Сам термин «глубокое обучение» появился еще в 1980-х годах, напоминает «КоммерсантЪ». Этот подход к созданию ИИ предполагает использование модели нейронных сетей, которые воспринимают поступающую информацию слоями. Каждый из таких слоев нейтронов, объединенных в единую сеть, оценивает получаемую информацию (изображение или звук) по какому-то одному признаку. Полученные данные суммируются сетью для выдачи конечного результата оценки. Долгое время эта технология считалась бесперспективной, а искусственный интеллект опирался в первую очередь на другую модель — машинное обучение. Оно предполагает обучение программы на собственном опыте. Для этого, правда, ей нужна исходная база данных с примерами необходимых решений. Например, если это программа распознавания лиц, то ей понадобится подборка фотографий, на которых будут помечены лица людей.
Причина продолжительного превосходства машинного обучения над нейросетями — банальная неготовность существующих технологий выполнять инновационные задумки ученых. Так было до 2012 года, пока группа ученых (среди них был Джеффри Хинтон) из университетов Торонто не представила результаты конкурса распознавания изображений ImageNet. На нем с большим отрывом победила нейросеть, показав результат 85% верных ответов. С тех пор именно глубокое машинное обучение с использованием нейросетей стало передовым направлением в области создания ИИ.
«Искусственный интеллект сейчас одно из самых быстрорастущих направлений исследований в науке и одна из самых обсуждаемых тем в обществе, — говорится в заявлении ACM.— Рост интереса к искусственному интеллекту — это заслуга, и немалая, недавних успехов в разработке глубокого обучения, базис для которого заложили Бенджио, Хинтон и Лекун».