深度学习革命

花了 10 个小时，终于把这本“技术史大片”看完。顺便整理了一些彩蛋，书评最后补充一些不局限于此书视角之外的见解（拒绝情绪消费），送给还没翻开书的各位。 1. 人物八卦 辛顿：反向传播之父，学术家族出身，图灵奖和诺奖获得者，当年带着算法四处碰壁，经费申请被拒到怀疑人生，只能跑去加拿大“隐居”。 杨立昆：拿着卷积网络去给银行演示支票识别，被当场吐槽“不实用”。但二十年后，他成了 Meta 的首席科学家，如今扎克伯格等人为公司抢ai人才，开的年薪都是以亿为单位。 琼安·辛顿: 辛顿的堂姐，一代传奇人物，诺贝尔物理学奖获得者费米的关门弟子，杨振宁的同学，23 岁就拿到了军方 Q 级安全许可。她同奥本海默一样，在原子弹第一次用于战争后对科学感到失望和悲哀（这一点可以去看看诺兰的电影《奥本海默》），然后被《红星照耀中国》一书中所描绘的革命圣地延安吸引，恰好击中她对“科技向善”的最后执念。于是1948 年，她顶着家人、军方、舆论的三重阻拦，把实验室从美国城市搬到黄土高原的窑洞，研究方向也换成奶牛育种。并于80 年代拿下农业部科技进步一等奖——被戏称为“用核物理思路养牛的人”。后来在冷战最紧张的时候，美国国务院三次派人劝她“回祖国”，甚至承诺恢复 Q 级安全级别、补发 20 年退休金。她只回一句话：“我的实验室在牛棚，不在五角大楼。”她终身拒绝美国绿卡，同时也是中国绿卡第一人。 2. 技术转折点 2012 年 ImageNet 大赛，辛顿团队的 GPU 差点把机房点着，结果把 top-5 错误率从 26% 打到 15%，正式拉开“深度学习元年”大幕。 2017 年 Transformer 论文被 NIPS 审稿人吐槽“太简单”，结果从 GPT-1 到 GPT-4 一路狂飙，审稿人集体“真香”。 3. 资本与伦理 OpenAI 早期靠埃隆·马斯克 1 亿美元天使轮续命。后来老马退出，萨姆·奥尔特曼把公司从非营利改成“利润上限”，open变成了close，直接引爆今年的“宫斗”。 DeepMind 为训练 AlphaFold，把剑桥机房的风冷改成水冷，一年电费够一个小国用，结果破解 2 亿条蛋白质结构，药企股价一夜涨 10%。 4. 本土副本 2016 年 AlphaGo 对战李世石，柯洁发微博：“就算阿尔法狗赢了，它也不会哭。”一年后乌镇人机大战，柯洁现场落泪，全网直播 3 亿人围观。 字节跳动 2018 年用 Transformer 做推荐，把日活拉到 6 亿；同期百度忙着“All in AI”，却错过短视频窗口。 5. 未来 当下大模型训练数据逐渐耗尽，进入瓶颈状态。而多模态、合成数据、机器人真实世界交互，可能是下一轮“革命”导火索。 6.最后给点儿局外人视角： 其实这本书也不是很适合人工智能纯小白或者说科研纯小白读者去看，不然就像评论区的某些人一样完全站在深度学习领域的学者那一方对传统学者的反对充满讥讽，认为自己更能看清了事物发展的真相，实则不知自己是在岁月史书和情绪消费。毕竟深度学习的可解释性在数学和统计学上来讲确实比较差，手工特征、可显式推导、消融分析这些在当时的神经网络相关研究论文里面根本就没有，同时也很难复现，而这些要素对于任何一个工程科学来说都是硬通货。所以当时从遵从科学思维上来说确实可以认为神经网络根本不可信。 在早期在缺乏理论保证的情况下，把工业级系统押宝在深度网络上就是“高风险赌博”，历史上一般要是没有“保守派”用严格标准把灵感甚至奇迹翻译成可重复、可解释、可证伪的知识，那么前者往往都是昙花一现。若没有那几年的严苛质疑，也就不会有后来既强大又相对可控的深度学习生态。每次遇到别人和自己有不同意见时，就应该去找对方合理性的缘由，如果把任何一方脸谱化、标签化，都会遮蔽真正值得学习的东西。

