不僅僅是技術突破，或者說技術突破是有原因的，技術突破的主要原因是網際網路的發展能夠提供大量的資料及GPU，FPGA為代表的計算力的提升使超大規模深度學習成為可能，而主要的技術突破是深度卷積網路（DeepConvNet），尤其是短連線網路（HighWay Network）使影象識別，影象檢測，影象定位，語音識別，機器翻譯等等的精確度大大提高甚至超過人類，DeepMind使用深度強化學習訓練機器人打單機遊戲超過人類後被谷歌收購，還有比較標誌性的是應用深度卷積網路的AlphaGo擊敗李世乭和柯潔。以後大的突破將會是L4和L5無人車的商用，這個領域主要代表為Google，百度，特斯拉等等。甚至AK-47生產公司使用深度網路使AK-47自動瞄準射擊，未來深度網路在軍事上的自動化將會普及。

不只是現在人工智慧這麼熱……在歷史上它也曾經很熱過一陣子。

然而，依然還有許多研究者在繼續鑽研——畢竟人工智慧的吸引力實在太大。從上世紀九十年代開始，有一些新思路得以應用，人工智慧領域又開始漸漸活躍起來。但是其中最大的變革，應該是2006年“深度學習”方法的提出。這種方法建立在神經網路的基礎之上，模擬人腦的學習方法，構建多層機器學習模型。

最重要的，是這種方法具有很強的通用性，可以讓機器“學會”如何理解真實世界中的物件。於是從影象識別、機器翻譯直到作曲和寫作這些領域，都有了深度學習的嘗試；其中自然語言處理發展的勢頭相當不錯。

如果說人工智慧的發展有哪些突破性技術的話，深度學習應該算其中一項。但是這個領域的火熱，並不僅僅是由深度學習帶動的；計算機工具的普及、計算能力的提升、網際網路的發展，都是促成今日人工智慧發展的重要因素。

沒錯，是人工智慧技術之一的人工神經網路技術的突破，新一代的神經網路技術讓原來只有兩三層的人工神經網路達到了幾十層甚至一百層以上，效能跟著突飛猛進，讓人工智慧在很多場合下突然達到了實用水平，所以才這麼火，這個技術也叫深度學習

我感覺是好多因素綜合起來水到渠成的事。

第一，2006年hinton把原本不被看好的ann（基於統計模型的貝葉斯學派當時是主流）提升到dnn（所謂深度學習），在論文中解決了訓練速度和梯度彌散問題，使得升級後的dnn重獲新生。接著大量論文和不同型別的dnn結構在不同領域應用，都取得了成功。

第二，大資料和gpu的發展為dnn的普及提供了彈藥。如果僅僅是科研上的流行，其實還不足以引爆ai革命。但經過幾十年的發展，網際網路上已經積累了大量的影象、語音、影片和文字以及使用者行為資料，可以說大資料為dnn提供了充足的語料作為彈藥。而gpu則從硬體上緩解了大資料下dnn訓練的速度問題，使大資料上的dnn訓練變得可行。

第三，硬體、理論和資料都具備的情況下，人才和資金開始自然而然的匯聚在這一領域，成果越來越豐富。rnn、cnn、lstm、attention model、gan越來越多的dnn模型為ai注入了更強大的能力。計算機除了識別影象、語音外，開始有了初步的譜曲、作詩、下圍棋、繪畫診斷癌症等五花八門的能力……在此情況下，投資和產業界也可以心潮澎湃起來，再一次推高了ai的熱度。大公司加大投入和人才儲備，若干國家的政府也為之調整了產業政策，一些初級形態的大眾消費類的ai產品也開始問世。ai變成最有希望大幅度進一步解放現代化國家的生產力（同時影響工業、農業和服務業）的革命性技術。

因為alphago的出現，並透過深度學習和神經網路技術，在短時間內碾壓了人類智慧的最後堡壘-圍棋，這在以前是認為還需要100年才有可能做到的事，而在這之前的30年裡，AI的進步緩慢，在人類圍棋高手面前還是個初學者。

深度學習和卷積神經網路技術的結合，讓人工智慧在短時間內取得了重大突破，也讓科學家和投資家們深信，人工智慧就是第四次產業革命的核心（分別是機械化、電氣化、自動化、智慧化）

Musk的無人自動車落地成功成就了人工智慧相當於眼睛器官的機器視覺取得了良好的市場回報，從此人工智慧開始被世界所關注和資本市場的追捧！

人工智慧在技術上的問題應該不大了，在應用方面的阻力顯而易見，當機器人代替了工人，保姆，教師，醫生，律師，工程師，科學家，一定能解決許多社會問題，但不要以為讓機器人代替法官，軍人，警察，官員，能帶來公正，避免貪腐，也許機器人會把人類作為敵人消滅，只留下幾個關在動物園裡，讓小機器人參觀，並告訴小機器人，這就是我們的祖先，但因為愚蠢和貪婪，被我們消滅了

為什麼現在人工智慧這麼熱，是因為某個技術獲得突破性進展了嗎？

「AI 應用前沿」認為有如下三個方面來推動。

第一個就是資料，我們有了前所未有的大資料。利用大資料，基於機器學習就可以獲得資料的規律或者抽取重要的知識，來指導系統進行智慧操作。

第二個就是以深度學習為代表的演算法。有了深度學習的演算法和工具，使得編制人工智慧的程式變得容易。

第三個就是計算能力。現在雲計算或者 GPU 叢集訓練一個大的模型不在話下，以前幾個月訓不出來的模型，現在幾天或者幾個小時就可以訓練出來。

這三個要素，推動了人工智慧在語音、影象、自然語言理解等各個方面取得新的進展。