**AI的三大支柱：神经网络、大数据与GPU盘算的崛起之路**

每周跟踪AI热门消息动向和震撼发展 想要探索天生式人工智能的前沿盼望吗？订阅我们的简报，深入剖析最新的技能突破、实际应用案例和将来的趋势。与举世数偕行一同，从行业内部的深度分析和实用指南中受益。不要错过这个机会，成为AI范畴的领跑者。点击订阅，与将来偕行！ 订阅：https://rengongzhineng.io/

在普林斯顿攻读盘算机科学研究生的第一个学期，我选修了COS 402课程：人工智能。在学期靠近尾声时，有一节课讨论了神经网络。这是在2008年秋季，那堂课和讲义都给我留下了深刻印象，似乎神经网络已经酿成了一个“无人问津”的范畴。
神经网络在20世纪80年代末和90年代初取得了一些令人瞩目标效果，但厥后盼望停滞。到2008年，很多研究职员已经转向了支持向量机等更具数学美感的方法。
当时我并不知道，就在我听课的同一栋盘算机科学大楼里，普林斯顿的一个团队正在开展一个即将颠覆这一传统观点的项目。该团队由李飞飞教授向导，他们的目标并不是改进神经网络，究竟上，他们险些没有思量神经网络，而是致力于创建一个弘大于以往的图像数据集：1400万张图像，每张都标注了约2.2万个种别之一。
李飞飞教授在她的回想录《我所见的天下》中陈诉了ImageNet的故事。她在2007年开展该项目时，面临了很多朋侪和同事的质疑。
“我以为你这个想法走得太远了，”一位导师在2007年对她说，“关键是要跟随范畴的发展，而不是超前太多。”
不光仅是由于创建云云巨大的数据集在后勤上是个巨大寻衅，人们还猜疑当时的呆板学习算法是否能从云云大量的图像中获益。
“ImageNet之前，人们根本不信托数据的代价，”李在盘算机汗青博物馆的采访中说道，“当时全部人都在研究完全差别的AI范式，数据量少少。”
只管有负面反馈，李