請讀者朋友們先靜下心來想想，你能想到的最沮喪、最棘手或者簡單說來最煩惱的問題是什麼？接下來，你再想想什麼技術可以解決這些問題。為此，美國麻省理工學院（MIT）的《技術評論》雜誌為讀者朋友們遴選出了2013年的10大突破性技術，這些技術為解決問題而生
，將會極大地擴展人類的潛能，也最有可能改變世界的麵貌。

   《技術評論》雜誌的編輯在文章中指出，今年，我們首次用“突破性技術”來代替以往的“新興技術”。我們對突破性技術的定義非常簡單：能讓人們以新方式使用技術的進展。它或許是一種為人們提供有用接口的直觀設計（比如智能手表）；或者是使腦損傷患者能重新形成記憶的實驗設備（比如記憶植入物）。有些技術可能對經濟持續穩定的發展至關重要（比如3D打印技術和超級電網）；而另外一些技術則可能會改變我們的溝通方式（比如臨時社交媒體）或者與我們的未來密切相關（比如產前DNA測序）。有些技術是工程師們天才創意的結晶
；而有些技術則是科學家們對長期困擾他們的問題所采取的諸多嚐試的集大成者（比如深度學習和超高效太陽能電池）。總而言之，我們希望這份年度技術榜單不僅能告訴人們需要知道這些技術；也借此對提出這些創意的人致以崇高敬意。

   這些突破性技術中
，深度學習位居榜首
，其餘九個分別是：超級電網、記憶植入物、藍領機器人
、智能手表
、產前DNA測序
、3D打印技術
、臨時社交媒體
、來自廉價手機的龐大數據和超高效太陽能電池，我們希望這些技術能為我們繪製出一幅比較全麵的科技發展現狀圖。

   （一）深度學習：讓機器學會思考和做決定

   現在的機器擁有超強的計算能力，能識別對象並實時翻譯講話。人工智能終將變得越來越聰明。

   重要性：如果計算機能夠可靠地識別模式並對外部世界的發展趨勢給出正確推論，那麼，它可以更有效地幫助人類。

   突破：這種人工智能方法可以放之四海而皆準，廣泛應用於多個領域。

   重要參與者：穀歌公司
、微軟公司、IBM公司、加拿大多倫多大學的傑弗裏•辛頓教授。

   美國發明家、預言家雷•庫茲韋爾曾發明了盲人閱讀機
、音樂合成器和語音識別係統。2012年7月，庫茲韋爾拜訪了穀歌公司的首席執行官拉裏•peiqi，dantademudebingfeiweilezhaogongzuo。kuziweiershiyimingshourenzunjingdefamingjia，yezaibianchengyanjiujiqizhinengdeweilaixuejia。taxiangyuyijingkanguotajijiangchubande《如何創建思維》這本書手稿的佩奇討論此書，他對佩奇表示，他想創辦一家公司來實現自己的想法——建造一台真正的智能計算機：能夠理解語言，接著進行推論然後自己做出決定。

   很顯然，這樣一種嚐試需要穀歌公司海量的數據庫和無與倫比的計算能力。佩奇對庫茲韋爾說：“我可以給你一些權限，讓你使用我們公司的數據庫和計算機，但是，靠一家公司單打獨鬥，很難做成這件事。”因此
，佩奇建議除了自己開公司


，從沒有在其他公司工作過的庫茲韋爾加入穀歌。庫茲韋爾很快做出了決定：今年2月，他正式入職穀歌
，成為該公司的工程部主管。庫茲韋爾說：“50多年來，我專注研究人工智能就是為了這一刻。”

   吸引庫茲韋爾的不僅包括穀歌公司的計算資源，而且
，也包括該公司在人工智能的新領域——深(shen)度(du)學(xue)習(xi)方(fang)麵(mian)所(suo)取(qu)得(de)的(de)令(ling)人(ren)驚(jing)歎(tan)的(de)進(jin)步(bu)。深(shen)度(du)學(xue)習(xi)軟(ruan)件(jian)試(shi)圖(tu)模(mo)擬(ni)大(da)腦(nao)新(xin)皮(pi)質(zhi)內(nei)神(shen)經(jing)元(yuan)的(de)活(huo)動(dong)，新(xin)皮(pi)質(zhi)是(shi)哺(bu)乳(ru)動(dong)物(wu)大(da)腦(nao)皮(pi)質(zhi)的(de)一(yi)部(bu)分(fen)，在(zai)腦(nao)半(ban)球(qiu)頂(ding)層(ceng)
，大(da)約(yue)2到4毫米厚，分為6層，占據大腦80%的這些皺褶正是人類思想的發源地。深度學習軟件能非常真切地學會識別用數字形式表示的聲音、圖像和其他數據的不同模式。

