1.2.4 大数据驱动人工智能发展（2011年至今）

随着大数据、云计算、物联网等信息技术的发展及深度学习的提出，人工智能在算法、算力和算料（数据）等“三算”方面取得了重要突破，直接支撑了图像分类、语音识别、知识问答、人机对弈、无人驾驶等复杂应用，人工智能进入以深度学习为代表的大数据驱动人工智能发展期。

2006年，针对BP学习算法训练过程存在严重的梯度扩散现象、局部最优和计算量大等问题，深度学习创始人、图灵奖得主杰弗里·辛顿等根据生物学的重要发现，提出了著名的深度学习方法。深度学习解决了很多人工智能界遗留已久的问题，能够被用于科学、商业和政府等领域，目前已经在博弈、主题分类、图像识别、人脸识别、机器翻译、语音识别、自动问答、情感分析等领域取得了突出的成果。

深度学习理论近年来不断取得重大进展。针对广泛应用的卷积神经网络训练数据需求大、环境适应能力弱、可解释性差、数据分享难等不足，2017年10月，辛顿等进一步提出了胶囊网络概念。胶囊网络的工作机理比卷积神经网络更接近人脑的工作方式，能够发现高维数据中的复杂结构。2019年，英国牛津大学博士生亚当·R.科西雷克等提出堆叠胶囊自动编码器（Stacked Capsule Auto Encoders, SCAE），辛顿称赞它是一种非常好的胶囊网络新版本。

人工智能大体可分为专用人工智能和通用人工智能。目前的人工智能主要是面向特定任务（如下围棋）的专用人工智能，处理的任务需求明确、应用边界清晰、领域如识丰富，在局部智能水平的单项测试中往往能够超越人类智能。例如，“阿尔法围棋”（AlphaGo）在围棋比赛中战胜人类冠军，人工智能程序在大规模图像识别和人脸识别中达到了超越人类的水平，人工智能系统识别医学图片等达到专业医生水平。

相对专用人工智能技术的发展，通用人工智能尚处于起步阶段。事实上，人的大脑是一个通用智能系统，可处理视觉、听觉、判断、推理、学习、思考、规划、设计等各类问题。人工智能的发展方向应该是从专用智能转向通用智能。

目前，全球产业界已经充分认识到人工智能技术引领新一轮产业变革的重大意义，纷纷把人工智能技术作为高技术产品的引擎，积极占领人工智能产业发展的战略高地。大量的人工智能应用促进了对人工智能理论的深入研究。