本书叙述是人工智能神经网络的发展历程，时间线从上世纪60年代“感知机”开始讲起，一直到2020年（所以，ChatGPT发布后爆炸式的发展并未涵盖）。本书源于作者作为《连线》杂志和《纽约时报》报道人工智能的8年间对400多人的采访，以及100多次的专访编撰而成，阅读群体面向大众（所以技术门槛不高），叙事主线清晰，书中含有大量的人工智能大佬的观点和动向，值得一读。我读本书和《AI 3.0》一起阅读完成，两本书比较类似，都是叙述人工智能科技史，但本书重叙事而轻技术，而《AI 3.0》这本书是边叙事边讲技术。 为什么读人工智能历史？我认为单纯学技术是学习WHAT，HOW的问题，而读历史则是思考WHY的问题。神经网络的概念20世纪50年代就已产生，但在其后50多年时间里，人们并不相信这项理论能有什么应用前景，直至最近10年的人工智能浪潮大发展。读这些历史才能明白： ✅ 1. 基础科学理论非常重要，但是它的重要性会滞后体现。（“神经网络的概念可以追溯到20世纪50年代，但是早期的开拓者从未让这项技术像他们希望的那样工作。到了21世纪，大多数研究人员都放弃了这项技术，认为这是一条技术上的死胡同，并对研究人员在过去50年间试图让数学系统以某种方式模仿人类大脑的自负探索感到困惑。”） ✅ 2. 在漫长的“无成果期”，总有些“疯子”还在一如既往的坚持，最后也是这些“疯子”最终改变了世界。向辛顿这样的在漫漫长夜里依然砥砺前行的科技先驱者致敬🫡 ✅ 3. 伟大的科学发现都是来源于“直觉+信仰+偶然”，而非“理性+实验+计划”。前者为后者提供了方向，而后者为前者提供了验证方法。所以，“科技孵化土壤”不在于规划有多好，关键在于能容纳不同意见，尊重人才，有成熟的投融资体制等。 ✅ 4. 开放和连接对于科技发展极为重要，具体表现在人才，数据等关键科研要素的自由流动和开放。 人类学习和认知复杂事物之所以可能，是因为几百万年（甚至更久）的漫长时间里，我们的祖先进化出了具备如此“学习能力和容量”的大脑。机器学习大概也是同一个道理，只不过它的演化速度远远超出人脑，也许不久的将来，在很多领域的智能将会超过人脑。DeepMind和OpenAI这种公司的目标就是不遗余力的实现通用人工智能，并以极快的速度进化。“一旦超级智能到来，人类如何与它共存？”变成了人类是“超越”还是“毁灭”的重大问题。对此，马斯克给出的答案是这需要大脑和机器之间的直接联系（脑机接口），如此一来人工智能变成了大脑的“自然延伸”，而不是“终结者”。 “对人工智能发展是否有信心”这个问题说到底是“对人类自身是否有信心”，相信人类可以战胜自身的贪婪和恐惧，相信人类可以再次有效“制造和使用工具”突破自身的生物脑的智能局限，迎来全新的时代。对此，我们真的相信吗？（另外一本哲学论文集《人工智能的神话或悲歌》供参考） 我们这个时代的宿命就是，一切皆有可能。拥抱变化，拭目以待吧。

