我感覺是好多因素綜合起來水到渠成的事。

第一，2006年hinton把原本不被看好的ann（基于統(tǒng)計(jì)模型的貝葉斯學(xué)派當(dāng)時(shí)是主流）提升到dnn（所謂深度學(xué)習(xí)），在論文中解決了訓(xùn)練速度和梯度彌散問題，使得升級(jí)后的dnn重獲新生。接著大量論文和不同類型的dnn結(jié)構(gòu)在不同領(lǐng)域應(yīng)用，都取得了成功。

第二，大數(shù)據(jù)和gpu的發(fā)展為dnn的普及提供了彈藥。如果僅僅是科研上的流行，其實(shí)還不足以引爆ai革命。但經(jīng)過幾十年的發(fā)展，互聯(lián)網(wǎng)上已經(jīng)積累了大量的圖像、語音、視頻和文本以及用戶行為數(shù)據(jù)，可以說大數(shù)據(jù)為dnn提供了充足的語料作為彈藥。而gpu則從硬件上緩解了大數(shù)據(jù)下dnn訓(xùn)練的速度問題，使大數(shù)據(jù)上的dnn訓(xùn)練變得可行。

第三，硬件、理論和數(shù)據(jù)都具備的情況下，人才和資金開始自然而然的匯聚在這一領(lǐng)域，成果越來越豐富。rnn、cnn、lstm、attention model、gan越來越多的dnn模型為ai注入了更強(qiáng)大的能力。計(jì)算機(jī)除了識(shí)別圖像、語音外，開始有了初步的譜曲、作詩、下圍棋、繪畫診斷癌癥等五花八門的能力……在此情況下，投資和產(chǎn)業(yè)界也可以心潮澎湃起來，再一次推高了ai的熱度。大公司加大投入和人才儲(chǔ)備，若干國家的政府也為之調(diào)整了產(chǎn)業(yè)政策，一些初級(jí)形態(tài)的大眾消費(fèi)類的ai產(chǎn)品也開始問世。ai變成最有希望大幅度進(jìn)一步解放現(xiàn)代化國家的生產(chǎn)力（同時(shí)影響工業(yè)、農(nóng)業(yè)和服務(wù)業(yè)）的革命性技術(shù)。

第四，伴隨ai的熱度提升，生物神經(jīng)科學(xué)的科研也借勢(shì)取得不少突破，尤其是在中樞神經(jīng)系統(tǒng)的探測(cè)手段上有重大突破。人類在未來了解更多大腦工作原理的奧秘后，通過仿生和借鑒，是有將ai推高到強(qiáng)人工智能乃至全面超越生物智能的潛力的。這實(shí)際上進(jìn)一步推高了大家對(duì)AI前景的預(yù)期。