此前，人工智能程序“阿尔法狗”以4∶1的总比分击败围棋世界冠军李世石。不久前，它再次对战柯洁，以3∶0的总比分大获全胜。“阿尔法狗”先后两次战胜人类，引起了人们对人工智能发展的新思考。 事实上，在深度学习出现之前，人工智能已经经历了两次热潮，人工智能够再次迎来“暖春”，可以说是得益于深度学习。深度学习作为人工智能机器学习研究中的新领域，它实质上是人工智能的一种算法，它通过分析学习从而建立并模拟人脑。它模仿人脑的思考机制来解释数据，例如图像，声音和文本。那么，深度学习究竟是如何促使人工智能再次崛起的？ 深层神经网络替代传统神经网络 毫不夸张的说，深度学习最终得以实现，深层神经网络为其奠定了扎实的基础，究竟什么是深层神经网络？它与传统的神经网络比较，深层神经网络具备哪些特点呢？深度学习又是如何在深层神经网络上展开的呢？ 深层神经网络是人工智能算法的一个分支，本质上是多层函数嵌套形成的数学模型。在模型架构上，深层神经网络与传统的神经网络有诸多相似之处。像传统的神经网络一样，深层神经网络也包括输入层、隐藏层和输出层，链接通道也只存在于相邻层级之间的神经元之间，在同一层及跨层之间是没有链接的。 相对于传统的神经网络，深层神经网络具备更多的层级数量，并且具有更为有效的算法，也更加接近人脑的结构，从而使得深层神经网络能够处理更加复杂的输入信息，深度学习就是在这个多层级的人工神经网络上进行的。海量的训练数据、强大的计算架构和学术领域的飞速进展驱动神经网络实现突破。因此，深度学习在图像分类、面部识别等方面超越了传统方法。 大数据训练提升数据分析力、挖掘力 深度学习的开展，主要得益于海量的大数据。在运算表层，存在一个巨大的数据集，选定的深度学习模型以数据集中海量大数据为基础，对大数据进行多次训练，并从中摸索、归纳出可以被计算机运用在类似数据上的知识或规律。 伴随现实世界中数据呈井喷式指数级增长，大规模数据分析和数据挖掘是必不可少的，而且在分析力、挖掘力的效率提升层面也是迫在眉睫。由此可见，深度学习作用与人工智能离不开对大数据的分析与挖掘。通过多次的大数据训练，数据分析挖掘系统对数据的挖掘和分析实现高效、深度的数据挖掘和分析。 高性能并行计算高速分析海量数据 伴随人工智能的发展，如今的GPU在浮点运算、并行计算、矩形运算等部分计算方面已经提升数十倍乃至上百倍，远远高于CPU的性能。正是基于高性能并行计算，才使得深度学习可以训练一个大的网络环境。 GPU具备大量的核和大量的高速内存，它最为擅长进行类似图像处理的并行计算。“粗粒度并行”计算很适用图像处理，因为像素与像素之间相对独立，GUP提供大量的核，可以同时对很多像素进行并行处理。需要强调一点，GUP提供的并行计算仅仅是在处理吞吐量方面使性能得以提升。因为GPU的特点特别适合于大规模并行运算，GPU在“深度学习”领域发挥着巨大的作用，因为GPU可以平行处理大量琐碎信息。深度学习所依赖的神经系统网络，就是要在高速的状态下分析海量的数据。