經常在網絡上看到人工智能、機器學習、“深度學習”這些詞匯，但真正理解它們的人卻少之又少，多數人對這詞匯的含義及其背后的關系似懂非懂。

“深度學習”與人工智能密不可分，要講清楚什么是“深度學習”，就要先從人工智能說起。

自從 1956 年計算機科學家們在達特茅斯會議（Dartmouth Conferences）上確認人工智能這個術語以來，人們就不乏對人工智能奇思妙想，如今雖然夢想的局面還沒有出現，但是稍微弱一點的人工智能已經大行其道了，比如圖像識別、語音識別、多語言翻譯等。

機器學習是實現人工智能的一種重要方法。機器學習的概念來自早期的人工智能研究者。簡單來說，機器學習就是使用算法分析數據，從中學習并自動歸納總結成模型，最后使用模型做出推斷或預測。與傳統的編程語言開發軟件不同，使用大量的數據送給機器學習，這個過程叫做“訓練”。

“深度學習”，是機器學習中近年來倍受重視的一種。“深度學習”根源于類神經網絡模型，但今日“深度學習”的技術和它的前身已截然不同，目前最好的語音識別和影像辨識系統，都是以“深度學習”技術來完成的，像各手機廠商宣傳的AI拍照功能，以及此前紅遍大街小巷的阿爾法圍棋（AlphaGo，是第一個擊敗人類職業圍棋選手、第一個戰勝圍棋世界冠軍的人工智能機器人，由谷歌旗下公司開發 ）都是基于“深度學習”技術，僅僅是應用場景不同。值得注意的是，“深度學習”本來并不是一種獨立的學習方法，其本身也會用到有監督和無監督的學習方法，來訓練深度神經網絡。但由于近幾年該領域發展迅猛，一些特有的學習手段相繼被提出（如殘差網絡），因此越來越多的人將其單獨看作一種學習方法。

最初的“深度學習”是利用深度神經網絡來解決特征表達的一種學習過程。深度神經網絡本身并不是一個全新的概念，可大致理解為包含多個隱含層的神經網絡結構。為了提高深層神經網絡的訓練效果，人們對神經元的連接方法和激活函數等方面做出相應的調整。其實有不少想法早年間也曾有過，但由于當時訓練數據量不足、計算能力落后，因此最終的效果不盡如人意。

截至目前，“深度學習”在圖像、語音等富媒體的分類和識別上取得了非常好的效果，所以各大研究機構和公司都投入了大量的人力做相關的研究和開發。

其實，在我們日常生活中已經有很多應用“深度學習”技術的案例了。

在電商行業，我們瀏覽淘寶時，頁面中有很多都符合你的愛好并且最近有意向購買的商品，這種個性化推薦中就涉及到“深度學習”技術；還有就是在購物界面能和你進行對話，解決疑問的淘寶智能機器人，也涉及“深度學習”技術。

在交通領域，通過“深度學習”技術能監測到車輛停車、逆行等行為，甚至精確識別車輛的車牌號、顏色、車型、車輛里的人物等來輔助交通執法，甚至在發生交通事故和交通擁堵時進行報警等。

在金融行業，銀行通過“深度學習”技術能對數以百萬的消費者數據（如年齡、職業、婚姻狀況等）、金融借款和保險情況（是否有違約記錄、還款時間、車輛事故記錄等）進行分析，進而判斷出是否能進行貸款服務。

在家居行業，智能家居的應用也用到了“深度學習”技術，比如智能冰箱通過圖像識別等技術，記錄食材種類和用戶日常飲食數據，進而分析用戶的飲食習慣，并根據多維度給出最全面的健康膳食建議。

還有教育行業、醫療行業等，“深度學習”技術已經滲透到多個行業和領域

責任編輯：PSY