2016年的黑天鹅事件当属于阿尔法狗战胜人类棋手。
对人工智能比较感兴趣，开始找一些文献来看。感觉现在的人工智能真的是像人一样思考，只是更快，更优化，进化更快。只要是人类可以做的所有事，他都可以模拟。
阿尔法狗的有原理是什么？推荐文献。
DeepMind 研发的围棋 AI AlphaGo 系统是如何下棋的？
1.深度卷积神经网络
2.MCTS，蒙特卡洛搜索树
尽管人类每时每刻都要面临着大量的感知数据，却总能以一种灵巧方式获取值得注意的重要信息。模仿人脑那样高效准确地表示信息一直是人工智能研究领域的核心挑战。
比如写作，这个可能是人工智能需要长期研究后才能攻克的领域，就是写作的特殊性。
围棋棋盘的下法数量，比宇宙中所有原子的数量都要多。那写作这数量级就更大了，几乎是无穷大。在这个领域人工智能应该怎么办？
人的大脑的处理能力是有限的，却可以完成很多精妙的文学作品，说明人工智能解决写作的问题只是时间上的。
人工智能在向人类学习的时候，人类也应该向人工智能学习，也许能够找到捷径。
机器学习的两次浪潮：从浅层学习到深度学习
在解释深度学习之前，我们需要了解什么是机器学习．机器学习是人工智能的一个分支，而在很多时候，
几乎成为人工智能的代名词．简单来说，机器学习就是通过算法，使得机器能从大量历史数据中学习规律
，从而对新的样本做智能识别或对未来做预测．从20世纪８０年代末期以来，机器学习的发展大致经历了两次浪潮：浅层学习（ｓｈａｌｌｏｗ ｌｅａｒｎｉｎｇ）和深度学习（ｄｅｅｐｌｅａｒｎｉｎｇ）．
第一次浪潮：浅层学习
利用ＢＰ算法可以让一个人工神经网络模型从大量训练样本中学习出统计规律。２０００年以来互联网的高速发展，对大数据的智能化分析和预测提出了巨大需求，浅层学习模型在互联网应用上获得了巨大的成功．最成功的应用包括搜索广告系统（比如谷歌的Ａｄｗｏｒｄｓ、百 度的凤巢系统）的 广 告 点 击 率ＣＴＲ预 估、网 页 搜 索 排 序（比如雅虎和微软的搜索引擎）、垃圾邮件过滤系统、基于内容的推荐系统，等等
第二次浪潮：深度学习
２００６年，加拿大多伦多大学教授，机器学习领域的泰斗Ｈｉｎｔｏｎ和他的学生Ｓａｌａｋｈｕｔｄｉｎｏｖ在顶尖学术刊物《科学》上发表了一篇文章，开启了深度学习在学术界和工业界的浪潮．这篇文章有两个主要的讯息：１）很多隐层的人工神经网络具有优异的特征学习能力，学习得到的特征对数据有更本质的刻划，从而有利于可视化或分类；２）深度神经网络在训练上的难度，可以通过"逐层初始化”（ｌａｙｅｒ－ｗｉｓｅ ｐｒｅ－ｒａｉｎｉｎｇ）来有效克服，在这篇文章中，逐层初始化是通过无监督学习实现的．
大数据与深度学习
在大数据条件下，简单的机器学习模型会比复杂模型更加有效
深度学习的应用
语音识别
图像识别
自然语言处理
搜索广告ＣＴＲ预估
