蓝三个颜色数值，算一张图就要处理上千万个数字；要是教ai认猫需要100万张图，那就要处理10万亿个数字。
以前的计算机，算力不够，处理这些数字要花特别久的时间。比如早十几年，要训练一个能“勉强认对猫”的ai，可能需要一台普通电脑算几个月——中间要是电脑卡了、断了电，还得重新算。那时候别说“用ai做日常事”了，就连实验室里的研究人员，都得等好久才能看到结果。
但现在不一样了，咱们有了“ai专用芯片”——比如大家常听说的gpu（图形处理器），还有专门为ai设计的tpu（张量处理器）。这些芯片就像“超级高压锅”，处理数据的速度比以前快了几百倍、甚至几千倍。
举个例子：以前用普通电脑训练一个“识别图片里物品”的ai，可能要3个月；现在用ai专用芯片，可能只要1个星期，甚至更短。而且速度快了之后，ai还能“反复学”——比如第一次算完，发现“认错狗的概率有点高”，可以马上调整方法，再算一次，几天就能出结果，不用等几个月。
算力变强，还让ai从“实验室”走进了咱们的手机、电脑里。以前ai只能在超级计算机上跑，普通人根本用不上；现在呢？咱们的手机里都有“小算力”——比如拍照时的实时美颜，其实就是手机里的ai在“快速算”：几毫秒内，就把你的脸型、皮肤的数字算一遍，然后调整“皮肤的颜色数值”（让皮肤更白）、“脸型的坐标数值”（让脸更瘦），你按下快门的瞬间，美颜就做好了。要是以前的算力，拍一张照片，可能要等几秒钟才能出美颜效果，谁还会用？
再比如导航软件的实时路况：导航能告诉你“前面1公里堵车，需要绕路”，靠的是ai实时算“成千上万辆车的位置数据”——比如这1公里内，有多少辆车在走，每辆车的速度是多少，然后算“这些车的速度慢到多少，就算堵车”。要是算力不够，等ai算完“堵车情况”，可能已经过去十几分钟了，导航告诉你“堵车”的时候，你早就堵在里面了，一点用都没有。
所以说，“算力变强”是ai火起来的“加速器”：没有足够快的计算速度，就算有再多数据，ai也只能“慢腾腾地学”，永远没法“及时帮上忙”；只有算力够了，ai才能“学得快、用得快”，变成咱们能随时用的工具。
四、第三驾马车：算法变好了——ai的“学习方法”终于变“聪明”
有了足够多的数据（原材料），有了足够快的算力（工具），ai就能“学好”了吗？还缺最后一个关键：“学习方法”得对——就像两个人一起学做饭，都有米、有高压锅，但一个人会“看火候”（比如煮米饭时，水开了之后要小火焖），另一个人只会“一直大火煮”，最后一个煮出来的饭香喷喷，另一个可能煮成“夹生饭”或者“糊饭”。
ai的“学习方法”，就是“算法”——简单说，就是ai用来“找数据规律”的一套“规则”。
以前的ai为啥“容易错”？不是数据不够，也不是算力不行，而是算法“太笨”，找规律的能力差。
比如以前教ai认猫，用的算法比较简单，只能找“大的规律”——比如“猫是毛茸茸的、有四条腿的动物”。但这样的规律太笼统了：狗也是毛茸茸、四条腿，兔子也是，所以ai很容易认错。而且以前的算法“不会举一反三”：教它认“白色的家猫”，它看到“黑色的流浪猫”就不认识了，因为它没从“白色家猫”的规律里，学到“所有猫的共同特征”。
但现在不一样了，咱们有了“更聪明”的算法——最典型的就是“深度学习”。这个算法的思路，有点像“咱们人类看东西、想问题的方式”：比如咱们认猫，不是只看“毛茸茸、四条腿”，而是会看“耳朵是尖的还是圆的”“眼睛是大的还是小的”“有没有胡子”“叫声是啥样的”——把这些“小细节”合在一起，就知道是不是猫了。
深度学习也是这么干的：它会把数据拆成“小细节”，一层一层地找规律。比如认猫的时候，第一层先找“图片里的线条”（比如耳朵的轮廓线、眼睛的轮廓线），第二层找“线条组成的形状”（比如三角形的耳朵、圆形的眼睛），第三层找“形状的组合”三角形耳朵+圆形眼睛+长胡子”），最后一层把这些组合起来，判断“这是不是猫”。
这样的算法，比以前“聪明”在哪？
第一，能找“细规律”，不容易认错。以前的算法只会看“大特征”，现在的深度学习能看“小细节”——比如区分猫和狗，它能注意到“猫的瞳孔是竖的，狗的瞳孔是圆的”“猫的胡子更细更长，狗的胡子更粗更短”，这些小细节一抓，认错率就大大降低了。认猫的准确率，已经能达到99以上，比很多小朋友认的都准。
第二，能“举一反三”，学得更灵活。比如教ai认“苹果”，给它看的都是“红色的圆形苹果”，但深度学习能从这些苹果里，学到“苹果的表皮有光泽、顶部有小凹陷、咬一口有果肉和籽”这些“共同特征”——就算