时下很酷炫但是稍微有些被高估的深度学习的进展起源于上世纪八九十年代的神经网络研究，而神经网络模型更是基于上世纪四十年代的概念和实验。在很多情况下，前沿研究是由对已有方法的微小改动和改进组成，而这些已有方法在研究者还没出生的时候就已经被设计出来了。”反向传播“这个算法是现在深度学习的主要支撑，已经有好几十年的历史，并且是由多人独立发现的。IBM的深蓝计算机战胜了国际象棋大师盖瑞 卡斯帕罗夫证明了电脑比人类更会下国际象棋，其中的核心算法是有阿兰· 图灵在1940年代就提出的极大极小值算法。图灵，人工智能和广义计算机科学的创始人之一，在1950年写了名为“计算机器与智能”的论文。这篇论文不仅因我们现在所称的图灵测试而闻名，也包含了人工智能的很多核心概念的萌芽。

建议：阅读图灵1950年的论文（）。 这是一篇阅读感非常棒的文章，没有复杂的数学公式，各种技术词汇也非常通俗的融入其中。

你会惊叹于人工智能的几个关键思想在当时已经到位，虽然可能只是萌芽阶段。 在撰写关于令人兴奋的技术新突破的故事时，建议多咨询在这个行业已有些年纪的老人家，或至少是中年人的AI研究者。 这些人在AI变得很酷之前就开始研究AI了，所以已经经历过了一个AI炒作的循环。 有可能这个人可以告诉你这个新进展是从哪个旧想法稍微改进一点而来的。

不要相信炒作，多寻求客观意见。

事实：研究人员总是想卖点什么。

显然，那些在创业公司中工作的人正在寻求增加公司的估值和投资或收购的机会。 在学术界工作的人正在寻找谈话邀请，文章引用，推广等。 那些在大公司工作的人希望人们对他们的某些与实际研究结果有关（甚至无关）的产品感兴趣。

建议：不要相信炒作。

不要找撰写这篇文章的相关人员推荐给你的采访人，尝试寻找其他研究人员并寻求他们的意见，询问是否相信该文章里描述的主张。

人工智能多来自于人类的智慧，并不完全为自动化。

事实：大部分“人工智能”其实是人的智慧。

研究人员和开发人员专注于将AI应用于特定领域（如机器人，游戏或翻译）的原因是：构建系统来解决问题时，大量与实际问题相关的知识（“领域知识”）被包含在系统里。 为了更简单的构架系统，可能需要为系统提供特别的输入，直播，使用专门为其准备的训练数据，人工手动进行部分系统的编码，或甚至为了解决问题需要重新编写。

建议：理解“AI解决方案”的哪些部分是自动的，哪些是由于人类领域知识的手动编码而来。

一个好方法就是提问"如果在一个不同的问题上，这个系统将如何工作"。

我先写到这儿吧，这偏文章可能听起来有些暴躁。 其实，我脾气不暴躁，我也一点都不老（我还是一个宝宝！）。 而且我不想让人觉得AI并没有什么进步值得报道的。

事实上，已经有很多很厉害的进展值得跟进，所以我们并不需要用各种销售技巧把旧闻当成新闻来写。 但至少应该诚实，带批判思维且真实地写每一篇文章，不是吗？返回搜狐，查看更多