一群少数派学者，在长期不被主流学术圈认可的情况下，坚信深度神经网络会改变世界，并在很多年的时间里在黑暗中持续探索，终于推动了人工智能技术在语音识别、图像识别、自然语言理解、博弈论、生物制药、搜索、推荐和自动驾驶等诸多领域取得改变世界的突破性进展。

当记者问感知机有没有什么做不到的事情时，罗森布拉特举起了双手。他说：“爱，希望，绝望。简言之，就是人性。如果连我们都不理解人类的性冲动，那么我们应该对机器有什么期待？”[插图]

对他来说，这种态度可以用意大利哲学家马基雅维利的一句经常被引用的话概括：“要犯野心的错误，而不是懒惰的错误。”

深度学习带来了一种力量，当它被那些科技界的超级巨头掌握时，连设计者都不完全知道该如何控制这种力量。而驱动这些巨头的，是它们对收入和利润贪得无厌的渴望。

通过分析数据，神经网络可以自主学习，但符号人工智能做不到。符号人工智能是按照人类工程师制定的非常特殊的指令运行的，这些离散的规则定义了在可能遇到的每种情况下，机器应该做的所有事情。他们称之为符号人工智能，是因为这些指令向机器展示了如何对特定的符号集合（如数字和字母）执行特定的操作。

人们需要一种更强大的数学方法，将每个权重的设定与其他所有权重结合起来。鲁梅尔哈特认为，答案是一个叫“反向传播”(backpropation)的过程。这本质上是一种基于微分的算法，当神经元能够分析更多数据并更好地理解每个权重是什么的时候，它就会发送一种数学反馈，沿着神经元的层次结构向下传递。

这种情况经常发生在大型科技公司或小公司内部：大多数人看不到自己正在做的事情之外的东西。阿兰·尤斯塔斯认为，诀窍在于让自己处在一些特定人群周围，这些人能够将新的专业知识应用到旧技术似乎无法解决的问题上。“大多数人是以特定的方式、特定的视角和特定的历史来看待特定问题的，”他说，“他们无法看到那些能改变格局的专业知识的交会点。”

另外一名学生伊利亚·萨特斯基弗后来与埃隆·马斯克等人联合创立了著名的OpenAI（人工智能研究公司），打造了在强化学习领域几乎与DeepMind齐名的研究机构。

当你认为自己了解的几乎所有事情都不对的时候，这就是活着的最佳时机。

深度学习的兴起标志着数字技术的构建方式出现了根本的改变。工程师们不再细致地定义机器应该如何运行，一次一条规则，一次一行代码，他们开始打造可以通过自身经验学习任务的机器，这些经验包含了巨量的数字信息，甚至没有人能完全理解。结果他们得到了一种全新的机器，这种机器不仅比以前的机器更加强大，而且更加神秘和不可预测。

他提出了一个完全不同的解决方案。他解释说，他们应该做的是打造一个能够从另一个神经网络中进行学习的神经网络。第一个神经网络将创建一幅图像，并试图欺骗第二个神经网络，让它以为这幅图像是真实照片。第二个会指出第一个错误的地方，第一个会再试一次。他说，如果两个神经网络对决足够长的时间，它们就可以创建一幅看起来像真实事物的图像。

辛顿常常说“旧的想法也是新的”，他认为科学家永远不应该放弃一个想法，除非有人证明了它行不通。

计算是对信息进行有目的的操纵。数据正在成为主要的生产手段。深度学习在新的基础上进行计算。

在2012年的春天和夏天，辛顿和他的两名学生取得了突破：他们证明了，神经网络能够以超越其他任何技术的精度识别常见的物体。他们在那年秋天发表了一篇长达9页的论文，并向全世界宣布，这项技术就像辛顿长期以来所宣称的那样强大。

谷歌前首席执行官兼董事长埃里克·施密特表示：“你可以把人工智能想象成一个大的数学问题，它能看到人类看不见的模式。科学和生物学的大量知识中，存在着一些人类无法看到的模式，当被发现时，它们就能帮助我们开发出更好的药物和更好的解决方案。”

从一开始，人工智能与计算机科学、心理学和神经科学的界限就模糊不清，因为围绕着这种新技术，出现了各个学术阵营，每个阵营都按照自己的方式描绘技术的前景。

达尔说，“如果这是一个好想法，你就继续努力20年。如果这是一个好想法，你就继续尝试，直到成功。它不会因为你第一次尝试不起作用就不再是一个好想法。”

事实上，余凯很高兴百度在竞拍中占据了一席之地。他认为，通过将美国竞争对手推向极限，百度的智囊团已经意识到深度学习在未来几年有多么重要。

和感知机一样，玻尔兹曼机通过分析数据，包括声音和图像数据来学习。但它增加了一个新的变化，就是会创造自己的声音和图像，然后通过对比自己创造的数据与分析的数据，来进行学习。