这本书多次提到了不少中国人与华人名字，有个是我们客户地平线的创始人余凯，他发起了对于Hinton公司的收购，当时代表百度，还有吴恩达，陆奇，邓力，李飞飞等。这也不难理解为何本轮ai里，美国后面是中国。 目前法国也有不错的人工智能公司，因为杨立昆应该是法国人，Hinton跟他交流的时候，最开始的时候，他们一个人是讲英语，一个人讲法语的。Hinton当时还专门飞到法国去见他。 Hinton竟然做过一年木匠，全职，不可思议。且最近十多年不能坐，只能站与躺。2024年获得诺贝尔物理学奖。真的是respect！ --- 坐了多年冷板凳。 同时，核心β圈子是很窄的，包括Hinton搬家也是，要处于beta的核心圈子。 --- 书里还提到，Hinton家族是科学家家族，父亲是英国皇家科学院院士（没记错的话）。余凯父亲是汽车工程师。吴恩达父亲是香港医生。陆奇来自中国农村，父母WG受到迫害，被送到江苏农村爷爷家养。李飞飞家里也受到过WG迫害，初中后全家移民北美，父亲先去美国两年后接到的李飞飞与母亲，在美国生活很艰难，母亲眼睛不好还做手工，家里开洗衣店等。 就家庭而言，努力大多时候，是持续多代人的。有时候遗留的不是经济条件，而是多代人奋斗的意识与见识。我读了不少书后发现中国很多能自己出传记的书的作者，小时候穷，多是被下乡，或家里被迫害使然，失去了经济条件，但见识是被夺不走的，这样的家庭家族，春风再来时，会抓住的更快。这里家庭的父母祖辈，即使再困难，也过的有精气神，我还想到了武则天的父亲被贬时也有这个特质。 也提醒我们，世界没有躺平，最难的日子里，也好好生活，提高自己的见识认知，自己这代即使用不上，但这会影响下一代的发展的。 写于成都周日早上

🤔目前，最热的技术是什么？毫无疑问：人工智能。那么，世界范围内主要的人工智能玩家有哪些？哪家公司在这场脑力与毅力的角逐中脱颖而出？人工智能还会经历第三次寒冬吗？中信新书《深度学习革命》有很多有趣的答案。 ☑️本书源于作者为《连线》和《纽约时报》报道人工智能8年时间里，对400多人的采访，以及专为本书进行的100多次采访。本书重点不是介绍技术，而是人工智能背后参与者、支持者们的故事。因此，很鲜活，生活细节丰富。以前在互联网上、新闻上才能看到的科学家、资本巨鳄的名字还原到日常生活中来，变得有血有肉。 📚书中罗列了人工智能的发展时间线，时间跨度为1960——2020年，中间涉及30个重要节点年份及发生的重大事件。 🌏世界范围内为人工智能研究和作出重大贡献的参与者有哪些？谷歌、DeepMind、Facebook、微软、OpenAL、百度、英伟达、Clarrifai、奇点峰会等。 🔮人工智能背后的人们和故事：《辛顿与人工智能的第一次寒冬》《DeepMind的野心与谷歌的收购》《人机争夺战：Facebook VS谷歌》《神经网络的扩张：新药研发技术》《谷歌的傲慢》《武器化》《被低估的人类》…… 🤔“深度学习之父”的辛顿竟然是无法坐下的人。由于幼年受伤导致无法坐下，身体状况让他每天都承受煎熬，然而，他和他的学生却改变了机器看待世界的方式。百度、谷歌、微软、DeepMind曾经在美国加州进行了一次秘密竞拍，最终谷歌从4家竞拍公司胜出，以4400万美元的价格收购了辛顿和他两名学生组成的研究团队，从此拉开了全球高科技公司人才竞争的序幕。 👌DeepMind推出了震惊世界的阿尔法围棋，用强化学习技术发现了50年来最快的矩阵乘法算法。 💎在Facebook成为世界上最强大的公司之一后，扎克伯格下定决定加入人工智能领域竞争。 🎗超级智能，潜伏在未来的危险。马斯克一直认为，人工智能的进步实在太快了，这些技术可以在任何人意识到发生了什么之前，从无害跨越到危险的境地。 🌈2019年3月27日，有“深度学习三巨头”之称Yoshua Bengio、杨立坤、杰夫·辛顿共同获得了图灵奖。在颁奖现场发言时，杨立坤被问及超级智能的威胁，他说，这在短期内没有太大意义但如果你要着眼于未来，这是一个完全合理的担忧。

