通俗来讲，它通过对人和动物大脑的仿生，将计算代码模拟为简单的、相互连接的神经元，并通过修改单元之间的连接，来不断进行经验积累，让它形成自己的逻辑推理，自我完善发展。

　　这就像人的成长，刚出生时只有最基础的本能，只有经过慢慢长大，不断学习，才能在不同的领域绽放光彩。成长环境的不同，学习方向的不同，都会影响未来的前进方向与成就高度。

　　这个概念的另一个通俗叫法，是"机器学习"。这个词显然更直接，它的目的就是要让机器学习，自己进化。

　　比如，科学家们有过这样的实验：他们制造了一个机械海星，只为它输入了控制自身部件的简短代码，以及让它"学会自己走路"的目标，但它通过深度学习，只用了很短时间，就从只能在原地蠕动，到学会了流畅地行走，甚至当科学家截去一部分"肢体"，它依然能顽强地继续前进。

　　这并非科学幻想，而是2015年初就已完成的真实实验。

　　而现在，这种人工智能的深度学习，正在无数个不同的领域展开实验，不断累积通往下一次进化的经验与数据。

　　就像本文开始列举的那些黑科技，都是有人工智能和深度学习参与的应用实例。

3

　　深度学习的原理并不复杂，但为何直到近年方才盛行？

　　关键原因在于，海量数据的模型训练，是深度学习的核心过程，人工智能赖以提升智能水平。

　　因此，它的发展需要三个核心推动力，缺一不可。

　　一、海量的数据。

　　如果以网络游戏来比喻，数据就是人工智能赖以升级的经验包。如果没有足够多的数据，深度学习将无从谈起。

　　因此，人工智能进展最快的领域，比如棋牌比赛、金融、语言与图像识别等，都是拥有海量数据样本的业务。

　　过去20年来，正是信息通信技术（尤其是互联网）的发展，积累了庞大的数据，并产生了大量的数据处理需求，从而为人工智能爆发奠定基础。

　　一个第三方的估测数据是，过去三十年来，全世界的数据量，一直以大约每两年10倍的速度激增。

　　而随着我们进入大数据时代，每个人、每件设备的每个行为，都将纳入大数据的信息图谱，我们产生的数据量还将持续增长。

　　在这方面，英特尔全球副总裁兼中国区总裁杨旭有一组数字，可以作为参考：

　　二、强大的计算力。

　　只有超强的计算力，才能处理无比庞大的海量学习数据。

　　得益于摩尔定律的驱动，硬件的计算能力一直在持续增长。如今，一部智能手机的计算性能，都已经远超几十年前的超级电脑。

　　此外，专门针对深度学习的集成电路产品，近年来更发展迅猛。

　　比如英伟达（Nvidia）业绩的突飞猛进，就是因为人们发现，曾经用于增强电脑显示能力的图形处理器（GPU），比传统的中央处理器（CPU）更适合用于深度学习，这让GPU巨头英伟达成功转型，从一家并不引人注目的显卡制造商，摇身变为人工智能行业的领潮者。

　　而高通、英特尔等在PC和移动互联网时代的芯片领袖，在过去10多个月中，也已经在这个方向上发起全力冲刺。

　　比如英特尔，已经连续收购了Indisys、Saffron、Itseez、Movidius、Nervana等公司，从自然语言处理、认知计算、计算机视觉模式识别等不同领域，提升自家的人工智能实力。

　　12月2日，英特尔更首次对外公布其人工智能的整体战略和路线图，未来将通过机器学习和推理系统两条路径，搭建从硬件平台、到软件与数据库（开发工具、开放框架、数据库、开发者培训）在内的一整套解决方案，最终"重新定义AI"。

　　英特尔称，将打造一系列适应深度神经网络的特殊处理器，并全面提升自身产品在深度学习领域的性能。比如至强Xeon处理器的最新版本Skylake，性能将提高18倍；最新版本的至强融核处理器Knights Mill的深度学习性能，将是上一代产品的四倍，培训时间可以减少31倍；其Lake Crest的深度学习性能，也将在2020年达到目前市面GPU芯片的100倍。

　　三、先进的算法。

　　对人工智能来说，算法程序就像是生物体内的DNA，它决定了深度学习的能力与效率。