全球數據量正在呈現指數級增長：根據國際數據公司IDC統計，2014年全球數據總量為8ZB，預計2020年達到44ZB；而智能手機的普及將更多的個體行為數據轉移到線上得以記錄，使得數據更加多維立體。
機器處理數據的能力和速度持續提升：二十年前的一個機器人使用32個CPU，達到120MHz的速度，現在的人工智能系統使用成百上千個GPU，比之過去用CPU一個月才能出結果，現在用GPU可以一天就出結果，為機器學習和智能技術的發展創造了條件。
深度學習算法已經達到技術頂峰期：企業中的巨頭如谷歌、蘋果、微軟、臉譜網和百度正在增加其針對深度學習的研發份額，蘋果的Siri、谷歌的谷歌Now、微軟的Cortana和亞馬遜的Alexa的身後都有深度學習的身影。硬件製造商正在加緊交付新的、深層的神經網絡訓練的高性能算法（深度神經網絡算法，DNNs）。未來在科學數據平臺上，深度學習的功能將變得更容易獲得，估計到2018年，80%的數據科學家的標配是深度學習。以人臉識別為例，在2013年深度學習應用到人臉識別之前，各種方法的識別成功率只有不到93%，低於人眼的識別率95%。而隨著深度學習算法的更新，人臉識別的成功率提升到了97%，為人臉識別的應用奠定了商業化基礎。
分享到:
閱讀更多 明月九品 的文章
