1.3　人工智能再次爆发的原因

2000年以来，得益于互联网、社交媒体、移动设备和传感器的普及，全球产生及存储的数据量急速剧增。根据IDC报告显示，在过去几年，全球的数据量以每年58%的速度增长，在未来这个速度将会更快，2020年全球数据总量预计将超过40ZB（相当于4万亿GB），这一数据量是2011年的22倍。与之前相比，现阶段数据包含的信息量越来越大、维度也越来越多，从简单的文本、图像、声音等富媒体数据，逐渐过渡到动作、姿态、轨迹等人类行为数据，再到地理位置、天气、社会群体行为等环境数据。这些规模更大、类型更丰富的数据直接提升了人工智能的算法模型效果。

而在另一方面，运算力的提升也起到了明显效果。CPU虽然擅长处理和控制复杂流程，但不适合用在计算量巨大的机器学习上。研究人员为此研究出擅长并行计算的GPU，以及拥有良好的运行能效比、更适合深度学习模型的FPGA和ASIC；Google的TPU、百度的昆仑等AI芯片的出现显著提高了数据的处理速度，尤其是在处理海量数据时明显优于传统芯片，同时芯片的功耗比也越来越高。

最后，2006年杰弗里·辛顿（Geoffrey Hinton）提出的深度学习算法为后续各种人工智能算法模型奠定了良好基础。同时，Google、微软、Facebook和百度等公司不断将研究成果转换成简单易学的工程并开源给全球开发者，让每位开发者都能参与到这次AI浪潮当中，加快整个人工智能前进的步伐。总的来说，这次人工智能浪潮的涨起，数据、运算力和算法模型的爆发增长功不可没，尤其是数据的规模和丰富度，它对人工智能算法的训练尤其重要。