播放地址：https://www.bilibili.com/video/BV1Yj411V7F8/?zw&spm_id_from=888.80996.embed_old

大家都不认可时，你为什么不放弃？

因为我坚信其他人都错了。

好一个“错的不是我，而是整个世界”，这种中二的回答换到平时一定只是个笑话。但是这句经典语录出自深度学习之父——Geoffrey Hinton

Hinton 坚信人工智能应该是像人类一样可以思考和学习。而人工智能的实现就是要模仿人脑功能，通过人工神经网络来实现高维数据，如图像、语音的输入、输出和建模。

对于身处当下的人们而言，这是毋庸置疑的。但是在 1990 年代，这种想法简直就是天方夜谭。那时候的算力、存储和数据量根本无法支撑一个构建类似人脑的智能系统。人们普遍认为 Hinton 疯了，即便没有疯，也一定有另外的阴谋。

做正确的事情不难，难的是坚持做正确的事情。因为正确与否的验证往往不是立刻被证实的，有时候需要等上几年，甚至几十年的时间。而 Hinton 坚持人工神经网络的观点被质疑甚至嘲笑了三十几年。

随着计算机科学的发展，算力逐渐能够支撑起庞大的数据计算。终于在 2012 年，Hinton 带队参加 ImageNet ILSVRC 挑战赛，他们的研究成果 Alexnet 在图像识别任务上，以低于第二名 10% 的错误率获胜。这个比赛是计算机视觉领域的顶级比赛之一，这次完美的获胜让人工神经网络、深度学习的概念开始走入人们的视野。而 Hinton 也从一个一无是处的老头，逐渐走上了神坛。这个世界总算跟上了 Hinton 的脚步。

为什么 Hinton 能够打破时代技术条件的限制，坚持自己的方向呢？

伟大的科学家往往拥有大胆的想象，不折不扣的信念。他们是真正的世界边界拓荒者。

Hinton 认为深度学习可以以无监督的方式从数据中学习，这意味着它可以识别数据中隐藏的模式和关系，而不需要明确的标签或指导。 这对于处理图像、音频和自然语言等复杂的高维数据尤为重要，这些数据很难甚至不可能手动标记所有相关特征。

另一方面，深度学习可以表示具有大量参数的复杂函数，这使其能够对输入和输出之间的复杂关系进行建模。 这对于图像和语音识别等任务尤为重要。

如今深度学习已经成为人工智能的核心，并在开启一个伟大的智能时代。