高层回答：资源的增加在 AI 中一直很重要，而且肯定是 Deep Blue 的一个因素，但机器学习是一种更新的方法，似乎可以在更复杂的问题上用更少的资源产生更优化的结果。

这是一篇关于 AlphaGo 硬件的文章：“谷歌揭示了驱动 AlphaGo 的神秘定制硬件”

Quora 上还有一个有趣的分析：“AlphaGo 运行在什么硬件上？它是为了获得最佳性能而定制的硬件吗？”

仍然是相当强大的系统，但我认为算法与计算资源一样重要，因为世界上所有的硬件都无济于事，算法都很差。

Giraffe Chess的创造者 Matthew Lai说：

“在随后的二十年里（自深蓝以来），计算机硬件和人工智能研究都将最先进的国际象棋计算机推向了这样的地步，即使是当今最优秀的人类也没有现实机会击败运行在其上的现代国际象棋引擎。智能手机。”
资料来源：TechExplore

这表明硬件和软件都是整个方程式的重要组成部分。

大多数基础数学（如反向传播）是很久以前发现的，硬件的进步直到最近才使得在合理的时间内解决一些问题成为可能，但这不是唯一的原因。其他一些也使深度学习得到提升的因素包括：

• 大型、标记、质量数据的可用性——深度学习通常需要大量数据才能成功训练。这种数据直到最近才出现。

• 算法改进（即数学上的进一步改进） - 更好的权重初始化技术，发现 ReLu 作为 sigmoid 和 tach 激活的替代品，这对解决梯度消失问题大有帮助，发现中性网络丢失是发现可以减少过度拟合等。

• 发现更好的中性网络架构。

因此，虽然计算能力肯定是其中很大一部分，但它肯定不是唯一的因素。