解析人工智能中的深度学习原理

我们对人工智能的概念可以追溯到“图灵测试”的提出，学界很早就有智能系统方向的研究，人工智能包括现在很火的机器人都不是一个新的领域，它是一个比较传统的领域，只 是说发展到了某一个阶段之后，内在和外在的因素造成了方向上的大发展。

比如现在讲的深度学习（阿法狗就是基于深度学习完成的），往根上说就是深度神经网络的研究。最早在七十年代就有人在做模拟人脑的研究，就是我们现今讲的“神经元”。人大脑里就是一个接一个的神经元，堆积在一起，这之间有一些宏观上的互动，某个区域的互动形成你大脑的思考，包括人脑对外界的反映，它认为你的任何反映都是神经元之间的互作用，最初提出神经网络是为了通过模拟神经元来达到模拟人脑的这么一个目的，分析人脑的结构。
这其实就是讲深度学习的“深度”去掉之后所达到的效果。最初出现的神经网络的概念只是一个假设和设想，大家对它寄予的希望很大，但后来在研究中发现，受当时处理条件、计算能力和数据存储量的制约，导致传统的神经网络三到五层就可以解决问题而层数再多也不会带来更好的效果，所以，后来神经网络的研究就作为一种传统的工具被搁置了。
深度神经网络太复杂，简单的数据应用上去没有意义，现在又有复杂的工具，又有大量的数据，那这个问题就很容易被解决。单单就人工智能来说，它并不是一个很新的概念，只能说借着阿法狗火起来了。