Hinton 解释了这个理论。假设神经元网络在绘制摄影图像，比如说画一只鸟。“输入指令‘像素’然后第一层单元就会检测边缘，一边暗，另一边亮，第二层神经元会根据第一层的数据进行分析。”例如，某一个神经元会直接描绘鸟嘴的角度。

　　下一层会进行更复杂的立体基阵，比如许多边排列成一个圈。这时神经元可能对应出鸟的头部。更高级的神经元会检测在鸟头部附近的圆圈里反复出现并列的像鸟嘴的角度。它会检验那是不是鸟头。Hinton说道，更高级的神经元层会对应出更复杂的形态，直到绘制出我们所定义的“鸟”的形状。

　　然而，仅仅通过神经元层给出信息是不够的，我们需要知道最高层神经元是否得到了正确结果，如果没有的话，需要撤回信息确保低级神经元能够重新整合优化结构。于是深层学习就出现了。

　　在 20 世纪80年代初期，Hinton在研究这个问题，法国的一位叫Yann LeCun 也在做相同的研究，j2直播，他刚开始在巴黎进行他的毕业设计。LeCun 对 Hinton 1983 年的一篇阐述了多层神经元的文章产生质疑。“在那个时候，这篇文章没有很好地进行表述，因为在那个时期，你提到‘神经’和‘神经元’这样的词是很难发表文章的。”他回忆道，“于是他就以模糊不清的方式写了文章，审稿人才通过这篇文章，但是我对这篇文章很感兴趣。”二人在两年后相见，并就此展开研究。

　　1986 年，Hinton 和他的两位同事就利用算法解决错误相关问题发表了学术文章。“这篇文章是神经元第二次风波的基础。” LeCun 说，这再次燃起了他对此领域的兴趣。

　　跟随 Hinton 完成博士后工作以后，LeCun 在 1988 年去了美国电话电报公司的贝尔实验室，在这个地方，他完成了接下来十年的基础工作研究，这些研究至今仍在图像识别领域被沿用。 20 世纪 90 年代，根据 LeCun 的研究，贝尔实验室的子公司 NCR 生产了一种神经元支持的产品，这种产品广泛用于银行，它可以读取支票上的手写数字。同时，两名德国研究员也独立研究了不同类型的算法，20 年后的今天，这种算法在自然语言处理应用程序中十分重要。

　　然而在 20 世纪 90 年代中期，神经元算法再次衰落，被一种计算机时代更有效的机器学习工具所替代，这种状况持续了十年左右，直到计算能力增加了三到四个数量级，这时研究者发明了图形处理器加速器。

　　但是数据仍然在丢失，尽管互联网里充满了数据，但是大多数数据都没有被示踪，尤其是图像里的数据，于是就需要训练神经元。这也正是斯坦福人工智能教授李飞飞所研究的，“我们的视觉来源于大数据改变机器学习的工作模式，数据驱机器学习。”她在一次采访中解释。

　　2007 年，她启动了 ImageNet 项目，在免费网站上收集了超过一千四百万被示踪的图像。2009 年和 2010 年，她都举办了年度激励竞赛，并且发表了在计算机视觉上取得的研究突破。

　　2012 年 10 月，两个 Hinton 的学生赢得了这个比赛，我们也因此清楚地看到了深度学习目前能够到达的程度。

　　在此之前，大众已经因为另一个事件了解了深度学习。2012 年 6 月，Google Brain 发布了一个创意项目的结果，现在这个项目已经广为人知，叫做“猫的实验（cat experiment）”。这个实验引起了极大的共鸣，并在社交网络上迅速走红。

　　这个项目真正探索了深度学习领域中一个尚未解决的重要问题——“无监督学习”。目前几乎所有商业使用的深度学习产品都是“监督式学习”，就是使用标记的数据（如从 ImageNet 收集的图像）来训练神经网络。而“无监督学习”恰恰相反，是给神经网络展示未标记数据，命令其从中寻找反复出现的式样。研究者们希望今后能掌握无监督学习的方法，因为这样机器就可以从目前还无法使用的庞大的数据集中进行自我学习和了解世界，就像人类婴儿一样，机器可以完全通过自身来对世界进行感知。