在谷歌公司的DeepMind团队开发的人工智能程序AlphaGo击败世界围棋冠军之后，深度学习成为头条新闻。围棋比其他游戏更复杂，比如国际象棋，而其潜在动作的数量以指数方式爆炸，因此计算机无法使用与国际象棋相同的技术。在学习围棋时，电脑必须创造数以百万计的棋局与其对奕，并发现人类可能从未考虑过的新策略。
深度学习本身并不是新鲜事物，研究人员多年来一直在研究改进的方法，并开发新的算法。最近激发的技术是大量并行处理，巨大的数据集，以及优于传统机器学习算法的性能的融合。
深度学习与传统算法有何不同?
以下举几个例子。基于逻辑回归的信用评分模型通常会使用10到15个输入参数，如年龄，收入，地址等等。用于检测欺诈的更复杂的决策树或神经网络可能会使用数百个参数。深入学习将其带入一个全新的水平，并可能使用数十万甚至上百万个参数。而这只有在数千甚至数百万的示例训练模型时才能真正发挥作用。
互联网是找到例子的理想场所。例如，当人们搜索猫，狗，火车等图像时，它可能是用于对图像进行分类的深度学习算法。其他用途扩展到自然语言处理，翻译，面部识别，谷歌公司和Facebook公司广泛使用这些算法。有趣的是，人们被用来通过诸如Captcha这样的技术对初始图像进行分类，其中用户通过识别哪些图像是狗，建筑物，水等来确认访问的是否是人类。每批图像将包括一些已知的图像，还有一些是未知的图像，一旦有几个用户确定图像，它可以被标记分类，并且再出现新图像重复这个过程。以这种方式，可以快速分类数千张图像，以用于算法训练。
考虑到当人类痛苦的时候，这个算法是没有合理性的(距离阿西莫夫的“机器人三个定律”还有很长的路要走)。这意味着它实际上并不在乎人们是否得到预期的结果!
深度学习的下一步是什么?
深度学习的算法已被用于自动驾驶汽车的测试中，并做出可以减少交通伤亡人数的承诺。而在一个无人驾驶的世界里，当一场事故不可避免时，机器将如何应对?
深度学习现在正在处理这些传统上被认为是人类特有的工作，如驾驶、新闻、法律、保险承销和一系列更广泛的工作。
然而，它还将创建新的作业功能，如算法审计员和分析人员以算法可以理解的方式来构建问题。
深度学习领域已经发展得很快，而在接下来的几年里，其将以指数的速度发展。
