今天企业、码农、风险资本、政府机构都伸长脖子望着人工智能。

　　这个人工智能机器学习领域已可开挖的黑金，千军万马挤独木桥的洪流，走向何处，他们真的知道吗？

　　如今媒体大V们随手甩出的“深度学习”的概念，不明觉厉的深度神经网络（DNN)、卷积神经网络（CNN）、深度置信网络（DBN)、卷积深度置信网络（CBDN)，少有人知晓，它们都曾是无人问津的“屌丝”。

　　Yann Le Cun，一个需要被记住的名字

　　就像Leighton Stuart 因为被钦点、以及迎面而来的中国风名字“司徒雷登”，注定成为历史教材中政治幼稚的注脚。一个拼写有点汉味的法国人燕乐纯（Yann Le Cun)，在人工智能领域，同样也会写进教材且成为“令人唏嘘”的代表。因为他绝对忘不了2012年这个有着诸多转折性事件的年份。

　　2012是神奇的，这一年，Hinton 教授和他的两个研究生 Alex Krizhevsky、 Illya Sutskever 将以卷积神经网络为基础的深度学习框架运用到 ImageNet 大型图像识别竞赛上，获得了空前的成功。

　　Hinton 教授就此在 AI 界封神。而将人工神经网络演进到深度学习，并且是卷积神经网络的第一个发明人和推广者燕乐纯，被遗忘在角落。

　　为什么说一次竞赛的胜利就成为了深度学习乃至 AI 的历史转折点？

　　因为 AI 能力的测试标杆，公认是在图像识别和处理：

　　1981年诺贝尔医学奖获得者 David Hubel 和 Torsten Wiesel 发现人的视觉系统的信息处理是分级的：从视网膜（Retina）出发，经过低级的V1区提取边缘特征，到V2区的基本形状或目标的局部，再到高层的整个目标（如判定为一张人脸），以及到更高层的PFC（前额叶皮层）进行分类判断等。高层的特征是低层特征的组合，从低层到高层的特征表达越来越抽象和概念化，也即越来越能表现语义或者意图。

　　现在的深度神经网络，就是受此启发。

　　李飞飞点名推崇的重要人物 Jitendra Malik，这位伯克利教授， 把计算机视觉这个领域从图像处理带进了 AI。Jitendra 是最早一批看到了视觉本身在智能这个问题上的重要性——视觉是人类智能极其重要的部分。

　　但是 ImageNet 竞赛，这个继承了PASCAL VOC的人工智能图像识别的标杆，从2010年开始举办以来，深度学习并不是主流，而是另外一种机器学习办法——支持向量机（SVM）的天下。

　　ImageNet 就相当于机器学习的华山论剑，所以，什么武功最厉害?

2010年首次竞赛第一名团队，使用SVM方法构建的模型，识别分类的错误率为 28%。

2011年竞赛的冠军, 用类似SVM的Fisher Vector方法，构建模型的识别分类错误率为25.7%

而2012年竞赛，Hinton教授的团队，使用以卷积神经网络为基础的深度学习方案，他们训练的模型面对15万张测试图像时，预测的头五个类别的错误率只有 15.3%，而排名第二的日本团队，使用的SVM方法构建的模型，atv，相应的错误率则高达 26.2%.

　　如此惊人的成绩，学术界轰动了。

　　更惊人的是，深度学习训练的模型（2012年之后就成为主流），在2015年的竞赛中部分类别图像的识别率上甚至超过了人类（虽然只占到所有图片分类中的千分一）。

　　然后就是我们众所周知的故事：2016年，以走棋网络和估值网络两个卷积神经网络为基础，结合了蒙特卡洛树搜索和强化学习两种方法开发的人工智能围棋程序AlphaGo，4：1 击败了围棋界的小李子——曾经的人类围棋第一人李世石，震惊世界。

　　在此之前，人们普遍认为，计算机最少还要20年才能击败人类顶尖高手，因为围棋是一种无法用计算机穷举击败人类的游戏，堪称人类智慧最后的殿堂。

　　2017年，AlphaGo的升级版本Master更是在网络快棋上大开杀戒，以60盘全胜的战绩挑落了所有排得上名号的人类围棋高手。让目前的围棋第一人柯洁产生了绝望感。

　　一个机器学习的小门派最终成为了江湖泰斗。众人只记住了Hinton教授，在 SVM 热潮中坚持研究神经网络，经历了20多年的门庭冷落，带领弟子练就了绝世武功。但是燕乐纯，则被称为神经网络辟荒的众大佬之一。实际上这哥们完全是跟Hinton教授一样，是“黑暗中举着火炬的人”。

　　人工神经网络的三次崛起和两次低谷

　　回顾历史，今天遍地开花的神经网络，并不是最近才冒出来的新鲜玩意，而是名副其实的老古董。