   幾十年前，就有科學家提出了深度學習的基本思路：軟件能用人造“神經網絡”來lai模mo擬ni大da腦nao新xin皮pi質zhi中zhong的de神shen經jing元yuan陣zhen列lie

，幾ji十shi年nian來lai，研yan究jiu這zhe一yi領ling域yu的de科ke學xue家jia們men可ke謂wei喜xi憂you摻chan半ban。但dan是shi，得de益yi於yu數shu學xue公gong式shi的de改gai進jin和he計ji算suan能neng力li的de提ti升sheng，計ji算suan機ji科ke學xue家jia現xian在zai能neng為wei更geng多duo虛xu擬ni神shen經jing元yuan建jian立li模mo型xing。

   隨著科學家們的研究不斷深入，現在，這些軟件在語音和圖像識別方麵取得了可喜的進步。去年6月，穀歌研發的一套深度學習係統證明
，其在YouTube視頻的1000萬張圖像中識別出諸如貓等物體的準確度為此前任何一個圖像識別係統的兩倍。穀歌還利用該技術，降低了其最新研發的安卓（Android）手機軟件的語音識別的錯誤率。去年10月，微軟首席研究官裏克•拉希德在中國演講期間

，向與會來賓演示了一款令人驚歎不已的語音軟件。該軟件可將拉希德的口頭發言轉錄成英文文本，錯誤率僅為7%，之後
，再將英文文本翻譯成漢語文本，然後模仿他的口音用普通話說出那些文本。同樣在去年10月yue份fen
，一yi個ge由you三san名ming研yan究jiu生sheng和he兩liang位wei教jiao授shou組zu成cheng的de團tuan隊dui贏ying得de了le化hua學xue與yu製zhi藥yao公gong司si默mo克ke公gong司si舉ju辦ban的de一yi場chang競jing賽sai
，競jing賽sai的de主zhu旨zhi是shi鑒jian別bie出chu可ke導dao致zhi新xin藥yao的de分fen子zi，該gai團tuan隊dui正zheng是shi采cai用yong深shen度du學xue習xi的de方fang法fa，將jiang目mu標biao對dui準zhun那na些xie最zui有you可ke能neng與yu靶ba標biao綁bang定ding的de分fen子zi，從cong而er取qu得de了le成cheng功gong。

   穀歌目前已經成為一塊極富吸引力的磁鐵，吸引著全球研究深度學習和相關的人工智能領域專家紛至遝來。2013年3月，穀歌收購了由加拿大多倫多大學計算機科學教授傑弗裏•希頓創立的深度學習企業DNNresearch，希頓也曾獲得過默克大獎。希頓目前將自己的時間一分為二：一半給大學；一半給穀歌。辛頓表示，他計劃“將這一領域的理念提取出來
，用來解決實際問題——諸如圖像識別、搜索、自然語言理解等方麵的問題”。

   上述研究進展時刻在提醒人工智能研究領域的專家們：科幻小說和電影中出現的機器終將出現在現實生活中。的確
，機器智能已滲透到各行各業並在逐步改變這些行業的麵貌，從通訊、計算到醫療、製造以及運輸等，不一而足。IBM研究的超級計算機Watson在美國著名的智力比賽中獲勝讓這一切得以彰顯。Watson也使用了一些深度學習技術
，而且
，科學家們現在也在訓練它幫助醫生做決定。微軟也在手機操作係統Windows Phone和Bing語音搜索中用到了深度學習技術。

   raner
，yaoxiangjiangshenduxuexijishucongyuyinhetuxiangshibielingyukuozhandaoqitayingyonglingyuzexuyaokexuejiamenzaigainianheruanjianshangzuochugengdatupo
，erqiehaixuyaojisuannenglidejinyibuzengqiang。huoxu，zaijiniannei
，womenbuhuikandaojisuanjinengzijisikao
，danjishinianneihuoxukeyi。weiruanmeiguoyanjiuyuandeyuanchangpite•李說，深度學習已經引發了人工智能領域很多新的大挑戰。

