2.5　人工智能发展的先决条件

驱动人工智能发展的先决条件主要表现在以下几方面。

1．物联网

物联网提供了计算机感知和控制物理世界的接口与手段，它们负责采集数据、记忆、分析、传送数据、交互、控制等。

摄像头和相机记录了关于世界的大量图像和视频，麦克风记录语音和声音，各种传感器将它们感受到的世界数字化等。这些传感器如同人类的五官，是智能系统的数据输入和感知世界的方式。大量智能设备的出现进一步加速了传感器领域的发展，这些向真实世界各个领域延伸的触角是机器感知世界的基础，感知是智能实现的前提之一。

2．大规模并行计算

人脑中有成千上亿个神经元，每个神经元都通过成千上万个突触与其他神经元相连，形成了非常复杂、庞大的神经网络，以分布和并发的方式传递信号。这种超大规模的并行计算结构使得人脑远超计算机，成为世界上最强大的信息处理系统。近年来，基于GPU（图形处理器）的大规模并行计算异军突起，拥有远超CPU的并行计算能力。从处理器的计算方式来看，CPU计算使用基于x86指令集的串行架构，适合尽可能快地完成一项计算任务；GPU从诞生之初就是为了处理3D图像中的上百万个像素图像，它拥有更多的内核去处理更多的计算任务。因此，GPU天然具备了执行大规模并行计算的能力。

云计算的出现、GPU的大规模应用使得集中化的数据计算处理能力变得前所未有的强大。

3．大数据

海量的数据为人工智能的学习和发展提供了非常好的基础。机器学习是人工智能的基础，数据和以往的经验是人工智能学习的书本，以此可以优化计算机的处理性能。

4．深度学习算法

深度学习算法是人工智能进步的最重要的条件，也是当前人工智能较先进、应用较广泛的核心技术。2006年，Geoffrey Hinton教授发表了论文A fast learning algorithm for deep belief nets。他在论文中提出的深层神经网络逐层训练的高效算法让当时计算条件下的神经网络模型训练成为可能。同时，通过深度神经网络模型得到的优异的实验结果让人们开始重新关注人工智能。之后，深度神经网络模型成为人工智能领域的重要前沿阵地。深度神经网络模型也经历了一个快速迭代的周期，深度网络、稀疏编码、递归神经网络、卷积神经网络（Convolutional Neural Network，CNN）等各种新的算法模型被不断提出，其中的卷积神经网络更是成为图像识别领域炙手可热的算法模型。