历史总是由一群人共同创造的，历史的闪亮则是由一群人中的某一小撮人创造的。那么，我们看看深度学习的成功史，看看ChatGPT是怎样出现的。
LeNet（1989）在小数据集上取得了很好的效果，但是在更大、更真实地数据集上训练卷积神经网络地性能和可行性还有待研究。
与神经网络竞争的是传统机器学习方法，比如SVM（支持向量机）。这个阶段性能比神经网络方法好。
这个时期，有好多人在研究，他们持有不同的观点和信念，有一小撮人的观点、信念以及思想主张和坚持，最终成就人类的历史伟业。
机器学习研究人员的观点：相信机器学习既重要又美丽，用优雅的理论证明各种模型的性质。
计算机视觉的研究人员的观点：推动领域进步的是数据特征，而不是学习算法。他们相信，从对最终模型精度的影响来说，更大或更干净的数据集或是稍加改进的特征提取方法，比任何学习算法带来的进步大的多。
另一种观点：观察并设计图像特征的提取方法。主要工作是设计一套新的特征函数，改进结果并撰写论文，代表性成果有：SIFT、SURF、HOG等。
还有一组研究人员（Yann LeCun, Geoff Hinton, Yoshua Bengio, Andrew Ng, Shun-ichi Amari, and Juergen Schmidhuber）的观点：认为特征本身应该被学习。有趣的是，在AlexNet网络的底层,模型学习到了一些类似于传统滤波器的特征提取器。
最终的突破出现在2012年，AlexNet在ImageNet挑战赛上一战成名，以很大优势赢得挑战。成功可以归因于两个关键的因素：数据和硬件。2009年，ImageNet有100万个样本，1000个不同类别的对象。硬件上GPU的发展，庞大的GPU数量远远快于CPU的计算能力，GPU的带宽比CPU快10倍。
在这个思路上一路狂奔，出现了阿尔法狗（AlphaGo）一样，2016年和2017年在围棋挑战赛上分别打败李世石和柯洁，引发全球轰动。
在这个思路上继续发展，产生了transformer、bert等等优秀的深度学习模型类，ChatGPT（2022）则是一个现象级应用，吸引了大量关注。
ChatGPT的出现，其基础是超过万亿的数据量（数据），上万张的GPU并行计算（算力），千亿甚至万亿参数的神经网络（算法），在今天，处于全球领先地位（ state-of-the-art），具有强大的引领效应。
从transformer到ChatGPT的演进过程，可参考文章《ChatGPT技术原理解析：从RL之PPO算法、RLHF到GPT4、instructGPT_v_JULY_v的博客-CSDN博客》。