人工智能的另一个小进步人工智能时代是信息时代的延续和重生。今天，在这一领域的每一个小进步都将积累起来，直到为我们打开一个伟大时代的大门。当人类出生时，已经产生并分化了近1000亿个大脑神经元，它们处于适当的位置，等待建立神经网络。此时，神经元没有很多突触，并且它们之间没有太多的联系。新生儿中神经元的数量不到成人的三分之一。在婴幼儿的生长发育过程中，神经元迅速从突触中伸出并彼此建立非常复杂的联系。连接的神经元可以传输电和化学信号。当它们接近三年时，突触的数量达到了顶峰。小时数是成人的两倍。此时间段也是人类学习和认知的最快时间段。此时必须建立我们的基本生存技能，例如语言，图像识别和分类以及运动。在接下来的时间里，大脑不断优化和修剪神经元的链接，以使信息处理更加有效。在建立神经网络的过程中，链接的建立是随机的，但修剪不是随机的，并且大脑会根据外部信息和反馈不断地完成连接。所得的神经网络很复杂，可以有效地处理数据。即使在相同环境中长大的同卵双胞胎也将拥有两个完全不同的大脑。模仿由生物神经系统建立的神经计算网络，其基本原理是逐层处理和过滤信息。每层的基本操作非常简单。完成矩阵运算只不过是加法和乘法运算，而是运算中的各种参数因子是未知数，神经网络只能通过大量数据自行学习。学习过程与儿童学习识别图像的过程相同。输入大量各种形式的图像数据，并校正最终输出。一旦发现输出错误，只需返回并尝试新的参数设置，直到找到组合所需的输出。因此，神经网络仅关注于“可解决的”网络。问题，并且不强调“最佳解决方案”。每次解决并处理问题时，都可以进一步优化网络参数，使网络适应更复杂的数据输入。直到2016年，谷歌的Deepmind团队的AlphaGo击败了职业九人单兵李世石，直到2016年，它才引起了全世界对人工神经网络的关注。这是一次完全的胜利。 AlphaGo的开发人员不了解Go，因此没人能像AlphaGo程序中的天堂书那样阅读各种参数。 AlphaGo通过独自学习Go达到了击败人类的能力。原始的AlphaGo使用CPU + GPU作为计算单元。随着计算量的增加，GPU毕竟不是为神经网络计算而设计的。为了提高效率，Google自行设计了计算单元TPU。 TPU是针对深度学习框架TensorFlow定制的。使用TPU的AlphaGo改进得更快。一台机器中只有4个TPU在随后的游戏中压倒了所有顶级人类玩家。