   建造大腦

   當然
，有挑戰就會有人想解決辦法
，一直有一些富有競爭力的方法來應對這些挑戰。現在，人們已經可以將現實世界的信息和規則“喂給”計(ji)算(suan)機(ji)，為(wei)了(le)做(zuo)到(dao)這(zhe)一(yi)點(dian)
，需(xu)要(yao)程(cheng)序(xu)員(yuan)們(men)不(bu)辭(ci)辛(xin)勞(lao)地(di)編(bian)寫(xie)這(zhe)方(fang)麵(mian)的(de)軟(ruan)件(jian)。這(zhe)會(hui)耗(hao)費(fei)大(da)量(liang)人(ren)力(li)物(wu)力(li)，但(dan)是(shi)，係(xi)統(tong)仍(reng)然(ran)無(wu)法(fa)處(chu)理(li)模(mo)糊(hu)數(shu)據(ju)，這(zhe)些(xie)程(cheng)序(xu)的(de)使(shi)用(yong)範(fan)圍(wei)僅(jin)限(xian)於(yu)一(yi)些(xie)受(shou)控(kong)的(de)應(ying)用(yong)領(ling)域(yu)，諸(zhu)如(ru)手(shou)機(ji)的(de)菜(cai)單(dan)係(xi)統(tong)等(deng)，該(gai)係(xi)統(tong)要(yao)求(qiu)你(ni)通(tong)過(guo)說(shuo)出(chu)特(te)定(ding)的(de)詞(ci)語(yu)來(lai)提(ti)要(yao)求(qiu)。

   人工智能領域出現後不久
，神經網絡也於上世紀50年(nian)代(dai)開(kai)始(shi)興(xing)起(qi)。神(shen)經(jing)網(wang)絡(luo)似(si)乎(hu)很(hen)有(you)前(qian)景(jing)
，因(yin)為(wei)它(ta)們(men)試(shi)圖(tu)模(mo)擬(ni)大(da)腦(nao)的(de)工(gong)作(zuo)方(fang)式(shi)，盡(jin)管(guan)采(cai)用(yong)的(de)是(shi)一(yi)種(zhong)非(fei)常(chang)簡(jian)化(hua)的(de)形(xing)式(shi)。程(cheng)序(xu)能(neng)標(biao)示(shi)出(chu)一(yi)套(tao)虛(xu)擬(ni)的(de)神(shen)經(jing)元(yuan)然(ran)後(hou)隨(sui)機(ji)給(gei)它(ta)們(men)分(fen)配(pei)數(shu)值(zhi)或(huo)者(zhe)“權值”，以讓它們之間相互關聯。這些“權值”決定了每個模擬的神經元的反應——用數值輸出0和1來表示


，通過這種方式可以對圖像中的邊框或者藍色陰影
、話語中的一個音素的某個能級等特征進行數字化表達。

   chengxuyuanxuyaoxunlianshenjingwangluotongguoyonghanyouzhexiewutidetuxianghuohanyouzhexieyinsudeshengbodeshuzihuahoudebanbenlaitanceyigewutihuozheyinsu。ruguogaiwangluowufajingquedishibiemougetedingdemoshi
，jianghuiyouyigesuanfalaitiaozhengzhexiequanzhi。zhezhongxunliandezuizhongmudeshirangwangluonenggouchixuyizhidishibiechuyuyinhuozhetuxiangzhongdezhezhongmoshi，yejiushishuo

，shibiechumeijuyuyinzhongdeyinsu“d”或者每幅圖像中的狗，這同小孩子通過觀察人們稱作狗的動物的頭型
、行為以及毛皮
、吠聲等等來認識狗如出一轍。

   但是
，早期的神經網絡一次能模擬的神經元的數量有限，因此，它們無法識別出複雜程度很高的模式，這種情況一直持續到上世紀70年代。

   在上世紀80年代中期，辛頓和其他人使用所謂的“深度”模型
，引發了神經網絡研究的新一輪複興，深度模型能更好地利用軟件模擬多層神經網絡。但是，這一技術仍然需要大量的人力投入：程(cheng)序(xu)員(yuan)們(men)不(bu)得(de)不(bu)在(zai)將(jiang)數(shu)據(ju)填(tian)入(ru)神(shen)經(jing)元(yuan)網(wang)絡(luo)前(qian)給(gei)每(mei)個(ge)數(shu)據(ju)貼(tie)上(shang)標(biao)簽(qian)。而(er)且(qie)

，複(fu)雜(za)的(de)語(yu)音(yin)或(huo)者(zhe)圖(tu)像(xiang)識(shi)別(bie)所(suo)要(yao)求(qiu)的(de)計(ji)算(suan)能(neng)力(li)彼(bi)時(shi)也(ye)讓(rang)人(ren)望(wang)塵(chen)莫(mo)及(ji)。

