大家都不認可時，你為什麼不放棄？

因為我堅信其他人都錯了。

好一個“錯的不是我，而是整個世界”，這種中二的回答換到平時一定只是個笑話。但是這句經典語錄出自深度學習之父——Geoffrey Hinton

Hinton 堅信人工智能應該是像人類一樣可以思考和學習。而人工智能的實現就是要模仿人腦功能，通過人工神經網絡來實現高維數據，如圖像、語音的輸入、輸出和建模。

對於身處當下的人們而言，這是毋庸置疑的。但是在1990 年代，這種想法簡直就是天方夜譚。那時候的算力、存儲和數據量根本無法支撐一個構建類似人腦的智能係統。人們普遍認為Hinton 瘋了，即便沒有瘋，也一定有另外的陰謀。

做正確的事情不難，難的是堅持做正確的事情。因為正確與否的驗證往往不是立刻被證實的，有時候需要等上幾年，甚至幾十年的時間。而Hinton 堅持人工神經網絡的觀點被質疑甚至嘲笑了三十幾年。

隨著計算機科學的發展，算力逐漸能夠支撐起龐大的數據計算。終於在2012 年，Hinton 帶隊參加ImageNet ILSVRC 挑戰賽，他們的研究成果Alexnet 在圖像識別任務上，以低於第二名10% 的錯誤率獲勝。這個比賽是計算機視覺領域的頂級比賽之一，這次完美的獲勝讓人工神經網絡、深度學習的概念開始走入人們的視野。而Hinton 也從一個一無是處的老頭，逐漸走上了神壇。這個世界總算跟上了Hinton 的腳步。

為什麼Hinton 能夠打破時代技術條件的限制，堅持自己的方向呢？

偉大的科學家往往擁有大膽的想像，不折不扣的信念。他們是真正的世界邊界拓荒者。

Hinton 認為深度學習可以以無監督的方式從數據中學習，這意味著它可以識別數據中隱藏的模式和關係，而不需要明確的標籤或指導。這對於處理圖像、音頻和自然語言等複雜的高維數據尤為重要，這些數據很難甚至不可能手動標記所有相關特徵。

另一方面，深度學習可以表示具有大量參數的複雜函數，這使其能夠對輸入和輸出之間的複雜關係進行建模。這對於圖像和語音識別等任務尤為重要。

如今深度學習已經成為人工智能的核心，並在開啟一個偉大的智能時代。