不过，这些想法在哲学家和心理学家之间仍然很受欢迎，他们称之为“连接主义”或“并行分布式处理”。尽管加拿大政府很慷慨，但就是没有足够的计算机力或足够多的数据。Hinton 表示，支持我们想法的人不断说：“是的，只要有一个大的机器就会工作了，但这不是一个非常有说服力的论据。”

　　3. 深度学习的深度解读

　　当Pichai在说谷歌将以”AI为先“时，他并不仅仅在描述公司的商业战略，也同时把这一长久以来都没有起到多大作用的概念扔给了公司。Pichai在资源上的分配保证了像Jeff Dean和Hinton之类的人，有足够的计算能力和数据，来取得可靠的进展。一个人类的大脑保守估计有1000亿个排列着的神经元。每一个神经元与10万个类似的神经元相连，也就是说，突触的数量在100万亿到1000万亿之间。对于20世纪40年代提出的一个简单的人工智能神经网络来说，即使要简单的复制这一网络都是不可想象的。我们现在离建造这样一个网络依然还有很远的路要走，但是，谷歌大脑的投资，至少可以让人工神经网络可以与大脑的某一切片功能相当。

　　要理解扩展性（Scale）为什么那么重要，你需要理解更多的细节，也就是，机器究竟对数据作做了什么？我们对AI的普遍性的恐惧，大都来源于认为它们会像一个神秘的学者一般在图书馆挖掘学习知识，然后，从前只会裁纸的机器或许有一天能像对待一只蚂蚁或者莴苣一样对待人类。但这并不是AI 的工作方式。它们所做的全部事情都是搜索信息，寻找共同点，最开始是基本的模式，随后会变复杂，最后，最大的危险在于，我们所喂给它们的信息从一开始就是错误或者带有偏见的。

　　“知道什么”和“做什么”的权衡具有真正的文化及社会影响。在聚会上，Schuster 走到我跟前，诉说向媒体解释他们的论文的挫折。他问我：“你看了最早出来的新闻吗？”他复述早报上的一个标题，一个字一个字地指着念：“谷歌说AI翻译已经与人类无差”。在论文即将完成的最后几周，团队没停下过奋斗。Schuster 经常重复地向人解释，论文表达的是“谷歌翻译比以前好多了，但还不如人类好”。他表达的很明确，他们的努力不是说要替代人类，而是辅助人类。

　　4. 识别猫脸的论文

　　在谷歌大脑成立的第一年到第二年间，他们让机器掌握一岁小孩的技能的努力幸运地达成了，所以，他们的团队也从谷歌X实验室“毕业”，转变为更大的研究机构。（谷歌X的主管曾经说过，谷歌大脑负担了所有X实验室的成本支出。）他们的人数在当时仍然少于10个人，对于最终会实现什么，也只有一些模糊的感觉。但是，即便是在当时，他们的思想也走在了前面，想着接下来会发生什么。人类的思维中，首先学习的是形状，比如说一个球，然后也会很舒服地接受所学到的知识，停留一段时间，但是迟早的电脑会需要问关于这个球的事，这就过渡到了语言。

　　在这一方向上，谷歌大脑做的第一件事是“识别猫”，这也是令谷歌大脑声名大噪的一件事。“识别猫”的论文展示的是，带有超过10亿个“突触”连接的神经网络，这比当时任何公开的神经网络模型都要大好几百倍，但是与人类的大脑相比，依然小了好几个数量级。这一神经网络能识别原始的、费标签的数据，并识别高难度的人类概念。谷歌大脑的研究者向神经网络展示了几百万帧静态的Youtube 视频，然后，神经网络的感觉中枢开始运转，分离出了一个稳定的模型。和所有的小孩一样，这一模型能毫不犹豫地识别出猫的脸。

　　研究员从未把关于猫的先验知识编程输入到机器中，机器直接与现实世界交互并且抓住了“猫”这一概念。（研究者发现，这一神经网络就好像核磁共振成像一般，猫的脸部的阴影会激活人工神经元，让它们产生集体的唤醒。）

　　当时，绝大多数机器的学习都受到标签数据的数量限制。“识别猫”的论文展示了，机器同样能识别原始的非标签数据，有时候或许是人类自身都还没建立起知识的数据。这一研究看起来并不仅仅是让机器识别猫脸的巨大进步，对于人工智能的整体发展都有很大意义。

　　“识别猫”的研究第一作者是Quoc Le。Le 又矮又瘦，说话轻柔但语速极快，他从小在越南长大，父母都是农民，小时候家里甚至都没有电。但是，他在数学上的天赋显然来自他的童年时期。20世纪90年代，他还在上学时，就曾经尝试开发聊天机器人。他在想，这会有多困难呢？

　　“但是实际上”，他告诉《纽约时报》的记者，“这非常难”。