人工智能革命之下你会失业还是变得富有？

在过去的十几年中，新技术的出现和对激活函数的一种简单调整使得训练深度网络变得可行。同时， 互联网 的兴起产生了数十亿可用于目标训练的文档、图片、视频数据。这所有的一切都需要大量的数字操作能力，而2009年左右当几个 人工智能 研究团体意识到个人计算机和视频游戏机上用于生成精致画面的GPU 也同样适用于运行深度学习 算法 之后，计算能力也不再是个问题了。斯坦福大学由吴恩达带领的一个 人工智能 团队发现GPU 能够几百倍地加速深度学习系统。然后，训练一个四层的 神经网络 突然就变得很快了，由之前需要花费几周的时间变成了不到一天时间。GPU 生产商NVIDIA 的老总黄仁勋说这是一个令人高兴的对称：GPU 这一游戏工作者用于为游戏玩家构建幻想世界的芯片也能用于帮助计算机通过深度学习理解真实世界。

ImageNet 的结果显示了深度学习的能力。突然间，深度学习就获得了关注——不只是在 人工智能 界，而是在整个 科技 产业界内！深度学习系统因此变得更加的强大：20或30层的网络变得很常见，微软的研究人员曾建立过152层的网络。更深层的网络能进行更高水平的抽象并产生更好的结果，事实证明这些网络擅长解决众多领域的难题。

「让人们激动的是这一领域的一种学习方法：深度学习，能够应用于众多不同的领域，」谷歌机器智能研究部门负责人、如今负责搜索引擎的John Giannandrea 表示，谷歌正在使用深度学习提升其网页搜索结果的质量、理解智能手机端的口语指令、帮助人们在他们的照片中搜索特定的图片、推荐电子邮件的自动回复、改善网页的翻译服务，并且帮助它们的自动驾驶汽车理解周围环境。

学习如何学习

深度学习有很多不同的方式。最普遍使用的是「监督学习（supervised learning）」，这项技术能使用标记样本集训练系统。例如，过滤垃圾邮件：收集出邮件信息样本的 大数据 集，每一个都标上「垃圾邮件」或者「非垃圾邮件」。一个深度学习系统能够使用这些数据集进行训练，重复的进行样本训练进而调整 神经网络 内的权重，提高评定垃圾邮件的准确率。这一方法的巨大优点是不需要人类专家写出规则列表，也不需要程序员用 代码 编写这些规则，系统能直接从有标签的数据中进行学习。

使用有标签数据训练系统也被用于图片分类、 语音识别 、信用卡交易欺诈侦测、垃圾和恶意软件识别以及广告定位，所有这些应用领域中的正确答案都可通过之前的大量案例获得。Facebook 能在你上传一张照片后识别、标记照片里你的朋友和家人，它们近期还发布了一个能够为盲人描述照片中的内容（比如两个人、微笑、太阳眼镜、户外、水等）的系统。有大量的数据可用于监督学习，吴恩达先生说，这一 科技 的应用已经使现在的金融服务领域、计算 安全 领域和销售领域的公司将自己重新标记为了 人工智能 公司。