从能量角度看，摩尔定律反映出了人类在单位能耗下，所能完成信息处理能力的大幅提升。而这正是实现人工智能的基础所在。

从某种意义上说，不仅是深度学习技术，今天的人工智能都是靠算力成就的。

人工智能的崛起，有3个技术要素：一是它解决了可计算问题，即在算法上的突破;二是它积累了大量数据，形成了可学习的原材料;三是摩尔定律所推测的，处理能力得到持续提高。

算力是推动深度学习的利器。计算能力越强，同样时间内积累的经验就越多、迭代速度也越快，深度学习的性能也就越高。

不断进化的深度学习之道

1997年，“深蓝”在国际象棋比赛中战胜加里·卡斯帕罗夫;2016年，AlphaGo在围棋比赛中战胜李世石。

虽然这两种人工智能系统都学会了下棋，但教授它们的方式以及它们如何比赛，则大相径庭。

“深蓝”的核心评估函数对给定盘面进行数字“排序”，而且函数是手工设计的。这种比赛风格，实际上是一种“蛮力”。“深蓝”将其评估函数应用到许多备选的未来状态，对每个棋手预先搜索七八步，以2亿次/秒的速度进行局面评估。

AlphaGo的学习方法则迥然不同。它通过一种双管齐下的深度学习方法“学习”，用“价值网络”评估局面，用“策略网络”选择走棋。

深度学习神经网络的训练，一部分通过使用人类高手对弈数据集的监督学习进行(总出棋数约为3000万步)，另一部分通过对自我对弈非监督强化学习进行(模拟成千上万场随机比赛)。它不使用预测搜索，走棋是单个“围棋局面”整体评估的结果。

2017年5月，AlphaGo的升级版AlphaGo Zero，与世界排名第一的围棋冠军柯洁对战，结果以3∶0的总比分完胜。

令人震惊的是，AlphaGo Zero一开始并没接触过人类棋谱。它使用了新的强化学习方法，从单一神经网络开始，通过神经网络强大的搜索算法，进行自我对弈训练。随着自我对弈次数的增加，神经网络逐渐调整，提升预测下一步的能力，最终成为具备超强棋力的“选手”。更为厉害的是，随着训练的深入，AlphaGo Zero还独立发现了游戏规则，走出了新策略，为围棋这项古老游戏带来了新见解。

目前，深度学习在许多领域取得了技术性突破，并展示了极佳效果。然而，它仍存在一些局限：理论研究缺乏、无监督学习能力弱、缺少逻辑推理和记忆能力等。

深度学习对未来社会发展具有重要意义，需要不断深入研究，从多方向多角度更全面地开发深度学习的潜在价值。面对复杂的战场，以深度学习为代表的人工智能技术也已逐步渗透到军事领域，深刻影响着人类战争。

可以推断，未来作为“左右互搏术”的深度学习，必将继续升级演化，开启更高深的境界。

免责声明：本文来自解放军报，我们非常尊重原作者的著作权，如涉及版权问题，请及时联系本公众号小编，谢谢！