想要在某一领域取得重大突破，是一件容易的事情吗？从专家的回答来看，这并非一件易事。比如，Brian K Kobilka说道，花费25亿美元、经历7-12年的时间，但最终一种新药成功上市的概率只有10%-15%。虽然人工智能推动了神经学的研究，但其实神经学没有任何概念上的突破。在过去很多年里，都不好意思说自己在研究人工智能，因为什么都没有做出来。即便目前取得了一点进展，但仍然困难重重。具体来说，从50年代开始，就已经有人在做人工智能 ，但从50年代到2011年做的都不好。2011年是一个分水岭，主要有四方面的原因：一是实际应用的刚需。之前手提电脑非常多，虽然手提电脑能移动，但是大部分的情况下我们不会拎着电脑去吃饭，出去旅游时用电脑拍照。后来手机出来以后，手机上的摄像头变成了人的第三只眼睛，我们在微信上发的最多的就是照片或者是视频。一图胜千言，这时候产生了大量的数据，这些数据需要智能地分析，所以有了实际应用的刚需。二是数据的体量有了大幅的增加。原来数据是从电脑中产生的，有手提电脑的人还是很少的，因为要一万多块钱一台，但是红米手机一出来，五六百块钱一台，任何人都可以购置两台。原来不到一亿的用户，一下子变成十亿、二十亿，体量出来了，也就产生了大量的训练和应用数据。三是可承受的硬件训练平台。原来我们用CPU的时候，做人脸识别时会用近千个核，但还是要跑一两个月才能把一个算法跑出来，然后调一个参数，再来两个月，又花钱又花时间。但后来用GPU，十台机器、六个小时，同样的东西就跑出来了。所以，这就给大学实验室和小公司一个可承受的硬件平台和能力来做训练。四是算法的革命性的进步。有了前三个方面还是不够的，最后深度学习的框架允许我们做端到端的学习，有了大量的参数，以前我们是做小参数学习的。而且还要将这些小参数设计的非常复杂，因为要解决很多问题，但实际的应用很不理想。但深度学习的网络框架，允许我们用几千个、几万个、几亿个参数，用无穷大的数据直接覆盖各种场景应用。这样就可以在一些单项、个别的应用上超过人类，意味着可以替人类来做这个工作。人工智能突飞猛进是因为计算能力的指数增长，以及大数据的产生和算法的改进。
