By 超神经
从深蓝在 1997 年战胜当时的国际象棋世界冠军 Garry Kasparov ，到 Alpha Go 在围棋上秒杀当代高手，到已经过去了 10 年，这也是深度学习迅速发展的 10 年。
细数深度学习本身的历史还要在往前推约 30 年，在这近 40 年的时间里，深度学习逐渐从一个概念变成如今可供应用的产品，并成为人工智能技术的关键方法。
基于不同系统的 AI
早在 1956 年 8 月 31 日，著名计算机科学家 John McCarthy 在达特茅斯会议上提出人工智能计划，点燃人工智能革命的圣火，算是 AI 发展的开端。此后，AI 从基于规则的系统逐步过渡到基于机器学习的系统，再到如今基于深度学习的系统。
基于规则的 AI 系统
这是出现最早的 AI 系统，依靠人工输入的规则来运行。这也是它的主要问题——过于依赖规则，难以适应规则的变化，存在较大的应用局限。
基于机器学习的 AI 系统
为了解决这个问题，机器学习方法出现。该系统通过大量历史数据和人为信息输入实现自主学习，可以适应简单的数据或规则变化。
不过，该系统对人为信息输入的依赖度较高，因此需要信息输入者具有一定的专业知识，而且要保证信息准确且全面。但是，随着应用场景增加，保证信息准而全几乎不可能。
基于深度学习的 AI 系统
为了解决机器学习对人为信息输入依赖度过高的问题，深度学习又叫「表征性学习」出现。
该系统通过大量历史数据实现自我学习，对未来可能出现的多种结果进行预测，并制定相应解决方案。从而解决了机器学习对人为信息输入依赖度过高，以及人为信息输入存在较大错误率的问题。
在 AI 、机器学习和深度学习三者关系的理解上，可以认为深度学习是机器学习的子集，机器学习是 AI 的子集。因此，深度学习对整个 AI 体系的构建是比较重要的。
神经网络：深度学习系统的基石
那么，深度学习为什么能做到这一切呢？
答案就是我们经常所说的神经网络算法，神经网络由许多简单的处理连接点组成，类似于人来的神经元组织，它一般包含以下三个层级：
输入层 :数据输入；
隐藏层 :与输入层相关联的处理节点（一个神经网络通常有两个以上的隐藏层）；
输出层 :将处理过的信息转换成可以被输出的节点。
神经网络的工作原理是由简单到复杂的模式识别。他们在网络的第一层学习简单的数据处理功能，然后根据相关定义生成节点，之后将这些节点输入到网络的后续层中，并派生出其他更为复杂的特性，整个过程一直持续下去，直到它被最终输出。
深度学习的兴起
1943 年，美国神经科学家 Warren McCulloch 就提出基于数学和一种被称为阈值逻辑算法的神经网络计算模型，成为深度学习系统的理论基础。
但由于缺乏足够的数据用来训练深层神经网络，加上训练深层神经网络所需的计算能力不足，导致该研究发展缓慢。直到 1980 年，福岛邦彦才提出基于人工神经网络的深度学习框架。
如今，依靠大数据和云计算，深度学习得以迅速发展。从 2000 年至今，计算机的运算能力提高了 10000 倍，数据存储成本也下降了约 3000 倍，而且，随着互联网崛起、智能手机不断普及和社交媒体的出现，催生出大量数据供神经网络使用。
主要应用领域
当然不可能一直陪你下围棋啦，那 AI 跟棋魂有什么差别（误）
在实际应用方面，深度学习可以做到一些此前只有人类能做的事情。比如人类善于通过图像识别特定对象，通过翻译了解不同国家的语言和文化。现在，深度学习同样能做到。
此外，在计算机视觉和自然语言处理方面，深度学习也有不错的表现。当然这些只是深度学习比较常见的应用领域，在未来深度学习还有更多可能，比如给在座的各位配置一个像「钢铁侠」中贾维斯一样的管家。
