往年的“两会”中，不同高新科学技术的概念虽然也曾偶尔被提及，可从没有像“人工智能”一样如此大范围地出现在委员提案——甚至《政府工作报告》里。这门学科的热度有目共睹，然而2017年的“两会”为什么成为人工智能技术的爆发点？如今的人工智能学科行业究竟又“热”在何处？

　　一切要从2015年开始说起。

　　2015年，那是一个冬（春）天

　　2015年的冬天（美国时间12月10日），计算机视觉识别领域一年一度的“奥林匹克” 2015 ImageNet计算机识别挑战赛在众人的屏息凝神、翘首以待中公布了最终结果：冠军团队的视觉计算组的系统错误率低至——3.57%！这是包揽三个主要项目（图像分类、图像定位、图像检测）第一名的微软亚洲研究院在优化更新了深层神经网络算法后，凭借着152层深层残差网络（Deep Residual Networks）交出的傲人成绩单。

　　错误率低至3.57％（或者更准确来说，3.567％）是个什么概念呢？——在ImageNet挑战赛中，人类的图像识别错误率大约4%。而3.57%意味着有史以来，计算机的识图能力首次超越了人类，这是计算机视觉学界一个里程碑数字，也是深度学习算法在人工智能行业应用里的惊人一鸣。

　　21天后，世界迎来了2016年的第一抹朝阳；而人工智能，也迎来了自学科建立60年以来最大规模的市场应用爆发潮。

　　承借着深度学习在计算机视觉领域的首先爆发，云计算平台、显卡、芯片等的研发成为行业热点，而数字医疗、智能家居、自动驾驶、语音助手等应用也获得了质的突破。2016年3月，AlphaGo以4：1大胜李世石；2016年5月，亚马逊开源深度学习和机器学习工具 DSSTNE（Deep Scalable Sparse Tensor Network Engine）；2016年8月，英特尔以超过4亿美元的高价收购人工智能技术公司Nervana；2016年9月，微软、Facebook、Alphabet、IBM、亚马逊五大科技巨头宣布组成人工智能联盟（2017年1月苹果加盟）；2016年12月，atv，苹果首份人工智能论文曝光……

　　此外，各类人工智能科研人员（如上文提到的包揽2015 ImageNet三项桂冠的微软亚洲研究院团队成员孙剑、何恺明等）也在2016年间陆续离职创业；长期专注耕耘GPU（图形处理器）的英伟达也在2016年凭借着人工智能计算技术获得了股价大爆发……曾经遥不可及的“人工智能”技术一夜之间就来到了我们身旁，成了家喻户晓的风口话题。谷歌工程师Pete Warden曾经纂文感叹道：“我从未见过一项技术（像深度学习一样），几年前还不被熟知，而短时间内竟有如此大的进步。”

孙剑

何恺明

　　深度学习在学界的应用则要更早——早在2012年的ImageNet大赛上，多伦多大学的Geoffrey Hinton教授就带领着团队使用深度学习进行机器训练与图像识别，错误率只有15.3%，是图像识别学科历史上的一个重要节点。Hinton教授与他的团队们花了近6天时间，使用2个英伟达GTX 580 CPU（内存 3GB， 计算速度 1.6 TFLOPS）让程序接受了120万个图像训练。

Geoffrey Hinton教授（右）及其团队

　　那为什么直到2016年人工智能产业才开始大规模爆发呢？除了芯片计算性能不断提高、学界理论与商业应用存在发展落地周期等原因外，还因为大约在5-10年前，计算机视觉尚属于人工智能的关联学科，而非子属关系。然而，随着研究的不断深入，人们逐渐认识到，人工智能中大量与语义能力相关的高级智能与计算机视觉中的感知能力是密不可分的。如果能够训练计算机成功解决图像场景，那么真正的智能也许就不再遥远。因此，2016年里深度学习算法在计算机视觉领域的首先爆发推动了人工智能行业的热点升温，也使得“人工智能”成为最新风口话题。

　　业内声音

　　为了更加深入行业，了解“两会”的切实影响。智东西也遍访人工智能行业专家与从业者们，听听他们对于“两会人工智能热”的看法：