什么是深度学习？

“深度”指的是网络的层数，而不是理解得有多深。神经网络让数据依次穿过一层层结构，每一层都会先对收到的内容进行转换，再传给下一层。层数多了，网络就能从简单的概念逐步构建出复杂的概念。

可以把它想象成一条流水线：前面的工位处理原材料，中间的工位制作零件，最后的工位组装成品。在图像模型中，前几层识别边缘和色块，中间几层把它们组合成形状和纹理，后面几层则能认出人脸、汽车这样的完整物体。

在传统机器学习中，通常要由人来决定模型应该关注哪些特征，比如房屋的面积和地段，或者某些词在邮件中出现的频率。深度学习基本省去了这一步：只要有原始数据和足够多的例子，网络就能自己学出特征。这也是它特别擅长处理照片、音频和自由文本这类“杂乱”输入的原因。

代价是成本。深度学习通常需要多得多的数据和算力。训练一般在 GPU（图形处理器）上进行，这种芯片最初为电子游戏设计，能同时完成海量的简单计算。

神经网络并不是新事物，相关思想已有几十年历史。真正的变化在于三件事同时到位：来自互联网的海量数据、价格可承受的 GPU，以及更好的训练技术。2010 年代初，深度网络在图像和语音识别上开始超越旧方法；Yann LeCun、Yoshua Bengio 和 Geoffrey Hinton 2015 年在《自然》（Nature）上发表的综述总结了其中的原因。

2017 年，研究人员提出了 Transformer，这是一种特别擅长处理长文本序列的深度学习架构，后来成为大语言模型的基础。所以，你用过的每一个聊天助手，本质上都是深度学习系统。

深度学习不是人脑的复制品。神经网络虽然在一定程度上受到脑细胞的启发，但它们是数学模型，工作方式与大脑截然不同。它们也很难解释：涉及的数字动辄数百万甚至数十亿，很难说清网络为什么做出某个判断，因此常被称为“黑箱”。

深度学习也并非总是正确的选择。对于规模小、结构清晰的数据，比如一份只有几千名客户的表格，更简单的机器学习方法往往效果相当、成本低得多，也更容易向监管机构或客户解释。

人脸解锁、语音输入、相册搜索、实时字幕、翻译应用、Midjourney 等图像生成工具，以及 ChatGPT 等聊天助手，都运行在深度学习之上。在企业工具中，它支撑着语音转写、文档识别、以图搜货，以及日常软件里新增的大部分 AI 功能。