深度学习到底在做什么事情？实际上他所做的事情抽象出来是比较简单的，就是在做一个从X到Y的回归、或者说从A到B的Mapping（对应）——你给它一个输入，我怎么样给出一个对应的输出？特殊的地方就是深度学习把这件事情做得非常非常好。以前也有其他算法可以做，只不过一直做不过人，现在深度学习做到了极致。比如说给了一张人脸照片，它就可以给你对应出这个人的名字；给你一个物体的形状，它就可以告诉你是什么物体；给一个车的行驶场景，我就可以给你输出这个车应该往哪儿拐；给一个棋局，它能算出下一步怎么走；给一个医疗的图像，能帮你判断这是什么病……实际上就是这样的一个过程。不要把人工智能想象成可以超越人类，可以控制人类，这些都是所谓的“好莱坞的人工智能”或者想象中的人工智能，真正人工智能在现在这个阶段其实就是做这么简单个事。当然做成这个简单的事情其实已经很不简单了。

　　最近这几年深度学习确实在学术界、工业界取得了重大的突破。第一个突破是在语音识别上。Hinton和微软的邓力老师，在2011年用深度学习在语音识别上取得了巨大的成功。昨天可能大家在微信也刷屏了，我们中国科大毕业的师兄邓力老师从微软出来到顶级对冲基金工作。我的理解这也是一个A to B的mapping 的过程：把邓老师的深度学习的经验等内容都输入到对冲基金的算法里，这个对冲基金的钱就自动Map到了邓老师口袋里。

　　语音识别取得了巨大成功以后，紧接着在视觉方面又取得了重大突破。2012年时，Hinton在ImageNet上将图像识别一下子提高了十几个点，以前我们都一年一个点在推，他一年就推了十年的进步，在学术界引起了很大的轰动。2014年我们团队做人脸识别，通过深度学习，做到算法首次超过人眼的成绩。

　　最后，在2016年，还是谷歌最厉害，每年120亿美金的研发投入没有白投，下了一盘棋叫AlphaGo，这盘棋下完之后人工智能就不需要我们解释了，大家忽然都明白了，人工智能原来是这么回事儿，就是下棋。

　　接着人工智能在自动驾驶领域也取得了一些重大的突破。现在比较热门的是医疗影像方面，借助人工智能进行诊断。

　　深度学习的三个核心要素

　　深度学习有三个核心的要素：

　　.学习算法的设计，你设计的大脑到底够不够聪明；

　　.要有高性能的计算能力，训练一个大的网络；

　　.必须要有大数据。

　　接下来分享我们在深度学习方面做的一些工作。我们从2011年开始做这项工作，一开始没有开源的框架，所以要自己做很多的工作。做的时间长了，我们就做了一套Parrots系统，这个系统目前还不是开源的。

　　我们用这套系统训练的网络可以做到非常深，原来AlexNet是8层，后来GoogleNet在2014年做到了22层，后来Resnet做到了150多层，去年我们的PolyNet做到了1000多层。大家可以看到这个网络发展趋势，越来越深。这是我们设计的1000多层的网络，比较细的线就是整个网，中间一个格往下走，放大出来的部分就是网络的细节结构，这个网叫做Polynet，Dahua团队的这个网络设计和Facebook的Kaiming团队的Resnet，在图像分类上做了目前为止全球最好的结果，最后基本上成了我们实验室出来的两个学生之间的竞赛。这个网络的最后形状有点像 DNA 的双螺旋。

　　在物体检测上大家也可以看到这个进步速度，2013年一开始的时候，200类物体的平均检测准确率是22%，但是很快谷歌可以做到43.9%，我们做到50.3%，紧接着微软是62%，现在我们做到最好结果是66%。这个速度是几年之内翻了三倍，也是深度学习的力量，我们这方面的工作是Xiaogang和Wangli团队做的。

　　我们训练出来这样一个大脑，可以把它应用到各个方向，做出很多不同领域的不同技术。在人脸方面我们做了人脸检测、人脸关键点定位、身份证对比、聚类以及人脸属性、活体检测等等。智能监控方面，做了人，机动车，非机动车视频结构化研究，人体的属性，我们定义了大约70种。人群定义了90多种属性。下面这些是衣服的搜索、物体的检测、场景的分类和车型的检测，车型检测我们标注了几千种车型的分类。在文字方面，小票的识别、信用卡的识别、车牌的识别，这些都是由深度学习的算法来做的。同时在图像的处理方面，在去雾、超分辨率、去抖动、去模糊，HDR、各种智能滤镜的设计都是用深度学习的算法，我们基本上用一套大脑做很多的任务。