一位同事最近问我，深度学习是否像炒作一样。它真的是革命性的，还是只是用新名字打扮的老东西？与大多数时尚一样，事实介于两者之间。
让我们先消除炒作。我听说深度学习被称为将导致“强人工智能”（通用的、通用的人工智能）的突破，并且似乎已经激怒了一些有钱人（ 伊隆·马斯克 ）、聪明人（ 斯蒂芬·霍金 ）（ 史蒂夫·沃兹尼亚克 ）关于人类的终结。如果我们从使用“大数据”和“万物互联”等术语中学到了什么，那么这种荒唐的说法可能有点言过其实。
但深度学习远不止炒作，它是向前迈出的重要一步。微软现在使用深度学习算法来改进其虚拟助手 Cortana 的识别任务，包括 识别狗的品种 以及在广泛接受的图像分类测试中 比人类得分更高 。几年前，谷歌凭借一个 识别 YouTube 视频中的猫的系统 登上了头条新闻。
天崩地裂？可能不会。但这些都是朝着正确方向迈出的步骤。以下是深度学习不仅仅是历史注脚的几种方式。
越来越抽象的模式
深度学习及其背后的算法受到两个互补领域的启发：脑科学和教育。
为了帮助了解这种联系，了解大脑在高层次上是如何工作的是很有用的。神经元组负责检测特定类型的模式。这些组处理数字输入并在检测到匹配项时触发。实际上，每个组都由许多通过生化机制发射的神经元组成，但这种近似适用于我们的目的。
这些神经元组在逻辑上分层堆叠在一起。每个“层”负责检测特定抽象级别的模式类型。当你“向上”层时，这些神经元的输入是来自较低层的模式识别器的输出。当你添加更多的层时，你会得到更多的抽象模式。
雷·库兹韦尔 (Ray Kurzweil) 在他最近出版的 《如何创造思维》 一书中对此进行了精彩的描述。以视觉皮层为例，他描述了下层神经元如何检测边缘、颜色和方向，而下一层检测“这是一条水平线”、“这是一个半圆”、“这是一个对角线”等。当你继续提升层次时，你会得到更多抽象的模式，比如字母，最后是单词。
学习是一个过程
深度学习不仅仅是像某些文章错误描述的那样，将大量硬件投入到相同的旧神经网络中。研究小组以前曾尝试过这种方法，但通常效果不佳。
关键的创新来自于所有地方的教育。研究人员开始使用层（类似于大脑的工作方式）对神经网络进行建模，并连续训练每一层，而不是一次性训练一个神经网络。这很有意义，因为这是我们学习的方式。在学校里，我们首先学习基本形状，然后是我们的字母，然后是基本单词，一直到情感和科学学科等抽象概念。
...还有厨房水槽
与许多其他技术趋势一样，硬件和软件必须在突破发生之前同时发展。深度信念网络的概念并不是全新的，但直到最近，它们的计算量都太过密集以至于无法实际应用。
在深度学习的情况下，你确实需要“扔掉厨房的水槽”来解决问题。拥有足够资源的公司（想想谷歌、微软和 Facebook）现在可以组装大量价格合理的计算机集群，这些计算机功能强大到足以训练这些“深度网络”并检测有意义的抽象模式。为了获得规模感，谷歌在 YouTube 视频中识别猫的项目使用了大约 16,000 个处理器。拿那个，脾气暴躁的猫。
要充分利用深度学习，您还需要大量数据进行分析。由于来自互联网、传感器和企业的数据呈指数级增长，我们有了另一个可以解决这个问题的厨房水槽。
下一步是什么
我并不担心即将到来的 AI 世界末日。相反，我对未来以及能够像我们一样学习更多知识的新一代智能机器如何改善我们的生活感到兴奋。这里只是一些可能性：
- 更智能的决策支持工具，可提高政府政策和非政府组织救援工作的有效性
- 更好的教育软件，可以作为那些无力支付专业帮助的人的虚拟导师
- 个性化药物大大减少了控制病情所需的反复试验（ Assurex Health 只是这个令人兴奋的领域的一个例子）
- 了解我们的习惯和偏好的虚拟数字助理，帮助我们组织日历、管理任务并提高工作效率
++++++++++++++++++++++++++
Matt Coatney 是一位人工智能专家、数据科学家、软件开发人员、技术主管、作家和演讲者。他的使命是通过使软件更智能并教人们如何使用（和应对）先进技术来改善我们与智能机器的交互方式。当聪明的人和聪明的机器朝着一个共同的目标共同努力时，伟大的事情就会发生。
在 LinkedIn 上关注 Matt，网址为 https://www.linkedin.com/in/mattcoatney 和 Twitter @mattdcoatney