读完很久了，第一次有遇到想推荐，又不知道说啥好的情况。 有一次和一个认识不久的人聊天，她说我适合搞科研，我当时很震惊，科研这个词对我来说很抽象，我想象不出来具体做什么，读完这本书，我确实遗憾自己对科研不够了解，要不真会把这个当成梦想去追求。辛顿也在科研之外待过，所以我也可以随时开始，和deepseek聊天，训练一个专属自己的AI，这可能有点幼稚，但从这本书里可以看到很多事情开始阶段都看起来有些不靠谱，终身保持好奇心，不断学习，和AI一起创造一个前人都没到过的世界。

“2024年，我的打怪升级指南” 首先我自诩是个热爱思考，喜欢独立思考，常常思考的人。 客观上，医生也在体检后和我说，我是个思虑过度的人，要小心用脑，有些时候还是要让自己放松放松，尤其是睡前，还是休息重要一些。所以大学毕业前我常常偏头疼，主要由于神经紧绷， 过急躁，过强的好奇心等。 在这篇文字里，我想整理我今年蜕变（质变）比较大的主客观原因，为我自己的下一次或者说是很多很多次的质变、量变作个理论依据。 为此我不断以自己作为实验对象（主要我也没钱实验别人，本事小了点）。 不断地自我实验，不断记录正反馈和负面反馈，在客观上，拥有更多的样本数据，真实准确的参考标本。 1、允许可能性存在，允许一切发生。 允许不等于认可，不等于尊重，不等于理解。 但我先允许这件事发生，允许任何事情发生。任何事发生，任何东西的可行性，可能性，都只是“允许”。 允许和认可是两码事。 允许是有边界的 ，这个边界是“我认可客观规律本身存在、我理解世界上的很多事情不可人为，或者我不可为。” 举例。 下午和朋友逛超市，我说有些时候我们的行为代表了我们的观念，或者我们默认这件事是有利于我们的，因为人类（动物应该都如此）的本能就是趋利避害的。 所以当一件事不合常理，很有可能只是不合我们自己的道理，不合我们自己认定的道理，而不是因为这东西本身没道理，也不是因为这东西本身没有价值。 但朋友会提出很多的观点，兴许会反驳，兴许会认可，兴许保持中立。但那又有什么所谓呢？ 道理或者说本质，其实在很多时候的交流过程中并不重要，或者说，是相对没那么重要。在我眼中，更重要更重要的，是“允许”。 对的，我允许， 我允许一切发生。 无论对方是正确，错误，不偏不倚。我允许。 听着似乎有点自大，自傲。什么叫你允许？这事情是因为你允许所以发生的么？这事情因为你不允许所以就不存在了么？ 嗯，不是。但我面对任何事情，选择了一个比较淡然的态度，“允许发生”。 2、数学是我的思维模型之一，并且是前三名。 近期由爱使用数学，与数学有关的一切。举例，符号。主要有“＞、＝、≠、＜、∈、不属于；图表。包含和被包含关系图、折线图、表格。 数据精确能让我冷静下来；数据客观能让我更加的理性；数据样本足够多能让我的决策逻辑更为符合规律，符合趋势，有点”洞见“之意味。 尤其是不等式。这个月用的格外多 。 比如。 好用≠贵；贵≠好用；便宜≠不好用；不好用≠便宜；便宜≠好用 发现了么？不等式之间左右是可互换的，当然了如果你愿意玩一下，会发现等式之间也是可以左右互换的。 而当你开始互换，就发现了，原来逆向思维也出现了。你开始逆向思考，你不一定是顺着事物发展顺序 ，顺着阅读顺序思考。 