人工智能帮助我们发现数据中那些隐含的、不确定的模式和结构

　　最为重要的是，这并非渐进式的改善，而是性能上的跳跃性提升。2012年，深度学习在 ImageNet 挑战赛首次惊艳亮相，这一赛事是图像目标识别领域的旗舰性年度竞赛。与当时最好的其他方法相比，深度学习方法的误差率几乎减小了一半。此后，深度学习算法的性能快速逼近人类水平。在围棋和日本将旗等策略游戏、强调合作的多人电子游戏和经常要虚张声势的得州扑克游戏等场景中，深度学习的表现甚至已经超越了人类专家。深度学习在 2018年的CASP会议上的表现为它又赢得了一枚超越人类表现的奖章：它在预测蛋白质的3D结构方面打败了所有的科学家。
　　简而言之，人工智能帮助我们发现数据中那些隐含的、不确定的模式和结构。这些模式对于人类而言是易于发现的（例如，在一幅图像中，猫的位置），但是对于计算机而言一直是很困难的。更为精确的表述是，人们通常难以把这类任务转换为计算机任务，而人工智能让机器可以用一种奇特的方式自己来做这种转换。
　　尽管人工智能浪潮席卷全球，近期的主要进展其实都有赖于一个方法：监督学习。该方法要求只给算法提供两组信息：大量的输入，也被称作“训练数据” 以及为了给输入分类所用到的清晰的指令（“标记”）。例如，如果目标是识别垃圾邮件，那么就给算法提供数百万的邮件并告知其中每个邮件是否是垃圾邮件。然后算法就会仔细检查数据以确定垃圾邮件的特征。在这一学习任务完成后，如果给算法输入一封新邮件，算法就会告诉你该邮件是否看上去是垃圾邮件。
　　深度学习的魔力在于它无须人工输入就能找出数据的最佳表示方式，这是因为它包含许多中间层，并且其中的每一层都会根据标记给出数据的一种表示和转换方式。只要层数足够多，深度神经网络就有可能很好地揭示隐藏在数据中的极为错综复杂的结构或模式。更值得注意的是，深度神经网络完全是靠自己发现这些模式的。我们可以把深度神经网络具有不同层想象为它拥有了能够调节数百万旋钮的灵活性。只要给系统提供指引清晰且足够多的数据，它就能够自动调节所有的旋钮以找出表示数据的最佳方式。
　　当前的人工智能与以往有什么不同？毕竟 20 多年前 IBM 的国际象棋程序深蓝（Deep Blue）就击败了当时的世界冠军卡斯帕罗夫（Garry Kasparov）。过去的人工智能依赖的是缺乏智能的精细计算。深蓝击败卡斯帕罗夫是因为它每秒可以估测2亿个位置，从而预判哪一步最有可能获胜。这种人工智能在面对围棋和蛋白质折叠这类更为复杂的游戏时就无能为力了，因为它无法处理所有的可能性。
　　然而，深度学习却在这些领域取得了巨大的成功。2016年，DeepMind研究团队设计的 AlphaGo在5轮比赛中击败了围棋世界冠军李世石。它取得胜利并非靠评估每一种可能的走法，而是靠研究人类棋手完成的棋局以学习何种走法有可能获胜或失败。