給計算機(jī)，而是干脆在機(jī)器上重建人腦?？茖W(xué)研究結(jié)果已經(jīng)得知，動物的智能只有一個源頭--動物腦部錯綜復(fù)雜的神經(jīng)元網(wǎng)絡(luò)，于是這個陣營的研究人員決定從根源做起，模仿人腦結(jié)構(gòu)，構(gòu)建類似生物神經(jīng)元網(wǎng)絡(luò)的結(jié)構(gòu)來收發(fā)信息。不同于規(guī)則式方法，人工神經(jīng)元網(wǎng)絡(luò)的建造者通常不會給人工智能系統(tǒng)設(shè)定決策規(guī)則，而只是把某一現(xiàn)象（圖片、國際象棋賽、人聲等）的大量例子輸入人工神經(jīng)元網(wǎng)絡(luò)，讓網(wǎng)絡(luò)從這些數(shù)據(jù)中學(xué)習(xí)、識別規(guī)律。換言之，神經(jīng)網(wǎng)絡(luò)的原則是來自人的干預(yù)越少越好。

用以上兩種方法處理某個簡單問題如“辨識一張圖片里是否有貓”，就可以看出他們的差別。規(guī)則式方法確定以“若X,則Y”的邏輯規(guī)則來幫助程序做出決策：“若一個圓形物體上方有兩塊三角形，那么，這張圖片中可能有一只貓。”

神經(jīng)網(wǎng)絡(luò)方法則是把數(shù)百萬張標(biāo)示了“有貓”或“沒有貓”的樣本圖片“喂”給計算機(jī)系統(tǒng)，讓他自行從這數(shù)百萬張圖片中去辨察哪些特征和“貓”的標(biāo)簽最密切相關(guān)。

神經(jīng)網(wǎng)絡(luò)從50年代開始至90年代末，一直處于冗長的寒冬期，使得神經(jīng)網(wǎng)絡(luò)復(fù)活，并讓人工智能再次復(fù)興的，是神經(jīng)網(wǎng)絡(luò)系統(tǒng)賴以生存的兩項要素出現(xiàn)的變化，加上一項重大的技術(shù)型突破。神經(jīng)網(wǎng)絡(luò)需要大量的計算機(jī)運算力及數(shù)據(jù)：大量的數(shù)據(jù)樣本數(shù)據(jù)輸入系統(tǒng)，以“訓(xùn)練”程序去辨識形態(tài)，計算機(jī)運算力則讓程序得以告訴分析樣本數(shù)據(jù)。互聯(lián)網(wǎng)的崛起帶來了海量的數(shù)據(jù)：文本、圖像、視頻和點擊、購買的數(shù)據(jù)等。如此多的數(shù)據(jù)，成了研究人員手中源源不斷的實驗材料，用來訓(xùn)練他們構(gòu)建的人工神經(jīng)網(wǎng)絡(luò)。同時，計算機(jī)技術(shù)的不斷發(fā)展，使得他們的算力越來越強(qiáng)，例如，我們現(xiàn)在手中的智能手機(jī)的運算力，甚至比美國國家航天局1969年登月計劃中最先進(jìn)計算機(jī)的運算力還高出幾百萬倍。這兩項變化結(jié)合起來，為神經(jīng)網(wǎng)絡(luò)法的發(fā)展提供了優(yōu)良的條件。

不過，彼時人工神經(jīng)網(wǎng)絡(luò)能做的事情仍然非常有限。復(fù)雜問題如果要得出準(zhǔn)確的解雇，必須構(gòu)建很多層的人工神經(jīng)元，但是神經(jīng)元層數(shù)增加后，研究人員當(dāng)時還未找到針對新增神經(jīng)元有效的訓(xùn)練方法。直到21世紀(jì)頭10年的中期，深度學(xué)習(xí)這項重大技術(shù)的突破來了。找到了有效訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)中新增神經(jīng)元層的方法。性能大增的人工神經(jīng)網(wǎng)絡(luò)--現(xiàn)在有了新的名字：“深度學(xué)習(xí)(deep learning)”。正是這項技術(shù)的突破，人工智能才再次會到聚光燈下。

以深度學(xué)習(xí)的形式在次回到公眾視野中的神經(jīng)網(wǎng)絡(luò)法不僅成功地讓人工智能回暖，也第一次把人工智能真正的應(yīng)用在現(xiàn)實世界中。研究人員、未來學(xué)家、科技公司CEO都開始討論人工智能的巨大潛力：識別人類語言、翻譯文件、識別圖像、預(yù)測消費者行為、辨別欺詐行為、批準(zhǔn)貸款、開車等。