我们常态化的学习和看问题，基本是从开始到结束，很少有人从结束看开始，也很少有人从右往左边去推理事物。 当然了，最省事的方式当然是，按最常态化的方向去做。但逆向的思维，逆向的思考逻辑和习惯，在生活的重要领域， 价值斐然。 因此，多用数字符号，多用精准数字，客观，理性。客观上来说，非常的重要。 不一定要用到高数、奥数去理解生活，但没有符号，没有对数字、数据的敏感度，思考的方向和逻辑，生活确实相对无序（相对懂数学和爱数学的人）。 3、祛魅的前提是拥有，或者拥有过， 感受和体验过。 祛魅，我理解的是祛除光环，祛除滤镜，祛除有色的眼镜。 举个不那么准确的例子，没钱或者穷人，对名牌会很大可能的崇拜，甚至羡慕。由于自己没有拥有过，不理解名牌的底层逻辑，以及受众。 存在很多的认知盲区的前提下，就容易崇拜容易想要， 也容易做出不理性不客观的判断。 但深度接触过名牌啊，享受过，感受过，体验过，得到过；祛魅就容易了许多。 所以祛魅的本质可能是指“接触过真相，了解过真相，知道真相或者大概知道真相”。 总之，祛魅，是认知的提升的过程，是质变和量变发生了变化。而祛魅需要多了解，多探索和搜索相关的东西，因为认知的提升， 周遭也发生了显著的变化。 所以当我不理解一件事，或者我想要崇拜，羡慕ABCD的时候。我就可以试图 靠近真相，试图拥有，试着去体验和得到。 得试。多尝试 ，10次为一个小周期。当然3次也可以。反正要试。菜就多练，试了再试，多多去试。 4、质变和量变的辩证关系，要求我必须客观，并且主动的执行。 客观上我这人特别爱自我较劲，以前过的有些拧巴，因为认知和行动力总是不匹配。想要的特别多， 但认知没有学会拆解，行动也没有学会拆解。 这里的拆解，更多是一分为二的看问题。把一件事，或者ABCD变成两件事，一个简单，一个难。 此处，难易都是相对。 如今，对量变和质变的深入理解。让我要主动地执行，我也就不那么迷茫，因为我知道“接下来应该走向哪，怎么走，怎么走的会更稳”。 量变：事物在数量上的增加或者减小。通过积累和改变数量上的差异来表现 ，是事物量的规定性的变化。 质变：事物在性质、结构、特征上发生了彻底的变化，使之具有全新的品质和特质，是事物质的规定性变化。 由于客观上，计划赶不上变化。所以我会先制定基础计划，在情况发生变化后，允许B、C、D的计划的存在和运行。如果客观没变，最开始的基础量没变的前提，我就会保持原计划。 不变应对万变。如果没人给予我方向，那么能让我往好的方向改变的，那就是适合自己的方向。 质量的辩证关系：1、质变反作用于量变；2、质变和量变相互转化；3、量变为质变提供条件；4、量变是质变的基础。 因此，在今年剩余的9个月里，我会遵循我以上的四个大点，逐一实践，彻头彻尾的改变，需要以上四个大点的理论依据支撑。 写在最后： 我自知我并不完美，我自知我只是个普通人。 但我更知道，变化始于量或者质的变动。 如果我奢求彻头彻尾的变化，那么我必须有彻头彻尾的变化的理念，量，以及质。 那么，加油啦，我也还在升级打怪的路上。如果这篇文字让你有所思考或者触动，点个赞再走啦。

