人工智能发展的三起两落
一、六十多年前的达特茅斯会议，提出了“Artifitial Intelligence”的课题，目的是让逐渐成熟的计算机能够代替人类解决一些感知、认知乃至决策的问题。这样一个课题是如此令人神往，也迅速吸引了大量学者的眼球，相关的研究也如火如荼地开展了起来。是为第一起。
二、初，学者们解决人工智能问题的思路，是以人为师，通过专家编制规则的方法，教机器下棋、认字乃至语音识别。在今天看来，这样的方法是完全南辕北辙的——人类的视听器官虽然很发达，却并没有能力总结提炼其中的规律。于是，人工智能的美好憧憬中迎来了残酷的现实，学者们发现解决问题是如此遥远，围观群众也一度认为人工智能的学者都是骗子。是为第一落。
三、既然靠人指导不行，那就要祭出“实事求是”的法宝，从数据里统计规律。在这样数据+统计的方法论下，诸如人脸识别、手写识别等一些较为简单的问题取得了重大进展，而在当时最困难的问题——大词表连续语音识别上，统计方法也是史无前例地造就了实验室中“基本可用”的系统。到此时，我们感觉找到了解决人工智能问题的基本思路。是为第二起。
四、数据+统计模型的方法盛行以后，也很快遇到了瓶颈：数据量的提升并不总能带来识别率的提高。当然，我们很早就知道“深度模型”比“浅层模型”学习数据的能力强，无奈这种模型的计算代价极高，只能望洋兴叹。拿语音识别为例，在“基本可用”到“实用”之间的鸿沟，十几年都没有跨过去，于是大家又转向悲观，觉得人工智能还只是个梦。是为第二落。
五、第二落以来，继续坚持在“深度神经网络”这条战线上的学者很少，因为做这个是拿不到funding的。其中有一位老前辈Jeffrey Hinton，和他的学生Alex一起，发现用GPU算神经网络，能大幅提高速度，于是这种模型居然可能实用了。一旦实用，深度模型可以疯狂吸收数据的优势就发挥出来了，于是在语音识别、图像识别等领域带来了飞跃式的进展。是为第三起。
