很多人认为，经过多年的积累，人工智能技术已处于爆炸式增长的前夕——也许他们的判断没错，但作为信息科技领域的从业者，我和同行们更关心的是，人工智能何以突然间从“冷宫”穿越到“朝堂”上，成为了万众瞩目的焦点？谁在为人工智能赋能？
请想象以下场景——
某种人工智能助手成为了像数字支付、地图那样的基础服务。
它跨越平台。无论是PC和手机，又或是智能家电与无人汽车，它都隐身于幕后，随时准备着响应主人的“召唤”。
它跨越应用。用户无论是拍照片、玩游戏，又或是到语言不通的异国旅行、开始一轮新的健身训练，都少不了它的陪伴。
它还是跨越场景的，感官健全的。能听又能说、能看又能写，也就是说，它会极大地增强主人的能力，帮助人类更好地应对工作与生活场景中的各种挑战。
人工智能技术：爆炸倒计时？
尽管目前行业里还没有一款人工智能产品能达到这样的水平——既能对接企业的产品数据库，又能基于长期的用户数据积累，达成对主人客观情况的某种程度的了解——但我们距离类似的目标已越来越近。
预计几年之内，通过嵌入各类硬件、软件与服务中，人工智能可以收集到更多实时生成的用户数据，类似于体重、体脂、体温、心率、血氧饱和度等生理健康指标和健身项目、时长等运动指标等自身数据，以及用户饮食禁忌、消费习惯、品牌偏好等外部数据，再加上时刻灌入更新的实时企业商品及服务信息，就可以为用户提供最贴身、最吻合其需要的生活提示与消费推荐。当然，所有的用户数据都会加密存储于云端，不会有泄密的问题。
很多人认为，经过多年的积累，人工智能技术已处于爆炸式增长的前夕——也许他们的判断没错，但作为信息科技领域的从业者，我和同行们更关心的是，人工智能何以突然间从“冷宫”穿越到“朝堂”上，成为了万众瞩目的焦点？谁在为人工智能赋能？
三大动力
尽管人们很早以前就开始对有自主思维与行动能力的机器展开畅想，并在60年前（达特茅斯会议）便确立了“人工智能”（Artificial Intelligence）的概念，但经历了几十年漫长岁月的探索、挫折、重振，直到最近这几年，学术界、产业界似乎才看到将人工智能由构想转换为现实的曙光。
深度学习算法、高质量大数据与高性能计算资源，这是令人工智能技术研发骤然加速的三大动力，推动着人工智能从实验室走向人们工作与生活，也推动着相关技术孵化和裂变出越来越多的精彩应用。
首先，深度学习算法其实就是推理算法与机器学习算法的结合。典型的深度学习模型往往需要架设出层次很深的神经网络，通过强化模型的复杂度来提升机器的学习能力，而模型复杂度又需要增加模型宽度（即隐性神经元数目）与增加模型深度（即隐层数目）。
其次，研究者还必须不断提高数据规模与质量，来增强机器的学习效果。以过去几个月来名声大噪的AlphaGo为例，这个围棋程序借助对人类六至九段棋手的16000次对局分析获得了3000万个布点数据，并将这些数据用来训练其“策略网络”（Policy Network）。
其三，高性能计算资源亦不可或缺。Elo评分法（Elo Rating）是由美籍匈牙利裔物理学博士阿帕德·埃罗（Arpad Elo）创建的对决类比赛选手水平评分方法。根据Elo评分，AlphaGo采用不同硬件配置、运行于异步模式（Asyncdivonous）与分布模式（Distributed）时对应的得分如图1：
图1：AlphaGo的Elo评分，引自谷歌Deep
很显然，分布模式下，从1202个CPU、176个GPU到1920个CPU、280个GPU，计算性能的线性增长只带来了28点的评分增长，这表明，计算资源呈线性增长，评分却不可能同样呈线性增长。越往后，每一点评分的增长都需要海量计算资源的支持。