《深度学习革命》是美国作家凯德·梅茨以人工智能领军人物杰夫·辛顿、杨立昆、本希奥等人的科研历程为线索，着重于人工智能研究的人物介绍，以及谷歌、DeepMind、Facebook、微软、OpenAI、百度、英伟达等科技公司介入研究的时间节点及其故事。 从1958年第一台感知机的出现，设计该机的弗兰克·罗森布拉特，从机器识别卡片上的标识开始，利用机器模仿人脑的数学系统，学会了识别技能，他称之为感知机。感知机是最早的神经网络之一。 1960年罗森布拉完成了马克一号，马克一号学会了识别字母，却存在着缺陷，不能识别手写的不规则的字母。但他很有信心，他还试图打造能识别图像及图形之外的领域的机器……遗憾的是他于1971年离世。 人工智能领域的另一位先驱马文·明斯基从另一角度看待这一领域。他出版了一本《感知机》的书，将神经网络定义为走进了死胡同。政府部门将资金转到了“符号人工智能”的概念方面。接下来的10年里，这一概念主导了人工智能研究的方向。 而杰夫·辛顿等人却一直在神经网络方面不懈的努力探索，实现了机器学习及深度学习革命，在50多年后即2012年拍卖给最高报价者（谷歌）的技术的早期化身。在达到4400万美元的价格之前，这项技术在学术上一直默默无闻。 杰夫·辛顿、杨立昆、约书亚·本希奥三巨头领导的研究团队长期坚持，推动神经网络研究突破早期瓶颈，在卷积神经网络，计算机视觉，深度学习理论和序列建模及自然语言处理等投术上做出了重大贡献。 书中提到了很多人工智能领域的先驱、骨干，还有好几个华人：邓力、李飞飞、陆奇、吴恩达、余凯第。 在人工智能风靡全球的当下，我国的人工智能技术及产业也随之进入了高速发展阶段。翻开这本书吧，通俗易懂，有益无害且好看。

浅层学习满足输入，深度学习注重输出。从想法到语言再到文字，即将网状的思维变成树状的结构再变成线性的文字，相当于把思想从气态变成液态再变成固态——那些固态的东西才真正属于自己。毕竟任何知识都不可避免地会损耗，并且这种损耗一直存在，如果不想办法把自己学到的东西固定下来，时间一长，这些知识就会烟消云散，留不下多少痕迹。 有了自己的东西，便一定要教授出去，教授和缝接会相互巩固，形成循环。《暗时间》的作者刘未鹏说：“教”是最好的“学”，如果一件事情你不能讲清楚，十有八九你还没有完全理解。当然，教的最高境界是用最简洁的话让一个外行人明白你讲的东西。 所以，逼迫自己获取高质量的知识以及深度缝接新知识，再用自己的语言或文字教授他人，是为深度学习之道。

于沉寂中破局，于变革中深耕——《深度学习革命》读后感 作为一名Java开发者，日常深耕后端架构搭建、代码迭代优化与工程落地，我始终认为技术的突破离不开坚守与迭代。读完凯德·梅茨的《深度学习革命》，我跳出固有开发视角，读懂了人工智能技术从寒冬走向繁荣的底层逻辑，也对技术深耕、行业迭代与跨界融合有了全新的认知。这本书没有堆砌晦涩的技术公式，而是以纪实视角，记录了深度学习从边缘冷门技术，逆袭为引领全球科技变革核心力量的完整历程。 最让我深受触动的，是深度学习数十年的沉寂与坚守。谁也无法想到，如今重塑各行各业的AI技术，曾两次陷入人工智能寒冬，神经网络研究一度被主流学界摒弃，被认定为没有应用前景的无用方向。以深度学习三巨头为代表的一批科研者，在无人认可、资源匮乏的困境中坚守数十年，持续打磨算法模型、优化底层逻辑。这让我联想到Java技术生态的发展历程，从早期JDK版本的简陋雏形，到如今Java 17、21的高性能、高安全架构，数十年无数开发者迭代深耕，才铸就其跨平台、高稳定的行业地位。任何技术的终极突破，从来不是一蹴而就的风口红利，而是长期主义的沉淀与坚守。 梅茨在书中清晰梳理了深度学习的变革核心：技术落地永远依托工程实践与硬件迭代。深度学习的爆发，并非单纯的算法突破，而是算法、算力、数据三者的完美契合。