人工智能革命之下你会失业还是变得富有？

2.技术：从无法工作到 神经网络

人工智能 的繁荣基于传统与现代想法的结合。

人工智能 如何从刚开始的傲慢与失望，突然成为 科技 界最热门的领域呢？ 人工智能 （artificial intelligence）这个术语最早被写在1956年的一份研究计划中，该计划声称「如果一个精心挑选的科学家小组花一个夏天一起研究，就能使机器解决各种人类无法解决的问题……」，从而实现重大的进步。那被证明只是疯狂过度地乐观， 人工智能 虽然偶有突破，但其承诺的远比其所能提供的多得多。最终，大多研究者都避免使用这个术语，而更喜欢用「专家系统」或「 神经网络 」。现在「 人工智能 」的名誉恢复和重新兴起要追溯到2012年被称为ImageNet挑战赛的在线竞赛。

ImageNet是一个拥有数百万张图片的在线 数据库 ，所有图片都有人工做的标签。对于任何给定词，例如「气球」或「草莓」，ImageNet里都能找到上百张对应的图片。每年的ImageNet竞赛鼓励该领域的人在计算机识别和自动标记图片上进行比赛，并衡量他们的进展。这些系统首先使用被正确标记的图片集进行训练，然后挑战标记之前没见过的测试图片。在后续的研讨会上，优胜者会分享并讨论他们的技术。2010年获胜的系统可以正确标记72% 的图片（人类平均有95% 的准确率）。2012年，多伦多大学的Geoff Hinton带领的团队实现了85% 的准确率，这要归功于一项叫「深度学习」的新技术。这带来了一种长远快速的改进，在2015年的ImageNet竞赛上，一个深度学习系统以96% 的准确率第一次超过了人类。

2012年的成果被认为是一项突破，但Yoshua Bengio说，他们依靠的是「结合以前已经有了的东西。」Yoshua Bengio是蒙特利尔大学的计算机科学家，他与Hinto 以及另外几个人被称为深度学习的先驱。大体上，这项技术使用了大量的计算和训练数据，对来自 人工智能 发展初期的一个旧思路进行改进，这个旧思路也就是人工 神经网络 （ANN）——这是生物学启发的人工神经元（脑细胞）网络。

在生物大脑中，每个神经元都能被其它神经元触发，将输出的信号馈送给另一个神经元，而且此神经元的输出也能继续触发其它神经元。一个简单的ANN 网络有一个输入神经元层，在这里数据被馈送进网络中；还有一个输出层输出结果，中间可能还会有三两个隐藏层对信息进行处理。（实际中，ANN 网络全部在软件中模拟。）网络中的每一个神经元都有一系列的「权重」和一个「激活函数」控制着输出的信号发射。训练一个 神经网络 涉及到对神经元权重的调整，以便一个给定的输入产生期望的输出。ANN 在20世纪90年代早些时候就已经实现了一些有用的结果，例如识别手写数字。但在完成更为复杂的任务上，ANN 陷入了困境。