● 计算力提升突破瓶颈
以GPU为代表的新一代计算芯片提供了更强大的计算力，使得运算更快。同时，在集群上实现的分布式计算帮助AI模型可以在更大的数据集上快速运行。
● 机器学习算法取得重大突破
以多层神经网络模型为基础的算法，使得机器学习算法在图像识别等领域的准确性取得了飞跃性的提高。
● 物联网和大数据技术为AI技术的发展提供了关键要素
物联网为AI的感知层提供了基础设施环境，同时带来了全面的海量训练数据。大数据技术为海量数据在存储、清洗、整合方面提供了技术保障，帮助提升了深度学习算法的性能。
1.2 AI技术的成熟度
顾名思义，AI就是能够让机器做一些之前只有“人”才做得好的事情。主要集中在这几个领域：视觉识别（看）、自然语言理解（听）、机器人（动）、机器学习（自我学习能力）等。在技术层面，AI分为感知、认知、执行三个层次。感知技术包括机器视觉、语音识别等各类应用人工智能技术获取外部信息的技术，认知技术包括机器学习技术，执行技术包括人工智能与机器人结合的硬件技术以及智能芯片的计算技术。这些领域目前还比较散，它们正在交叉发展，走向统一的过程中。
很自然地，我们会在同一个任务上将AI系统和人类的表现进行比较。在某些任务中，计算机比人类要优秀得多，例如，70年代的小计算器就可以比人类更好地完成算术运算。但是，AI系统在处理诸如回答问题、医学诊断等更通用的任务时更加困难。AI系统的任务往往是在非常窄的背景下进行的，这样能在特定的问题或应用上取得进展。虽然机器在特定的任务上表现出卓越的性能，但是有时任务稍微有所改动，系统性能就会大大降低。
1.2.1 视觉识别
以图像识别和人脸识别为代表的感知技术已经走向了应用市场，特别是在交通、医疗、工业、农业、金融、商业等领域，带动了一批新业态、新模式、新产品的突破式发展，带来了深刻的产业变革。2017年9月，苹果公司发布的最新产品iPhoneX包含FaceID、无线充电、自创芯片 A11 Bionic等最新的 AI技术。苹果的FaceID技术有人脸验证功能。iPhone X顶部的“刘海”部分集成了实现FaceID功能的器件，包括红外镜头、泛光感应元件、点阵投影器和普通摄像头。从原理上讲，当红外摄像头发现一张面孔时，点阵投影器会闪射出3万个光点，接着红外摄像头会捕捉这些光点的反馈，从而采集一张人脸的3D数据模型，并与A11Bionic芯片中存储的模型进行比对。如果互相匹配，就可以解锁了，iPhoneX随即被唤醒。为了更加精确地进行面部识别，苹果开发了一个神经引擎，用神经网络处理图像和点阵模式，并邀请好莱坞特效面具公司制作面具来训练神经网络，以保证安全性。TheVerge（美国科技媒体网站)曾借用了一台具有夜视功能的摄像机，成功拍摄到这些肉眼不可见的红外光点，可以看到这3万个光点非常密集，不只是投射至人脸，连衣服上也有，视觉效果极其震撼。
人工智能与大数据技术导论
4