什么是深度学习？人工智能能影响未来的特点之一
人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人工智能的理论、方法、技术及应用系统的一门新的技术科学。
人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能与人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等[1]。
毫无疑问，人工智能，是未来国家资源争夺的基础工具，人工智能发展好的企业，将会处于行业的顶端，在国际链条上也会处于食物链的顶端，而人工智能基本没有发展的企业，将会被锁定在资源供应国的地位，将会被迫被剥夺，被剥削，在微笑曲线的底端。
我国具有人工智能研究大量的基础数据，美国具有人工智能研究的最先进的技术或者说是算法，是算法和基础数据的结合，将会对人工智能的迭代与升级以及研发的促进带来革命性的新机遇，所以在人工智能研究上，中国和美国都非常具有优势。
人工智能能够影响未来的特点之一就是能够深度学习，本文重点探讨：什么是深度学习?
大多数人认为深度学习是人类用特定的规则去“编码”AI，利用我们自己的认知去“教导”AI，才能让算法具备相应的能力。
但事实上深度学习是模拟人脑进行学习的思维方式，有输入，也输出，还有复杂的中间层结构。
受人类大脑内部复杂的神经元网络的启发，深度学习模拟生物神经网络，构建出包括输入层和输出层在内的人工神经网络，当将数据输入该网络的输入层后，在输出层就会显现出相应的处理结果。在输入层和输出层之间，可能存在很多中间层（又称隐藏层），从而能够更深入地刻画所处理对象的特征，并具备更强大的函数模拟能力。几十年前，计算机算力有限，只能支撑一两层中间层。近年来，随着算力增强，可以训练出有成千上万层中间层的网络，“深度学习”即由此得名[2]。
举个例子，我们如果想要研究和训练AI利用人工神经网络去深度学习，去识别和确认图片上是否有花朵，我们需要向AI“投喂”数百万张带着“有花”或“无花”标签的图片样板，就好比现在有些家庭里的智能音箱，你越和它对话，说的话越多，给它的信息越多，那么它就会越来越聪明，也是一个道理，都是需要它先去学习，然后才能通过学习后去判断，去识别，每一次新的输入行为都能提高输出正确结果的概率，而这里面它们学习的原理就是：
人工神经网络的训练是一个数学处理过程——通过不断调整网络中的数百万个参数（有时甚至是数十亿个参数），来最大限度地提高“只要输入有花的图片，就输出‘有花的判定”的概率，以及“只要输入没有花的图片，就输出‘无花’的判定”的概率。
在训练过程中，人工神经网络和其中的参数会组成一个巨大的数学方程组，用以解决有花无花的问题。一旦完成训练，它就可以对从未见过的图片进行判断，确定图片上是否有花[3]。
根据这个原理，我们在做深度学习的时候，就要知道如何去建立输入和输出，如何提高输出的正确概率，训练AI，让它更聪明。
但目前为止，AI还远远没有达到我们想要的目标，也就是说到现在为止，AI还没有那么的智能，未来还需要很长的路要走。
那么为什么深度学习让大家这么兴奋？
内在原因来看，我们发现她做得比传统方法好，而且也比传统方法成本更低。
从成本来看：以前某个任务需要 3 个工程师从清洗数据、找特征、构建模型、训练与应用，这些都跑完一个流程，需要3个月。这还不算找特征、构建模型这些工作需要很强的行业领域知识与工程经验。总共消耗了9个人月。
而深度学习所做的就是，现在只需要一个工程师，清洗数据、构建模型、训练与应用，可能只需要一个月，总共1个人月。
为什么？首先深度学习降低了找特征的成本，甚至可以说在某些时候可以把这个过程忽略，在以前这个过程本身可能就需要3～5个人月的反复工程实验。而清洗数据也更快了，因为深度学习的鲁棒性更好（rubust），尤其是针对大数据的鲁棒性（百万条数据）。如果放在2、3年前，深度学习的训练与应用所需要的时间成本也不低，可是现在无论是各种框架（Torch，Keras，TensorFlow）也好，还是各种工程经验也好，都更加充足了，使得时间成本越来越低。
从外在原因来看，深度学习遇到了两个机会：
1、GPU（显卡）速度很快，并且深度学习可利用，极大的降低了工程实验成本；
2、互联网数据获取越来越容易，数据量越来越大（传统方法很难处理一些领域的大数据）。
你需要知道的：
- 深度学习不是万能药，她可能不会、至少短期不会在所有领域上大放异彩
- 深度学习同样需要领域知识，处理文本和处理图像的模型可以类似，但是细微差别就可能导致极大的不同，而找到最合适的模型需要工程师本身就有很强的经验
- 深度学习并不昂贵，并且成本越来越低，前提是你知道你想要什么
- 深度学习需要其他各种知识与能力的配合，例如处理文本依然需要正则表达式，处理图像与视频，依然需要大量的相关知识
- 深度学习是机器学习 + 大量的技巧与经验，深度学习实际并没有超出机器学习范畴，各种传统的测试、验证方法必须要有；传统的聚类、分类、强化、回归模型经验也要有；除此之外，还需要熟悉深度学习的各种训练技巧
你可能想尝试的：
- 把问题总结好，寻找可能建模的点
- 假设你拥有一些数据，人可以通过这些数据得出结论，深度学习可能也可以并且成本更低；假设你没有数据，或者人也无法仅仅从这些数据得到结论，那么深度学习很可能也无能为力
- 深度学习可能是一种低成本的尝试点，不要太高估她，不过至少你觉得有一点点可能性，最好咨询相关专家，成本可能没有你想象的那么高
未来发展
随着科技技术的进步，不管是网络安全还是大数据，这些领域会随着深度学习不断推动行业的技术创新与新兴行业的发展，AI人工智能在以后将会涉及到每个行业，以及我们日常的生活，我们一定会看到更加惊人的进步。
