20、深度学习：AI 领域的变革力量

深度学习：AI 领域的变革力量

一、深度学习的范式转变

深度学习相较于浅层神经网络，发生了本质的质变。它不仅仅是先进技术的范式转变，更将机器学习的范式从特征创建（通过数据分析创建使学习更简单的特征）转变为特征学习（基于实际特征自动创建复杂特征）。这种转变在小型网络中难以察觉，但在使用多层神经网络和大量数据时就会变得明显。

深入探究深度学习，你会惊讶地发现其中包含许多旧技术，但神奇的是，它们的组合却能发挥前所未有的作用。研究人员终于找到了让一些简单而传统的解决方案协同工作的方法，使得大数据能够自动过滤、处理和转换数据。例如，像 ReLU 这样的新激活函数并非全新的概念，自感知机时代就已存在。最初让深度学习声名大噪的图像识别能力也并非新事物。深度学习最初借助卷积神经网络（CNN）获得了巨大的发展动力。CNN 是由法国科学家 Yann LeCun 在 20 世纪 80 年代发现的，如今，由于使用了多层神经网络和大量数据，这种网络取得了惊人的成果。同样，让机器理解人类语音或进行语言翻译的技术也是几十年前的技术，只是研究人员在新的深度学习范式下重新挖掘并使其发挥作用。

当然，部分差异还源于数据（后续会详细介绍）、GPU 使用的增加以及计算机网络。GPU 与并行计算（将多台计算机集群并并行运行）相结合，使我们能够创建更大的网络，并在更多数据上成功训练它们。实际上，据估计，GPU 执行某些操作的速度比任何 CPU 快 70 倍，这使得神经网络的训练时间从数周缩短至数天甚至数小时。

二、深度学习的智能解决方案

深度学习提升了人工智能在图像识别、机器翻译和语音识别等问题上的解决效果，这些问题最初由经典人工智能和机器学习处理。此外，它还提供了新的优势解决方