   在過去十年裏

，辛頓和其他研究人員才終於做出了一些根本性的概念上突破。2006年(nian)，辛(xin)頓(dun)研(yan)發(fa)出(chu)了(le)一(yi)種(zhong)更(geng)有(you)效(xiao)地(di)訓(xun)練(lian)單(dan)層(ceng)神(shen)經(jing)元(yuan)的(de)方(fang)法(fa)。即(ji)第(di)一(yi)層(ceng)網(wang)絡(luo)學(xue)習(xi)一(yi)些(xie)基(ji)本(ben)的(de)特(te)征(zheng)
，諸(zhu)如(ru)圖(tu)像(xiang)的(de)邊(bian)緣(yuan)或(huo)者(zhe)聲(sheng)音(yin)的(de)最(zui)小(xiao)單(dan)元(yuan)等(deng)。它(ta)通(tong)過(guo)發(fa)現(xian)那(na)些(xie)出(chu)現(xian)頻(pin)率(lv)反(fan)常(chang)高(gao)的(de)數(shu)字(zi)化(hua)後(hou)的(de)像(xiang)素(su)或(huo)者(zhe)聲(sheng)波(bo)組(zu)合(he)來(lai)做(zuo)到(dao)這(zhe)一(yi)點(dian)。一(yi)旦(dan)第(di)一(yi)層(ceng)精(jing)確(que)地(di)識(shi)別(bie)出(chu)這(zhe)些(xie)特(te)征(zheng)，那(na)麼(me)，它(ta)將(jiang)被(bei)“喂給”第(di)二(er)層(ceng)，以(yi)便(bian)第(di)二(er)層(ceng)訓(xun)練(lian)自(zi)己(ji)識(shi)別(bie)更(geng)複(fu)雜(za)的(de)特(te)征(zheng)，諸(zhu)如(ru)邊(bian)角(jiao)或(huo)者(zhe)聲(sheng)音(yin)單(dan)位(wei)的(de)組(zu)合(he)等(deng)等(deng)。這(zhe)一(yi)過(guo)程(cheng)在(zai)多(duo)層(ceng)之(zhi)間(jian)不(bu)斷(duan)重(zhong)複(fu)，直(zhi)到(dao)該(gai)係(xi)統(tong)能(neng)夠(gou)可(ke)靠(kao)地(di)識(shi)別(bie)出(chu)音(yin)素(su)或(huo)者(zhe)對(dui)象(xiang)為(wei)止(zhi)。

   就像上麵提到的圖像中的貓。去年6月
，穀歌演示了迄今最大的神經網絡
，其擁有超過10億個節點。美國斯坦福大學的計算機科學教授安德魯•恩格和穀歌的科學家傑夫•迪恩讓係統從1000萬個隨機選擇的YouTube視頻上挑出了貓的圖像。在該軟件模型中，一個模擬的神經元主要注意貓的圖像。其他神經元則專注於人臉、黃huang色se的de花hua朵duo以yi及ji其qi他ta物wu體ti的de圖tu像xiang。因yin為wei深shen層ceng學xue習xi擁yong有you的de強qiang大da功gong能neng，盡jin管guan此ci前qian並bing沒mei有you人ren給gei這zhe些xie圖tu像xiang貼tie上shang標biao簽qian，該gai係xi統tong還hai是shi識shi別bie出chu了le這zhe些xie互hu不bu相xiang幹gan的de對dui象xiang。

   然而，讓某些人工智能專家深感震驚的是深度學習在圖像識別領域所取得的驚人成就。該係統可以給YouTube視頻中的對象分類
，並添加主題
，準確率達16%，盡管聽起來並不是很高，但與以前的方法相比，準確率提高了70%。迪恩強調稱，要知道
，YouTube視頻中的對象總共有2.2萬個類別，大部分人都無法做到這一點。當該係統被要求將圖像分成1000多個常見類別時，準確率一下子飆升到50%。

   大數據

   在實驗中訓練多層虛擬神經元占用了穀歌公司的1.6萬台計算機處理器，穀歌公司研發這些計算基礎設施的目的是用於搜索引擎和其他服務。機器學習新興公司Vicarious的聯合創始人迪利普•喬治稱，人工智能領域最近取得的進步80%要歸功於計算能力的增強。

