人工智能時代是信息化時代的延續(xù)和新生，今天在這個領(lǐng)域的每個微小的進(jìn)步都會累積起來，直到再為我們推開一扇偉大時代的大門。

人類在出生時近1000億個大腦神經(jīng)元就已經(jīng)產(chǎn)生和分化好，并且處在它們該存在的位置，等著建立神經(jīng)網(wǎng)絡(luò)。這時候的神經(jīng)元還沒有多少觸突，相互之間也沒有多少鏈接，新生兒的神經(jīng)觸突數(shù)不到成年人的三分之一。在嬰幼兒的成長發(fā)育過程中，神經(jīng)元迅速伸出觸突，彼此建立起非常復(fù)雜的鏈接，相連的神經(jīng)元可以傳遞電和化學(xué)信號，接近三歲的時候，觸突的數(shù)量達(dá)到頂峰，此時的數(shù)量是成人的二倍，這段時間也正是人類學(xué)習(xí)和認(rèn)知最快的時期，我們基本的生存技能，比如語言、圖像識別和分類、運(yùn)動都要在這個時候建立起來。此后的時間里，大腦不斷優(yōu)化和修剪神經(jīng)元的鏈接，讓信息的處理更加高效。在神經(jīng)網(wǎng)絡(luò)的建立過程中，鏈接的建立是隨機(jī)的，但是修剪不是隨機(jī)的，大腦不斷根據(jù)外界信息和反饋來完成。最終形成的神經(jīng)網(wǎng)絡(luò)復(fù)雜且能高效處理數(shù)據(jù)，即便是相同環(huán)境里成長起來的同卵雙胞胎也會有完全不同的兩個大腦。

模仿生物神經(jīng)系統(tǒng)建立的神經(jīng)計算網(wǎng)絡(luò)，基本原理就是一層一層處理和過濾信息，每一層的基本運(yùn)算都很簡單，無非是用加法和乘法來完成矩陣運(yùn)算，但是運(yùn)算中的各種參數(shù)因子是個未知數(shù)，只能讓神經(jīng)網(wǎng)絡(luò)通過大量的數(shù)據(jù)來自己學(xué)習(xí)，這個學(xué)習(xí)的過程和孩子學(xué)習(xí)識圖是一樣的，大量各種形態(tài)的圖像數(shù)據(jù)輸入，對最終輸出做出糾正，一旦發(fā)現(xiàn)輸出錯誤就回退嘗試新的參數(shù)設(shè)定，直到找到復(fù)合要求的輸出。所以神經(jīng)網(wǎng)絡(luò)只關(guān)注于問題「可解」，并不強(qiáng)調(diào)「最優(yōu)解」，每次解決和處理問題，都可以進(jìn)一步優(yōu)化網(wǎng)絡(luò)參數(shù)，讓網(wǎng)絡(luò)適應(yīng)更復(fù)雜的數(shù)據(jù)輸入。

一直到2016年，GoogleDeepmind團(tuán)隊(duì)的AlphaGo戰(zhàn)勝了職業(yè)九段李世石，才在世界范圍內(nèi)掀起了對人工神經(jīng)網(wǎng)絡(luò)的關(guān)注。這是一場徹底的勝利，AlphaGo的研發(fā)者并不懂圍棋，打開AlphaGo程序也沒人讀得懂里面天書一樣的各種參數(shù)，AlphaGo完全是靠自己學(xué)習(xí)圍棋來達(dá)到了戰(zhàn)勝人類的能力。最初的AlphaGo以CPU+GPU為運(yùn)算單元，隨著運(yùn)算量的增加，GPU畢竟不是專為神經(jīng)網(wǎng)絡(luò)計算而設(shè)計，Google為了提升效率而自行設(shè)計了計算單元TPU。TPU是專為深度學(xué)習(xí)框架TensorFlow而定制的，改用TPU的AlphaGo提升更快，僅靠單機(jī)4個TPU就在隨后的比賽里碾壓了所有人類頂級棋手。