·深度学习的机遇；

深度学习是机器学习的一种，本质上都是在统计数据，并从中归纳出模型。实际上，神经网络存在已久，深度学习的多层模型比起浅层模型，在参数数量相同的情形下，深层模型具有更强的表达能力。

如果将大数据比作水、计算力比作输送水的工具，是GPU等采用水管来替代勺子更高效

地增大了灌水量（提高运算速度），是深度学习算法训练出来的深层模型这个容器加大了水

量的装载力，极大地提高了效率。这样的工程方法产生之后，深度学习搭建的深度神经网络

成为了工业界实用的武器，并且在若干领域都带来了里程碑式的变化。

·深度学习的挑战；

深度学习是近20年以来曝光度最高的技术，但它不是人工智能的全部创新，它的创新发

生在上世纪80年代末，也就是人工智能的多层神经网络技术热潮，当时之所以没有成功，甚

至还经历了10多年的寒冬期，背后的原因是因为当时没有像现在大量的数据、也没有现在高

性能的计算力做大量的运算。

另外深度学习也存在缺陷。中国科学院数学与系统科学研究院数学研究所研究员、复旦大学教授陆汝铃在为《机器学习》一书撰写序言的时候提及，一是深度学习的理论创新还不明显；二是因为目前的深度学习只适用于神经网络。

再有就是它的不可解释性，深度学习从原始的输入信息到提取特征到输出信息的过程是一个黑盒子，缺乏可解释性。

有业界人士认为，“如何将深度学习过程和人类已经积累的大量高度结构化知识融合，发展出逻辑推理甚至自我意识等人类的高级认知功能，是下一代深度学习的核心理论问题“。

但也有人认为“人工智能不是人类智能，机器超过人脑并不需要模仿人脑，正如人消灭大型猛兽并不是通过更有力气或更锋利的爪子。人工智能最大的作用不是模仿人类，而是把人类智力劳动中可机械化的部分机械化。再者机器的长处是个体之间的教育成本极低，交流速度极快。人和人之间交流信息的速度只有几个比特每秒，机器比这快几百万倍。机器根本不需要和人拼计算能力，只要拼进化速度，在自然选择中必然会出现一种杀手机器。”