   然ran而er，穀gu歌ge龐pang大da的de數shu據ju中zhong心xin深shen度du學xue習xi飛fei速su發fa展zhan隻zhi是shi這zhe枚mei硬ying幣bi的de一yi麵mian，穀gu歌ge的de操cao作zuo策ce略lve則ze是shi這zhe枚mei硬ying幣bi的de另ling一yi麵mian，這zhe些xie操cao作zuo策ce略lve就jiu是shi
，將jiang計ji算suan任ren務wu分fen開kai，讓rang不bu同tong的de計ji算suan機ji執zhi行xing不bu同tong的de操cao作zuo以yi便bian很hen快kuai完wan成cheng這zhe些xie任ren務wu。這zhe是shi迪di恩en早zao期qi的de研yan究jiu成cheng果guo，迪di恩en已yi在zai穀gu歌ge工gong作zuo了le14年。這一策略讓深度學習神經網絡的訓練速度大大提高，使穀歌能夠運行更大的網絡並朝這些網絡填入更多數據。

   而且

，深度學習也提高了智能手機上聲音搜索軟件的性能。直到去年，穀歌的安卓（Android）手機軟件使用的方法還會弄錯很多單詞的意思。但是，在準備於去年7yuefabuxinanzhuoxitongdeguochengzhong
，dienlingdaodeyanjiutuanduiyongjiyushenduxuexidexitongqudailebufenyuyinxitong。yinweiduocengshenjingyuannengduiyigeshengyindeduozhongbianxingjinxinggengjingquedexunlian，suoyi，gaixitongnenggengkekaodiduigezhongzhiliposuideshengyinjinxingshibie，youqishizaiditiedengcaozahuanjingzhongdeshengyin。yinweixinxitongnenggougenghaodilijiehuayusuobiaodadezhenshiyiyi

，yinci

，fanhuidejieguokenengyehuigengjiajingque。jihuyiyezhijian，cuowulvxiajiangdaole25%，結果好得出乎人意料之外，有些評論家現在甚至認為安卓的語音搜索功能比蘋果手機最著名的Siri語音助手還要更智能。

   盡(jin)管(guan)上(shang)述(shu)諸(zhu)多(duo)進(jin)展(zhan)令(ling)人(ren)歡(huan)欣(xin)鼓(gu)舞(wu)
，但(dan)是(shi)，並(bing)非(fei)每(mei)個(ge)人(ren)都(dou)認(ren)為(wei)深(shen)度(du)學(xue)習(xi)會(hui)助(zhu)推(tui)人(ren)工(gong)智(zhi)能(neng)超(chao)越(yue)人(ren)腦(nao)。有(you)些(xie)批(pi)評(ping)家(jia)表(biao)示(shi)，深(shen)度(du)學(xue)習(xi)和(he)人(ren)工(gong)智(zhi)能(neng)從(cong)根(gen)本(ben)上(shang)忽(hu)略(lve)了(le)大(da)腦(nao)生(sheng)物(wu)學(xue)的(de)很(hen)多(duo)方(fang)麵(mian)，太(tai)過(guo)於(yu)注(zhu)重(zhong)計(ji)算(suan)能(neng)力(li)。

   其中一個批評來自手提微型電腦Treo的發明者
、PalmComputing公司的創辦人傑夫•霍金斯
，2004年，霍金斯就出版了《人工智能的未來》一書
，主要討論大腦如何工作以及如何為建造智能機器提供引導。

   霍金斯上一個風險投資是Numenta公(gong)司(si)，這(zhe)是(shi)一(yi)個(ge)令(ling)人(ren)興(xing)奮(fen)的(de)新(xin)公(gong)司(si)

，它(ta)試(shi)圖(tu)建(jian)立(li)像(xiang)人(ren)腦(nao)一(yi)樣(yang)的(de)計(ji)算(suan)機(ji)
，該(gai)公(gong)司(si)正(zheng)在(zai)研(yan)發(fa)一(yi)種(zhong)機(ji)器(qi)學(xue)習(xi)係(xi)統(tong)，其(qi)在(zai)生(sheng)物(wu)學(xue)上(shang)受(shou)到(dao)了(le)深(shen)度(du)學(xue)習(xi)理(li)論(lun)的(de)啟(qi)發(fa)，但(dan)並(bing)不(bu)使(shi)用(yong)深(shen)度(du)學(xue)習(xi)。Numenta的係統能夠幫助預測能源消耗模式以及諸如風車等機器失敗的可能性。