海量数据为模型训练提供基础，GPU算力升级打破运算瓶颈，优化后的神经网络算法实现高效学习。这与Java开发的核心思维高度契合，我们日常开发中，优雅的代码架构、高效的业务逻辑，必须依托服务器算力、数据存储能力与业务场景适配。脱离工程落地的技术理论只是空谈，正如再先进的AI算法，没有硬件支撑与数据迭代，也无法实现商业化落地。 作为传统后端开发者，这本书让我看清了技术融合的必然趋势。当下AI赋能早已渗透后端开发领域，智能代码检测、自动化测试、接口智能优化等AI工具，正在重构Java开发的工作模式。过去我专注于业务功能实现、系统稳定性维护，如今深刻意识到，固步自封只会被行业淘汰。后端开发不再是单纯的代码编写，更需要结合智能化技术，优化系统响应效率、降低运维成本、适配智能业务场景。深度学习的核心是模拟、迭代、优化，这与软件开发持续集成、持续迭代的思维不谋而合。 同时，书中对AI行业竞争与技术伦理的记录，也让我备受警醒。人工智能的飞速发展带来技术红利，也暗藏技术滥用、行业内卷、伦理失衡等问题。这提醒身为技术从业者的我们，技术是工具更是责任。我们在追求技术创新、效率提升的同时，必须坚守技术底线，让技术服务于业务、赋能于生活，而非盲目追逐技术热度。 技术的迭代永无止境，所有行业的革命，都始于少数人的坚守，成于无数人的深耕。《深度学习革命》不仅讲述了AI的崛起史诗，更教会我一名技术从业者的初心与方向。未来，我将以长期主义深耕Java技术生态，主动拥抱AI技术变革，打破技术壁垒，在传统开发与智能技术的融合中持续学习、不断迭代，以扎实的技术能力应对行业变革，在技术深耕的道路上稳步前行。

读完这本书，我对人工智能的发展有了比以前更完整的认识。过去接触人工智能，更多关注的是它现在能做什么，比如写代码、生成图片、识别语音、分析数据等。但这本书让我看到，这些今天看起来很成熟的技术，其实都是经过几十年的研究和积累才发展起来的。 书中介绍了很多人工智能研究者的经历。让我感受比较深的是，深度学习在很长一段时间里并不被所有人认可，甚至一度被认为没有太大的发展前景。但仍然有一批研究人员坚持神经网络方向，不断改进算法，等待计算机性能和数据规模能够支撑这些技术。后来随着算力提升、大数据发展以及算法不断成熟，深度学习才真正取得突破，并迅速成为人工智能领域的重要技术。 这让我想到，在技术发展过程中，很多真正有价值的东西往往并不会马上得到认可。一个方向能不能取得成果，有时候不仅取决于技术本身，也取决于当时的环境、硬件条件以及是否有人愿意长期坚持。对于我们做技术工作的人来说，也不能只关注目前最热门的技术，而应该理解技术背后的原理和发展过程。 书中还提到了谷歌、微软、Facebook等公司对人工智能技术和人才的争夺。可以看出，人工智能的发展不仅发生在实验室中，也和企业竞争、商业应用密切相关。技术只有真正落地到实际场景中，才能体现出更大的价值。 结合自己的工作，我现在也越来越多地接触和使用AI。无论是代码编写、问题排查，还是方案整理和文档编写，AI都能够提供很大的帮助。但我也认识到，AI并不能完全代替人的思考。只有自己对业务和技术有足够的理解，才能判断AI给出的结果是否合理，并真正把它变成提高效率的工具。 读完整书后，我最大的感受是，人工智能今天的快速发展并不是偶然，而是长期积累的结果。作为一名技术人员，也应该保持学习新技术的习惯，在了解技术原理的基础上积极使用AI，让它真正帮助自己提升工作效率和解决问题的能力。