为什么人工智能在遭受「人工智能的冬天」(AI winter)的几十年声名狼藉之后，会成为当下如此热门的话题?当然，人工智能的新闻也出现深蓝之后，之后又有沃森的故事;但这些风潮都没能持久。看到目前的人工智能崛起为另一次风潮是很有诱惑力的。这能让我们忽视过去十年的变化。
人工智能的兴起依赖于计算机硬件的巨大进步。列举计算机性能和存储技术自人工智能之冬起(维基百科追溯到 1984 年)的 30 多年间的巨大进步是很乏味的。但这是此篇文章无法回避的一部分，特别是如果你已经见过 IBM 的沃森机器支架。
据报道 AlphaGo 运行于 1920 个 CPU 和 280 个 GPU ;;击败了 Lee Sedol 的机器可能更加庞大，并且它使用了谷歌用于构建神经网络所开发的定制硬件。即使人工智能算法在普通笔记本上运行很慢，但在像 AWS、GCE 和 Azure 的云平台上配置一些重要的算力是容易且相对便宜的。机器学习得以实现，部分也是因为这种存储大量数据的能力。1985 年时的千兆字节(GB)还很罕见且重达数百磅;现在它已司空见惯，廉价而小巧。
除了存储和处理数据的能力，我们现在还能生成数据。在上世纪 80 年代，大多影像都是模拟信号。现在它们全是数字的，并有很多存储于像是 Flickr、Google Photos、Apple Photos、Facebook 等的网络服务商那里。许多在线照片已经被贴上了一些描述性的文本，这使得它们成为了训练人工智能系统的良好数据集。
我们的许多对话也都是线上的，通过 Facebook、Twitter 和许多聊天服务。我们的购物历史也是一样。所以我们(或者更准确的说是 谷歌、苹果、雅虎、 Facebook、亚马逊等)就有了训练人工智能系统所需的数据。
我们在算法上也取得了显著的进展。神经网络并不是特别的新，但是「深度学习」却堆叠了一系列通过反馈来自我训练的网络。因而深度学习试图解决机器学习中最难的人类问题之一:从数据中学习最优表征。处理大量数据很简单，但是特征学习就更像是一门艺术而非科学。深度学习是要实现那门艺术的部分自动化。
我们不仅取得了算法上进展，更让它得到了广泛的使用，例如 Caffe、 TensorFlow、Theano、Scikit-Learn、 MXNet、 CNTK 等等。
人工智能并不局限于学术界的计算机科学研究者，而是像 Pete Warden 所展示的那样，越来越多的人都能够参与进来。你无需了解如何实现一个复杂的算法并让它在你的硬件上运行得多么好。你只需要知道如何安装库并标注训练数据就行了。
正如计算机革命本身所发生的那样，计算机被搬出了机房并被广大市民所使用，同样的民主化进程正在制造一场人工智能革命。来自许多背景和环境的人利用人工智能做试验，我们将会看到许多新型应用。有些会看起来像科幻小说(尽管自动驾驶汽车被看做科幻小说还只是几年前的事);肯定会有我们甚至无法想象的新应用出现。
（责任编辑：王翔）
声明：文章版权归原作者所有，本文摘编仅作学习交流，非商业用途，所有文章都会注明来源，如有异议，请联系我们快速处理或删除，谢谢支持。
(原文章信息：标题：为何人们对人工智能的兴趣大增?，作者：张雪，来源：未知，来源地址：)