   霍金斯表示
，深度學習無法解釋時間的概念。他說，大腦會處理傳感數據流，而且，人類的學習依靠回憶模式序列：當你觀察到一隻貓在做某些有意思事情的視頻，有意義的是運動本身
，而非穀歌在實驗中使用到的一係列靜止圖像。霍金斯說：“穀歌的態度是，數據彌補了一切。”

   buguo，jishishujubunengmibuyiqie，zhurugugedenggongsiyonglaijiejuezhexiewentidejisuanziyuanyebuhuibeiqizhi。shenduxuexidezhichizhemenqiangtiaoshuo
，zhexieshujufeichangguanjian，yinweidanaobenshenbijintianderenheyigeshenjingwangluodouyaofuzadeduo。tamenbiaoshi：“人類需要很多計算資源來使思想更好地工作。”

   敢問未來之路在何方
？

   盡管穀歌對深度學習的未來應用並不那麼確定
，但是
，其前景確實慢慢在發酵。顯然
，更好的圖像搜索能夠幫助YouTube。而(er)且(qie)，迪(di)恩(en)表(biao)示(shi)，深(shen)度(du)學(xue)習(xi)模(mo)型(xing)能(neng)使(shi)用(yong)語(yu)音(yin)數(shu)據(ju)來(lai)更(geng)快(kuai)地(di)訓(xun)練(lian)係(xi)統(tong)識(shi)別(bie)其(qi)他(ta)語(yu)音(yin)數(shu)據(ju)。更(geng)複(fu)雜(za)的(de)圖(tu)像(xiang)識(shi)別(bie)技(ji)術(shu)有(you)望(wang)使(shi)穀(gu)歌(ge)的(de)自(zi)行(xing)駕(jia)駛(shi)汽(qi)車(che)表(biao)現(xian)更(geng)好(hao)。而(er)且(qie)，深(shen)度(du)學(xue)習(xi)和(he)人(ren)工(gong)智(zhi)能(neng)軟(ruan)件(jian)也(ye)將(jiang)幫(bang)助(zhu)穀(gu)歌(ge)和(he)其(qi)廣(guang)告(gao)客(ke)戶(hu)更(geng)好(hao)地(di)了(le)解(jie)人(ren)們(men)的(de)想(xiang)法(fa)與(yu)需(xu)求(qiu)，從(cong)而(er)對(dui)廣(guang)告(gao)營(ying)銷(xiao)產(chan)生(sheng)重(zhong)大(da)影(ying)響(xiang)。

   上述美好暢想正是吸引庫茲韋爾的魅力所在
，65歲的庫茲韋爾多年來一直潛心研究智能機器。在高中階段，他就編寫軟件使計算機能夠製造出不同形式的音樂，並於1965年在電視秀節目《我有一個秘密》中進行了演示。從那時起
，他的發明囊括了多個第一：第一台盲人閱讀器；第一個可以對要打印的任何字體的文本進行掃描並數字化的軟件；第一個能再造交響樂器的聲音的音樂合成器；第一個具備大型詞典的對話識別係統。

   他現在的設想是，未來
，人們的手機通訊錄中會有一個“網絡朋友”，可以在用戶允許的情況下閱讀電子郵件
、追zhui蹤zong用yong戶hu的de一yi舉ju一yi動dong，因yin此ci，當dang你ni有you任ren何he問wen題ti時shi，他ta都dou會hui告gao訴su你ni答da案an。這zhe並bing非fei他ta在zai穀gu歌ge的de直zhi接jie目mu的de，但dan是shi，這zhe一yi目mu的de與yu穀gu歌ge聯lian合he創chuang始shi人ren謝xie爾er蓋gai•布林的目標相吻合。在公司成立之初，布林就表示
，他想建造《2001太空漫遊》中人工智能電腦HAL9000（HAL9000作zuo為wei太tai空kong船chuan的de總zong控kong製zhi電dian腦nao，既ji具ju有you電dian腦nao對dui任ren務wu的de絕jue對dui服fu從cong及ji精jing確que性xing，又you具ju有you人ren類lei思si維wei甚shen至zhi感gan情qing
，它ta在zai太tai空kong旅lv行xing中zhong設she計ji害hai死si了le除chu戴dai維wei之zhi外wai的de所suo有you宇yu航hang員yuan，最zui後hou戴dai維wei讓rang其qi停ting止zhi運yun行xing）那樣的智能機器，唯一不同的是，他製造出來的機器不會殺人。

   庫茲韋爾目前的目標是幫助計算機理解甚至表達自然語言。他說：“我的使命是讓計算機對自然語言有足夠的理解力，然後來做有用的事情——更好地進行搜索、更好地回答問題。”最終

