Deep Learning（深度學(xué)習(xí)）是神經(jīng)網(wǎng)絡(luò)技術(shù)的一種。其最具變革性的一點是，只要有足夠的學(xué)習(xí)數(shù)據(jù)，神經(jīng)網(wǎng)絡(luò)自身就可以將數(shù)據(jù)群的特征自動提取出來。在此之前的圖像和數(shù)據(jù)的解析，需根據(jù)各個數(shù)據(jù)和問題進行析取算法的操作。但是，深度學(xué)習(xí)則不需要人為操作，而是自動提取特征。稍微粗略的說，就是這樣的意思：只要向神經(jīng)網(wǎng)絡(luò)注入數(shù)據(jù)，就可以任意提取特征。

神經(jīng)網(wǎng)絡(luò)是將模仿被稱為神經(jīng)元的腦神經(jīng)的單位進行鏈接，形成的網(wǎng)絡(luò)狀的圖。輸入的信號實現(xiàn)傳播。神經(jīng)網(wǎng)絡(luò)在20世紀(jì)80年代出反向傳播算法以來一個較大變革，是在2006年杰佛里·辛頓等人提出的一種被稱為自動編碼器的新的學(xué)習(xí)方法。該方法的特征之一是，可以讓神經(jīng)網(wǎng)絡(luò)的各層進行階段性學(xué)習(xí)。比如：讓第一層學(xué)習(xí)將輸入的信息原樣輸出，讓第二層學(xué)習(xí)在第一層的基礎(chǔ)上按照同樣的方法再現(xiàn)輸入，第三層以后同樣操作。這樣分階段使之學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，即使層數(shù)不斷遞進，仍然擁有強大的學(xué)習(xí)能力。

深度學(xué)習(xí)最擅長的是對圖像數(shù)據(jù)和波形數(shù)據(jù)等無法形成符號的數(shù)據(jù)進行模式識別，通過輸入層輸入圖像后進行階段性學(xué)習(xí)。一般常用的神經(jīng)網(wǎng)絡(luò)的構(gòu)造是各層全部連接到一起的感知型神經(jīng)網(wǎng)絡(luò)。

但如果是圖像識別的話，采取特殊的連接方法會比較順利。這個被稱為卷積神經(jīng)網(wǎng)絡(luò)。參考人類大腦視覺皮質(zhì)進一步將此發(fā)展的，是當(dāng)時NHK放送技術(shù)研究所的福島邦彥提出的神經(jīng)認知機。它是深度學(xué)習(xí)的原型。其特征是，擁有對輸入的數(shù)據(jù)進行不同大小切分并提取特征的多尺度中間層。比如，輸入汽車的圖像，從細節(jié)的樣式到大的構(gòu)造以及整體的輪廓都可以提取出來。

利用這一性質(zhì)，深度學(xué)習(xí)也被用于圍棋AI。2016年打敗職業(yè)棋手的谷歌AlphaGo，將期盼整體輸入，通過各種各樣的尺度進行特征抽取。另外，使其對巨匠的繪畫筆觸進行學(xué)習(xí)，還有提取動畫人物特征的相關(guān)研究。

這種深度學(xué)習(xí)大為活躍的背后，離不開計算機硬件性能的提升。特別是，神經(jīng)網(wǎng)絡(luò)市定型運算的重復(fù)，可以進行并列計算的部分較多也是其一個特征。因此，就能夠利用搭載支撐游戲產(chǎn)業(yè)和計算機圖形行業(yè)發(fā)展的GPU的圖形板。現(xiàn)在，GPU是由數(shù)以百計的計算內(nèi)核構(gòu)成的并列運算裝置，適用于深度學(xué)習(xí)的高速計算。圖形板巨頭NVIDIA，在自己公司的圖形板中提供可以提高深度學(xué)習(xí)性能的庫和架構(gòu)。另外，在數(shù)據(jù)解析方面，谷歌公開了可以運用深度學(xué)習(xí)的架構(gòu)“TensorFlow”。

深度學(xué)習(xí)是人工智能領(lǐng)域整體中的一個分野，雖然這個說法不太好，但在2000年前后，它并沒有廣泛流行。倒不如說，它是一個雖然擁有傳統(tǒng)卻不知該往何處去的分野。但是，有遠見卓識的研究者的努力，使之發(fā)生很大的變革，一躍成為時代的中心。只不過，關(guān)于這些努力，有研究者認為較深度學(xué)習(xí)之前的神經(jīng)網(wǎng)絡(luò)有了飛躍性的提升，但與一下子接近人類這樣的社會認識之間仍然有些差距。而且，要達到真正實用于社會，還需要時間以及經(jīng)歷一些階段?，F(xiàn)在，面向眾多領(lǐng)域，以實用為目的的技術(shù)開發(fā)，正在全世界范圍內(nèi)快速進行著。