人工智能深度學(xué)習(xí)顯然是智能行業(yè)的一個新高地，但有一個廣泛的共識，那就是接入的計算越多、數(shù)據(jù)越龐大是深度學(xué)習(xí)的重要要素。這是很顯然的，首先是大型分布式系統(tǒng)（像Google大腦），接著是神經(jīng)網(wǎng)絡(luò)在GPU上的快速部署，還有一個被低估的因素是大規(guī)?；鶞?zhǔn)測試的存在。大規(guī)?；鶞?zhǔn)測試（例如ImageNet）可以為新技術(shù)的學(xué)術(shù)發(fā)展提供重要的測試環(huán)境，從而能夠展示出技術(shù)的進(jìn)度。如果沒有這些基準(zhǔn)測試，學(xué)術(shù)研究只能停留在解決小規(guī)模問題上，而在這些場景中深度學(xué)習(xí)的好處并不能顯現(xiàn)出來。

目前，用戶產(chǎn)生和消費(fèi)的內(nèi)容變得更加視覺化，正因如此，分析和理解圖片的能力在商業(yè)上顯得越來越重要。隨著深度學(xué)習(xí)社區(qū)走向更豐富的媒體（例如視頻），我們相信規(guī)模化將會變得更加重要。擴(kuò)展人工智能非常具有挑戰(zhàn)性，尤其是單一GPU的規(guī)?；?，甚至單一數(shù)據(jù)中心的規(guī)?；?。然而，當(dāng)我們逐漸走向更加復(fù)雜的問題時，實(shí)現(xiàn)這樣的規(guī)?；潜仨毜?。

大多數(shù)的深度學(xué)習(xí)工作集中于被稱之為“感性問題”，例如理解圖片、視頻、演講和音頻等。直觀上來說，這是有道理的，因為許多深度學(xué)習(xí)方法會通過編碼模擬偏向，這與感知是一致的。例如，這些網(wǎng)絡(luò)通常都有和人類感知相平行的結(jié)構(gòu)，或者它們具有可以捕捉偏向的結(jié)構(gòu)，就像鄰里之間的偏向一樣。和相距較遠(yuǎn)的像素相比，靠近的這些像素相互之間的聯(lián)系可能更緊密。漸漸地我們將看見深度學(xué)習(xí)將會用于許多大型系統(tǒng)中，例如機(jī)器翻譯。在這些情況下深度學(xué)習(xí)通常被用于解決一些有代表性的問題，而語言結(jié)構(gòu)將會通過其他機(jī)器學(xué)習(xí)技術(shù)解決。我們會看到越來越多的這樣的混合系統(tǒng)，例如我們購物的體驗是人工智能支持的，其中也包括深度學(xué)習(xí)。

深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)的結(jié)合是一個技術(shù)上的發(fā)展，延續(xù)的深度學(xué)習(xí)在自然語言處理和計算機(jī)視覺中的應(yīng)用突破。值得關(guān)注的是之前的深度學(xué)習(xí)的應(yīng)用停留在預(yù)測上，比如說對圖像的識別、機(jī)器翻譯。對于深度學(xué)習(xí)來說，真正需要的大數(shù)據(jù)，就目前而言，可以這么說，沒有大數(shù)據(jù)，就沒有好的深度學(xué)習(xí)模型，進(jìn)而就沒有非常智能的系統(tǒng)。

近幾年因為深度學(xué)習(xí)在某些方面取得了一些喜人的進(jìn)展，這個領(lǐng)域才又開始火了起來。借助于深度學(xué)習(xí)算法，人們似乎終于找到了如何解決“抽象概念”這個橫亙在機(jī)器學(xué)習(xí)領(lǐng)域多年難題的方法。

迄今為止，大數(shù)據(jù)生態(tài)系統(tǒng)專注于大量數(shù)據(jù)搜集、管理和策劃。很顯然，這里也有很多關(guān)于分析和預(yù)測方面的工作。但是從根本上來說，企業(yè)用戶并不關(guān)心這一點(diǎn)。企業(yè)用戶僅關(guān)心產(chǎn)出，也就是這些數(shù)據(jù)是否會改變我的行為方式和決定。我們相信這是接下來五年將要重點(diǎn)解決的問題，我們也相信人工智能能把數(shù)據(jù)和更好的決策之間連接起來。

很顯然，深度學(xué)習(xí)將會在這個演化過程中扮演重要角色，同時在和其他人工智能方法相結(jié)合的時候也會做到這一點(diǎn)。接下來的五年中，我們將會看見更多的混合系統(tǒng)，在這些系統(tǒng)中，深度學(xué)習(xí)會用于解決一些困難的感知型任務(wù)，其他人工智能和機(jī)器學(xué)習(xí)技術(shù)將被用于解決其他難題，例如推理等。
責(zé)任編輯：tzh