，他希望製造出比IBM公司的Watson更好的機器——盡管他很欣賞Watson表現出的理解能力和快速反應能力。

   庫茲韋爾並不僅僅專注於深度學習，盡管他承認他的語音識別方法也同樣基於大腦如何工作的理論。他想給單詞、詞組以及句子的本來意義建模，包括容易讓計算機犯錯的模糊意義。他說：“我想尋找一種圖畫式的方式來表達語言的語義。”

   這zhe就jiu需xu要yao一yi種zhong更geng綜zong合he的de方fang式shi來lai用yong圖tu表biao表biao示shi句ju子zi的de句ju法fa。穀gu歌ge也ye在zai使shi用yong這zhe種zhong分fen析xi方fang法fa改gai進jin翻fan譯yi中zhong的de語yu法fa。更geng好hao地di理li解jie自zi然ran語yu言yan將jiang需xu要yao計ji算suan機ji能neng夠gou掌zhang握wo我wo們men人ren類lei認ren為wei是shi常chang識shi的de意yi思si。為wei此ci
，庫ku茲zi韋wei爾er將jiang會hui用yong到dao穀gu歌ge的de知zhi識shi圖tu譜pu——穀歌對大約7億個主題
、方位、人等進行的分類以及它們之間的幾十億個關係。知識圖譜去年投入使用
，會給搜索者提供問題的答案而非隻有鏈接。

   最終，庫茲韋爾計劃用深度學習算法來幫助計算機處理“語言中的軟邊界和模糊內容”。這聽起來令人有點望而卻步，實際情況也的確如此。他說：“理解自然語言並非像搜索那樣，是一個在某個時刻就可以完成的任務，它是一個永遠也無法完成的計劃。”

   jinguankuziweierdeshexiangkenengxuyaoduoniancainengbianchengxianshi，zaikejiandeweilai
，shenduxuexikeyizaiyuyinhetuxiangshibiezhiwaideqitalingyuzhaodaoyongwuzhidi。shouxian
，zaiyaowufaxianfangmian——辛頓的團隊在默克大賽中取得大獎就證明了這一點。

   情況還不止於此
，微軟公司的皮特•李li說shuo
，深shen度du學xue習xi可ke以yi應ying用yong於yu機ji器qi視shi覺jiao方fang麵mian，機ji器qi視shi覺jiao就jiu是shi用yong機ji器qi代dai替ti人ren眼yan來lai做zuo測ce量liang和he判pan斷duan

，這zhe一yi技ji術shu可ke以yi將jiang成cheng像xiang應ying用yong於yu工gong業ye檢jian測ce和he機ji器qi人ren視shi覺jiao引yin導dao等deng方fang麵mian。他ta也ye預yu想xiang私si人ren傳chuan感gan器qi的de出chu現xian——深(shen)度(du)神(shen)經(jing)網(wang)絡(luo)能(neng)夠(gou)用(yong)來(lai)預(yu)測(ce)可(ke)能(neng)會(hui)出(chu)現(xian)的(de)醫(yi)療(liao)問(wen)題(ti)。而(er)且(qie)，貫(guan)穿(chuan)整(zheng)個(ge)城(cheng)市(shi)的(de)傳(chuan)感(gan)器(qi)提(ti)供(gong)的(de)數(shu)據(ju)可(ke)能(neng)會(hui)讓(rang)深(shen)度(du)學(xue)習(xi)係(xi)統(tong)預(yu)測(ce)什(shen)麼(me)地(di)方(fang)可(ke)能(neng)會(hui)出(chu)現(xian)交(jiao)通(tong)擁(yong)堵(du)。

   在zai一yi個ge企qi圖tu為wei人ren腦nao建jian模mo這zhe樣yang富fu有you深shen遠yuan影ying響xiang力li的de領ling域yu，一yi項xiang技ji術shu並bing不bu能neng解jie決jue所suo有you問wen題ti
，這zhe一yi點dian難nan以yi避bi免mian。但dan現xian在zai，深shen度du學xue習xi正zheng在zai引yin領ling人ren工gong智zhi能neng的de發fa展zhan方fang向xiang，迪di恩en說shuo：“對於我們理解世界來說，深度學習真的是一個非常強大的工具。”

   （二）超級電網：出了問題也不怕

   瑞士ABB集團新研發的斷路器可以實現長距離的直流電輸出構想，且適用於現有地區及國家的電網中，可以在5毫秒內切斷相當於整個核電廠輸出功率的巨大電流

，速度之快相當於蜜蜂振翅一次；電流之大相當於100萬歐洲人的用電。這種大功率的斷路器有望使直流電網變得更實用。

   重要性：直流電網可能會因此變得更高效，而且，也能廣泛地同風力發電廠和太陽能發電站連接到一起。

   突破：第一台實用的混合式高壓直流斷路器。斷路器指能夠關合、承載和開斷正常回路條件下的電流，並能關合、在規定的時間內承載和開斷異常回路條件（包括短路條件）下電流的開關裝置。

