LSTM 在瑞士得到了进一步发展，这里也诞生了第一个在图像识别竞赛获胜的基于 GPU 的 CNN（2011，详见第 19 章——现在计算机视觉领域的所有研究者都在使用这个方法）、第一个在视觉模式识别中超越人类的神经网络（2011），以及第一个有超过 100 层、非常深的前馈神经网络 [HW1]（详见第 4 章） 。大约在 1990 年，瑞士也成为了万维网的发源地，这使得人工智能可以在全世界范围内被迅速传播 。截至 2017 年，瑞士在人工智能研究领域的引用影响力仍然居于世界前列——尽管中国现在是人工智能论文产出最多的国家 [THE17] 。当然，深度学习只是人工智能研究的一小部分，它主要局限于被动的模式识别 。我们将其视为通过元学习或 「learning to Learn」的学习算法（于 1987 年发表，研究更通用的人工智能的副产品，具有人工好奇心和创造力的系统定义了自己的问题并设定自己的目标（1990），演化计算（1987）、RNN 演化、压缩网络搜索、在真实部分可观测的环境下（此时用于棋类游戏的传统强化学习不起作用，1989）的智能体的强化学习、通用人工智能、如 G?del Machine 这样的最优通用学习机（2003 至今）、对运行在通用计算机上的程序的最优搜索等 。
当然，人工智能本身只是更宏大的科学追求的一部分，它将宇宙从简单的初始条件推向越来越深不可测的复杂性 [SA17] 。最后，即使这个令人敬畏的过程可能也只是所有逻辑上可能存在的宇宙中更宏大、更有效的计算中的沧海一粟 [ALL1][ALL2][ALL3] 。
注：本文中涉及到的所有参考文献详见原文：
http://people.idsia.ch/~juergen/deep-learning-miraculous-year-1990-1991.html#NAN1
特别声明：本站内容均来自网友提供或互联网，仅供参考，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系，我们将在24小时内删除。
