人工智能发展到今天起关键作用的是算法还是算力？

我认为两者是都需要的，相辅相成。在不同的阶段有不同的瓶颈。
比如，神经网络其实早就有了，但是由于当时的算力跟不上，根本不能算太多层的网络，导致算法的表现一般。现在算力上去了，神经网络又大热起来。并且，也会有更多的算法改进一起来提升效果。
又比如，以前由于数据量 计算能力的局限，对于不同的数据，不同的算法模型的表现差异会比较大。但是当数据量足够时，可以看到不同模型的差异会越来越小。

算力让我们有机会去验证老想法，实验新算法，新想法，所有我觉得这两方面是结合在一起的。

算法如同望远镜，让我们可以看到月球上有什么，算力如同航天飞机，让我们能够验证我们看到的是否真实。AlphaGo就算你有算法，有代码，没有算力，你也训练不出一个能打败人类的模型

人工智能，深度学习这几年开始火的原因主要就是算法上解决了原来人工神经网络梯度消失等影响网络规模的问题，以及CNN创造性的出现对图像领域的巨大成功。所以总体上还是算法在推动，甚至推动了GPU的火爆。

算力已经一定程度有解了，当是也是有限的，最关键问题是有合适的数据对问题的partern有效

我觉得是算力推动算法，很多算法很多年前就有了， 但是由于算力不够，就一直没有大规模应用，也就没有接下来的大规模研究了。
不过总的来说，是相辅相成的。

都有的，深度学习，在几年模型比较确定，但是产生出很多新的东西，另外，硬件性能确实是以前很多倍，这样组合在一起，达到目前的情况了

个人认为两者贡献都很大，缺一不可，也是互相弥补的，算法可以弥补算力的不足，而如果算力很高，对算法优化的需求也会减少

一定是计算方法的突破，算力不是核心瓶颈

我认为人工智能符号学派是人工智能继续发展的未来，现在的机器学习与深度学习类似于仿生学，但人类区别于动物的真正的智能是对语言的使用，以及用语言来协调组织社会行动，并用语言与文字给出行动蓝图和社会组织蓝图。

现在算力还算瓶颈吗？只能说，相对时间内，如果计算工作量巨大时，算力才有可能是瓶颈。但目前分布式调度完全可以解决了，只是单次调度的资源成本问题。所以，很明显是算法的不断改善才造就了如果的人工智能，甚至机器智能。