   重要參與者：瑞士ABB集團、德國西門子公司、美國電力研究院（EPRI）、美國通用原子公司。

   高壓的直流電輸電線能夠有效地在幾千公裏內以及水下長距離傳輸電力

，其性能遠勝目前在輸電網中廣泛使用的交流線。但是100多年以來，交流電線一直占據主流

，因為高壓的直流電隻能用於點對點傳輸，而無法形成穩定的電力係統所需要的集成電網。

   去年12月，瑞士的ABB公(gong)司(si)正(zheng)式(shi)宣(xuan)布(bu)，他(ta)們(men)在(zai)高(gao)壓(ya)直(zhi)流(liu)斷(duan)路(lu)器(qi)研(yan)發(fa)領(ling)域(yu)獲(huo)得(de)突(tu)破(po)性(xing)進(jin)展(zhan)

，他(ta)們(men)研(yan)發(fa)出(chu)了(le)一(yi)種(zhong)實(shi)用(yong)的(de)高(gao)壓(ya)直(zhi)流(liu)電(dian)斷(duan)路(lu)器(qi)，能(neng)將(jiang)出(chu)現(xian)問(wen)題(ti)的(de)部(bu)分(fen)電(dian)網(wang)切(qie)斷(duan)，從(cong)而(er)保(bao)證(zheng)電(dian)網(wang)的(de)其(qi)他(ta)部(bu)分(fen)正(zheng)常(chang)工(gong)作(zuo)。這(zhe)一(yi)創(chuang)新(xin)進(jin)展(zhan)解(jie)決(jue)了(le)直(zhi)流(liu)電(dian)網(wang)所(suo)麵(mian)臨(lin)的(de)主(zhu)要(yao)技(ji)術(shu)障(zhang)礙(ai)，為(wei)打(da)造(zao)高(gao)效(xiao)可(ke)靠(kao)的(de)直(zhi)流(liu)電(dian)力(li)供(gong)應(ying)係(xi)統(tong)翻(fan)開(kai)了(le)新(xin)的(de)篇(pian)章(zhang)。

   清潔能源如太陽能
、水力發電等，不是位於偏遠的高山、沙sha漠mo，就jiu是shi自zi家jia屋wu頂ding。遺yi憾han的de是shi，既ji有you的de交jiao流liu電dian係xi統tong無wu法fa妥tuo善shan解jie決jue遠yuan距ju離li傳chuan輸shu的de電dian力li損sun失shi
，而er直zhi流liu輸shu電dian技ji術shu是shi最zui佳jia解jie決jue之zhi道dao。高gao壓ya直zhi流liu輸shu電dian技ji術shu可ke實shi現xian水shui力li電dian廠chang的de遠yuan距ju電dian力li傳chuan輸shu
、離岸風電與太陽能並網及不同地區之間點對點的互相連接。

   如此一來，來自於撒哈拉沙漠的太陽能就可以為多雲的德國提供電力；來(lai)自(zi)於(yu)歐(ou)洲(zhou)各(ge)地(di)的(de)風(feng)能(neng)也(ye)可(ke)以(yi)在(zai)夜(ye)間(jian)點(dian)亮(liang)電(dian)燈(deng)，從(cong)而(er)照(zhao)亮(liang)城(cheng)市(shi)的(de)夜(ye)空(kong)。結(jie)果(guo)，將(jiang)會(hui)有(you)更(geng)多(duo)可(ke)靠(kao)的(de)可(ke)再(zai)生(sheng)能(neng)源(yuan)，同(tong)仇(chou)敵(di)愾(kai)地(di)與(yu)化(hua)石(shi)能(neng)源(yuan)競(jing)爭(zheng)，改(gai)變(bian)目(mu)前(qian)各(ge)種(zhong)可(ke)再(zai)生(sheng)能(neng)源(yuan)單(dan)槍(qiang)匹(pi)馬(ma)同(tong)化(hua)石(shi)能(neng)源(yuan)作(zuo)戰(zhan)的(de)現(xian)狀(zhuang)。

   除了持續發展混合式直流斷路器之外，ABB同時也建立了高壓直流電網模擬中心，為未來電網係統進行先期研究。

   （未完待續）