深度学习能力的极大发展是如今人工智能拐点背后的催化剂之一。深度学习的底层技术框架——神经网络，已经存在了数十年，但过去 5 到 10 年的 3 种东西改变了深度学习：
1)数据。随 着全球设备、机器和系统的连接，大量的无结构数据被创造出来。神经网络有了更多的数据，就变得更为有效，也就是说随着数据量增加，机器学习能够解决的问题 也增加。手机、IoT 、低成本数据存储和处理(云)技术的成熟使得可用数据集的大小、结构都有了极大增长。例如，特斯拉收集了 780mn 英里的驾驶数据，而且通过他们的互连汽车，每 10 小时就能增加 100 万英里的数据。此外，Jasper 有一个平台，能让多家汽车制造商和电信公司进行机器间的交流，这家公司于今年 2 月份被 Cisco 收购。Verizon 在 8 月份做了类似的投资，宣布收购 Fleetmatics，Fleetmatics 做的是将汽车上的远程传感器通过无线网络连接到云软件。未来，5G 网络的上线将会加速数据生成与传输的速率。据 IDC 的 Digital Universe Report 显示，年度数据生成预期到 2020 年达到 44zettabytes，表明我们正在见证应用这些技术的使用案例。
图 1：年度数据生成预期到 2020 年达到 44zettabytes
2)更快的硬件。GPU 的再次使用、低成本计算能力的普遍化，特别是通过云服务，以及建立新的神经网络模型，已经极大的增加了神经网络产生结果的速度与准确率。GPU 和并行架构要比传统的基于数据中心架构的 CPU 能更快的训练机器学习系统。通过使用图像芯片，网络能更快的迭代，能在短期内进行更准确的训练。同时，特制硅的发展，比如微软和百度使用的 FPGA，能够用训练出的深度学习系统做更快的推断。另外，从 1993 年开始超级计算机的原计算能力有了极大发展(图 2)。在 2016 年，单张英伟达游戏显卡就有了类似于 2002 年之前最强大的超级计算机拥有的计算能力。
图 2：全球超级计算机的原计算性能，以 GFLOPs 测试
成本也有了极大的降低。英伟达 GPU(GTX 1080)有 9 TFLOPS 的性能，只要 700 美元，意味着每 GFLOPS 只要 8 美分。在 1961 年，串够 IBM 1620s 每提供 1 GFLOPS 需要的钱超过 9 万亿。
图 3：每单位计算的价格有了极大下降
3)更好、更普遍可用的算法。更 好的输入(计算和数据)使得更多的研发是面向算法，从而支持深度学习的使用。例如伯克利的 Caffe、谷歌的 TensorFlow 和 Torch 这样的开源框架。比如，刚开源一周年的 TensorFlow，成为了 GitHub 上有最多 forked repositories 的框架。虽然不是所有的人工智能发生于普遍可用的开源框架中，但开源确实在加速发展，而且也有更多先进的工具正在开源。
【免责声明】本文仅代表作者个人观点，与IT09数码网无关。其原创性以及文中陈述文字和内容未经本站证实，对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性本站不作任何保证或承诺，请读者仅作参考，并请自行核实相关内容。您若对该稿件内容有任何疑问或质疑，请联系本网将迅速给您回应并做处理。