如果说一般人对于人工智能这一“物种”有什么深刻记忆的话，大概有两件事。一件是1997年，IBM的“深蓝”战胜了国际象棋大师卡斯帕罗夫。另一件是2016年3月，谷歌的AlphaGo与围棋世界冠军李世石进行人机大战，结果以4比1的总比分获胜。之前，很多人曾认为计算机并不能掌握围棋的复杂规则。

次年5月，在中国乌镇围棋峰会上，AlphaGo的升级版AlphaGoZero与排名世界第一的世界围棋冠军柯洁对战，以3比0的总比分完胜。

令人震惊的是，AlphaGoZero一开始就没有接触过人类棋谱。它使用了新的强化学习方法，只是从单一神经网络开始，通过神经网络强大的搜索算法，进行自我对弈训练。随着自我对弈的增加，神经网络逐渐调整，提升预测下一步的能力，最终成为具备超强棋力的“选手”。

更为厉害的是，随着训练的深入，阿尔法围棋团队发现，AlphaGoZero还独立发现了游戏规则，并走出了新策略，为围棋这项古老游戏带来了新的见解。

曾经，人工智能在人们心目中的形象大多停留在《星球大战》等科幻片中，但AlphaGo的面世，让人们真正意识到，人工智能真的来了。

但是，人工智能究竟是如何走到现在的，它进化的路线究竟是什么样，同时它将走向什么方向？很多人可能并不了解。

特伦斯·谢诺夫斯基作为深度学习领域的先驱及奠基者，来回答这一问题，是最合适不过了。他所写的《深度学习》一书，可以看作是人工智能的发展简史。

这不是一本讲技术的书，而是一本故事书，它不是写给程序员看的，而是写给大众看的。

著名作家尤瓦尔·赫拉利在《今日简史》中写道，人们普遍认为，机器学习将改变几乎所有的工作，从制作酸奶到教授瑜伽都无法幸免。我们有充分的理由相信这次情况不同，机器将会真正让整个情况彻底改变。

可能有人对此并无明晰的观感，那么，我们可以看几个例子。比如贷款审核员，他们评估借款人的信用好坏，是通过分析对方的面部表情、声调、手部动作甚至体味来识别生化模式。而人工智能只要搭配适当的传感器，绝对可能把这些工作做得比人类更精确可靠。比如现在的测谎仪，在测谎方面就已经超过了大多数人，不是吗？

所以，尤瓦尔·赫拉利指出，在过去几十年中，在神经科学和行为经济学等领域的研究，让科学家能够“破解”人类，更清楚地了解人类究竟是如何做出各种决定的。事实证明，我们从选择食物到选择伴侣，都不是出于什么神秘难解的自由意志，而是数十亿神经元在瞬间计算各种可能性的结果。过去大受赞赏的“人类直觉”，其实只是“辨识模式”罢了。

而谢诺夫斯基正是推动神经网络学习的先驱。或许是冥冥之意，他出生的上世纪五十年代，正是人工智能的萌芽期，深度学习革命的种子，正在那时开始播下。

但由于受计算机能力的限制，人工智能发展缓慢。而马文·明斯基和西摩尔·帕特普出版的《感知器》一书，则让人工智能在上世纪70年代陷入深寒，“寸草不生”。《感知器》一书的观点是：感知器学习算法并不能扩展到多层感知器。

谢诺夫斯基回忆说，“这种毫无根据的‘直觉’（除此之外，这倒是一本好书）对神经网络学习的发展产生了令人不寒而栗的影响，让一代人的研究就此停滞不前。”

好在出身生物学的谢诺夫斯基，对神经网络抱有坚定的信心，并幸运地遇到了他的搭档杰弗里·辛顿。两人在此领域坚持了下来，一干就是几十年。

谢诺夫斯基和辛顿合作研究出了一种新型神经网络模型，叫“玻尔兹曼机”，打破了阻碍一代人研究多层网络模式的僵局，证明了基于大脑式计算的全新方法是可行的，最终为深度学习的发展奠定了基础。而且，谢诺夫斯基还有机会怼一下学术上的“宿敌”。2006年，在达特茅斯人工智能会议“AI@50”的晚宴上，他问明斯基：“神经网络社区有一种看法：你是上世纪70年代需要为神经网络萧条负责的魔鬼。你是魔鬼吗？”明斯基犹豫了片刻，然后喊道：“是的，我是魔鬼！”

我们都能想象谢诺夫斯基写这一章节时的得意。

但深度学习是数据密集型的，在当时的计算机条件下，人工智能无法取得重大突破。直到30年之后，计算机开始变得足够快，同时也可以获得大量可利用的数据，这让深度学习实现了重大突破，并且在当前的人工智能领域占据主导地位。

谢诺夫斯基总结说，神经网络学习的重大突破每30年就会发生一次。这三个节点分别为：上世纪50年代引入感知器；上世纪80年代学习多层感知器算法；2010年开始兴起的深度学习。

谢诺夫斯基认为，深度学习将对社会和个人生活产生深远的影响，但你无需担心谁将接管你的工作。就像工业革命时期蒸汽机放大了物理能力一样，人工智能也会放大人类的认知能力，人工智能会让你更聪明。

但他也承认，预测未来很难。

而瓦尔·赫拉利则大胆地进行了一些预测。他说，2050年的就业市场，很可能是人类与人工智能的合作，而非竞争。虽然“深蓝”击败了卡斯帕罗夫，但人类并没有停止下棋。相反，在人工智能的协助下，人类的国际象棋大师水平比过去更高。所以很有可能，人工智能也能如法炮制，协助培养出历史上最优秀的侦探、银行经理和军人。

不过，令人悲观的一面是，这些新工作可能需求高水平的专业知识，因此无法解决“无技能者”的就业问题。新的无用阶层可能会日益庞大，一方面许多人找不到工作，另一方面也有许多雇主找不到有技能的雇员。

“这有点像19世纪汽车取代马车时的情景──当时有许多马车夫转行当出租车司机。只是，我们可能不是那些马车夫，而是被淘汰的马。”瓦尔·赫拉利说。