为什么要学AI技术

对首先来说AI目前是个宽泛的概念，更确切的说，我为什么会学习神经网络，首先神经网络不是一个新鲜事物，我记得我上大学时候2003年，我就在学校的图书馆借阅了一本，神经网络方面的书，我印象很深刻，但是顺其自然的经历了从入门到放弃的过程，从03年到19年，16年过去了。神经网络又再次的兴起了，关于机器学习和神经网络的兴衰历史。
1：1950开始一位名叫马文·明斯基(后被人称为“人工智能之父”)的大四学生与他的同学邓恩·埃德蒙一起，建造了世界上第一台神经网络计算机。这也被看做是人工智能的一个起点。巧合的是，同样是在1950年，被称为“计算机之父”的阿兰·图灵提出了一个举世瞩目的想法——图灵测试。
2：1956年人工智能迎来了属于它的第一段Happy Time。在这段长达十余年的时间里，计算机被广泛应用于数学和自然语言领域，用来解决代数、几何和英语问题。这让很多研究学者看到了机器向人工智能发展的信心。甚至在当时，有很多学者认为：“二十年内，机器将能完成人能做到的一切。”
3：70年代，人工智能进入了一段痛苦而艰难岁月。由于科研人员在人工智能的研究中对项目难度预估不足，不仅导致与美国国防高级研究计划署的合作计划失败，还让大家对人工智能的前景蒙上了一层阴影。与此同时，社会舆论的压力也开始慢慢压向人工智能这边,导致很多研究经费被转移到了其他项目上。
在当时，人工智能面临的技术瓶颈主要是三个方面，第一,计算机性能不足，导致早期很多程序无法在人工智能领域得到应用；第二，问题的复杂性，早期人工智能程序主要是解决特定的问题，因为特定的问题对象少，复杂性低，可一旦问题上升维度，程序立马就不堪重负了；第三，数据量严重缺失，在当时不可能找到足够大的数据库来支撑程序进行深度学习，这很容易导致机器无法读取足够量的数据进行智能化。
因此，人工智能项目停滞不前，但却让一些人有机可乘,1973年Lighthill针对英国AI研究状况的报告。批评了AI在实现“宏伟目标”上的失败。由此，人工智能遭遇了长达6年的科研深渊。
4：1980年，卡内基梅隆大学为数字设备公司设计了一套名为XCON的“专家系统”。这是一种，采用人工智能程序的系统，可以简单的理解为“知识库+推理机”的组合，XCON是一套具有完整专业知识和经验的计算机智能系统。这套系统在1986年之前能为公司每年节省下来超过四千美元经费。有了这种商业模式后，衍生出了像Symbolics、Lisp Machines等和IntelliCorp、Aion等这样的硬件，软件公司。在这个时期，仅专家系统产业的价值就高达5亿美元。
5：人工智能第二次低谷：可怜的是，命运的车轮再一次碾过人工智能，让其回到原点。仅仅在维持了7年之后，这个曾经轰动一时的人工智能系统就宣告结束历史进程。到1987年时，苹果和IBM公司生产的台式机性能都超过了Symbolics等厂商生产的通用计算机。从此，专家系统风光不再。

以上的文字和图片，我摘录自（https://blog.****.net/ebzxw/article/details/80470053）。有兴趣的朋友可以去原文查看。
6：现在我们要讨论的问题是，为什么2013年之后神经网络会再次的兴起？这就要看看神经网络需要的几个要素，数据，算力，算法。只要是这些年经历了互联网发展的朋友们都会深刻的感受到，大数据的威力。“大数据”这个词是从2012年才引起关注的，之后搜索量便迅猛增长。为什么大数据这么受关注？看看下面的图就明白了。2004年，全球数据总量是30EB 。随后，2005年达到了50EB，2006年达到了161EB。到2015年，居然达到了惊人的7,900EB。到2020年，将达到35,000EB。这个规律，被称为新摩尔定律，即：人类有史以来的数据总量，每过18个月就会翻一番。

算力方面，尤其是GPU加入到神经网络之后，算力在爆炸性的增长，以我目前在测试的deepfakes为例6核心，每个核心3G赫兹，然后和P40 显卡作比较，显卡6分钟的算力相当于CPU11个小时的算力，也就是说新的硬件加持+并行算法的创新+神经网络本身算法的创新，解决了神经网络所需的三个必要资源。
数据有了，算力有了。不爆发还等什么呢？