🐱 电脑学会了认猫：深度学习爆发
🕰️ 故事时间 · 那时候发生了什么？
2012 年 · 🐱
🖼️ 图：谷歌大脑团队 2012 年论文（Quoc V. Le 等，ICML 2012）里的网络结构原图 · 仅作教学使用
「让机器自己学」这个想法，其实一点也不新：1957 年有感知机，1986 年有反向传播（第 3 课、第 6 课都讲过）。2006 年，辛顿又用「深度信念网络」证明：多层网络可以一层一层自己学——老想法重新被点燃。可它一直没能真正「能干」起来——因为它还缺两样东西。
第一，没有数据：那时候的电脑几乎没见过几张图，更不知道「猫」长什么样。第二，没有算力：电脑太慢，稍微大一点的网络就算不动。缺了这两样，神经网络只能一直「沉睡」。
到了 2000 年代，情况变了：上网的人越来越多，每天有上亿张照片被传上互联网——数据有了；计算机越来越快，还能用原本为打游戏设计的显卡（GPU）一起算——算力有了。
老想法 + 海量数据 + 超强算力，三样凑齐，就等着有人来点上那把火。
2012 年 6 月，谷歌的「谷歌大脑」团队（吴恩达、杰夫·迪恩等人）做了一个大胆的实验：把 16,000 个 CPU 拼成一台大电脑，让一个超级大的神经网络自己去看 1,000 万张 YouTube 截图——这些图一张标签都没有，没有人告诉它哪张是猫。
看着看着，奇迹发生了：网络深处慢慢「自己长」出一颗特别的神经元——给它看猫脸，它就特别兴奋；看别的东西，它就安安静静。人们把这一刻称为「猫神经元」：没有人教它，它自己认出了「猫」。
同一年 10 月，在著名的 ImageNet 图像识别大赛上，辛顿团队的 AlexNet 靠两块显卡就把「认错率」从往年的 26.2% 一下子降到 15.3%，甩开第二名一大截。
新闻轰动了全世界——人们发现：只要把网络做得更深、喂给它更多数据，机器就能自己找到规律，不需要人一项一项地教。
这一年被称为「深度学习」的爆发年：机器开始像小婴儿一样，自己看、自己学，不需要大人一句句教。从这以后，手机能认人脸、音箱能听懂你说话、汽车能自己开、火星上的探测车能自己找路……今天 AI 能做到的许多事，几乎都是从这一刻「觉醒」的。
它们背后都是同一件事：深度学习 = 网络做得更深 + 喂更多数据，让机器自己找规律。
🖼️ 图片：顶部「网络结构图」和「猫神经元实验图」都是谷歌大脑团队 2012 年论文（Quoc V. Le 等，ICML 2012）里的原文插图——他们就是用这个网络看 1000 万张没标签的图、自己长出了「猫神经元」；其余全部为真实照片：IBM PC（1981）、手机拍照、超级计算机、机房与机柜、TPU 计算板、GPU 芯片、无人赛车、人形机器人、火星探测车，取自维基共享资源（经 kids.kiddle.co 镜像）