发展出图像识别成功率超越人类的人工智能的主要因素有（）。A. 计算力的提升B. 大量数据驱动C. 社会关注度提升D. 人类专家规则的完善

考查要点：本题主要考查对人工智能图像识别技术发展的核心驱动因素的理解，重点在于区分直接技术因素与间接影响因素。

解题核心思路：
人工智能图像识别的成功依赖于计算资源和数据规模的突破。深度学习模型需要大量计算能力支撑训练，同时需要海量标注数据进行学习。相比之下，社会关注度和人工规则的作用相对间接或被弱化。

破题关键点：

• 计算力（如GPU、TPU等硬件发展）是模型训练效率的直接推动力。
• 数据量（如ImageNet等大规模数据集）是模型泛化能力的基础。
• 传统规则驱动的方法已被数据驱动的深度学习取代，社会关注度属于外部因素。

选项分析

A. 计算力的提升

关键作用：深度学习模型（如卷积神经网络）训练需要大量算力。计算力的提升（如并行计算、云计算）显著缩短训练时间，支持更大规模模型的开发，直接推动识别精度超越人类。

B. 大量数据驱动

核心逻辑：深度学习通过数据学习特征，而非依赖人工设计规则。数据量的指数级增长（如ImageNet、COCO等数据集）为模型提供了丰富的学习材料，提升泛化能力。

C. 社会关注度提升

间接影响：关注度可能促进资金和人才流入，但无法直接提升模型性能。例如，AlphaGo胜利虽引发关注，但技术突破仍依赖算力和算法。

D. 人类专家规则的完善

历史局限性：传统计算机视觉依赖专家设计特征规则（如边缘检测），但深度学习通过数据自动学习特征，已逐步弱化对人工规则的依赖。