在2012年，加州的X Lab 用一千台计算机架成的 Brain，展现了前所未有的机器学习能力。研究者们准备了一千万张从 视频随机截图的静止画面给 Brain「观看」。研究者没有在系统中默认任何图像知识、也没有在图片上附加任何说明标签，就让机器自己发掘图库所隐含的规则。在三天的「观看」学习之后，Brain成功地将这些视频截图分成了三类：人脸、身体、还有──猫。能够区分出猫的图片，是 Brain的一大突破，也是这个研究结果的一大亮点（及笑点），但它的重要性绝不仅于此。它代表机器从此能够如同人类一样，在庞杂无尽的数据中自己找出潜在的抽象规则，而不需要他人的说明或指导。它也标示着人工智能（Artificial intelligence, AI）的新篇章：深度学习（deep learning）技术。
深度学习
深度学习并不是研究者们凭空创造出来的运算技术，它是模仿神经网络的运算模式，以多节点、分层的运算来分析图片上的特征，最低层的节点们只计算每一个像素上的黑白对比，第二层的节点则根据第一层的资料、以连续的对比来分辨出线条与边界，随着层级越来越高、累积的计算信息越来越复杂，就可以对图片进行辨认与分类。以上述的 Brain为例，它的结构一共分为九层，模仿人类视神经的分层与功能，最终可以分辨出人脸、身体、与猫图片的决定性差异、并加以分类之。神经网络模式运算也不是刚被提出的新玩意。早在1980年代，研究者们已经开始着手进行相关研究，至今相关研究仍在学界占有一席之地。而随着软硬件的光速进步，这样的技术已经开始被应用在真实世界。2009年，Geoffrey Hinton以及他在多伦多大学的研究团队就以深度学习技术，开发出高准确度的语音辨认技术，能够正确地将口语转换成文字。而这样的技术已经被厂商采用，搭载在许多智能型手机之中。最为大众广为所知的手机虚拟助理，iPhone的Siri，便是仰赖深度学习技术，来辨认用户的语音指令。
旧技术，新突破
而史丹佛大学的研究者 Andrew Ng，便是在同时间说服网络大厂公司，让他使用其公司的丰富资源来建立了 Brain。借助强劲的硬件与数据库，一举将深度运算技术推向新的纪元：发现潜在规则、自发性分类。这样的技术比语音转译还难上许多，主要是因为其成果已经脱离的单纯的数据对应转换，而进化成在大型数据库中找寻抽象分类与规则。也因此更接近人类的智能。除了 Brain 这样，因尖端科技公司出资赞助而在资源上占有绝对优势的深度学习系统，Andrew Ng 也研发出不需要一千台计算机就可以消化大量信息的系统。他表示，使用图形处理器 （graphics processing units, GPUs），就可以架设出功能类似、但成本更为低廉的运算系统来进行深度学习。在2012年，Geoffrey Hinton 的团队，就使用图形处理器架设了一个深度学习系统。知名网络图库 ImageNet 每年皆会举行一场图片辨认比赛，这个网站会提供约一百万张的标准化图片，并标上其分类，参赛者必须写出可以学到分类规则的语法，并用全新的照片测试之。Geoffrey Hinton 的深度学习系统使用同样的图库，可以展现比过去参赛系统高出约10%的正确率。这样的结果，让他被网络大厂聘请去提升图片搜寻的正确性。(部分詳細信息參考來源：[胜博发祈福 http://chiayuan.org.tw/]() ）
广泛的应用领域
除了图片分类或语音转译，深度学习还有更多的用途。例如，Geoffrey Hinton 的学生 George Dahl 就应用深度学习技术，打败了默克（Merck）药厂现行的系统，成功提高了对特定化学分子间反应的预测力，以便更有效率地找出有用的药物。他的团队藉由这个深度学习系统，提升了约15%的预测力，更获得了默克药厂悬赏的2万美金奖金。此外，麻省理工学院的 Sebastian Seung 也利用深度学习来分析脑部切片、以建立三维空间的脑图，以及神经束的走向。这样的系统除了更快以外，也节省了大量的人力。华盛顿大学的 William Stafford Noble 也应用深度学习系统来预测胺基酸链会组成如何的蛋白质、并可进一步预测此蛋白质的性状。而这两种应用的共同点都是其背后庞大的数据数量，以及深度学习所能提供的预测性。
人工智能的未来
虽然深度学习已经被应用到尖端科学研究及日常生活当中，而网络大厂已经实际搭载在核心的搜寻功能之中。但其他知名的人工智能实验室，对于深度学习技术的反应并不一致。
例如艾伦人工智能中心的执行长 Oren Etzioni，就没有考虑将深度学习纳入当前开发中的人工智能系统中。该机构目前的研究是以小学程度的科学知识为目标，希望能开发出光是看学校的教科书，就能够轻松应付各类考试的智能程序。Oren Etzioni 以飞机为例，他表示，最成功的飞机设计都不是来自于模仿鸟的结构，所以脑神经的模拟并无法保证人工智能的实现，因此他们暂不考虑借用深度学习技术来开发这个系统。
现行的人工智能程序，基本上都是将大大小小的各种知识写成一句一句的陈述句，再灌进系统之中。当输入问题进去智能程序时，它就会搜寻本身的数据库，再选择出最佳或最近解。2011年时，IBM 有名的 Watson 智能计算机，便是使用这样的技术，在美国的电视益智节目中打败的人类的最强卫冕者。虽然过去都是使用传统式的手工输入知识，然而 Watson 团队现在也考虑将深度学习技术应用在部分的运算之中。IBM 的首席科技主管 Rob High 表示，他们现在已经在进行实验，检视深度学习能如何提高 Watson 辨认图片的能力。
虽然各家人工智能实验室对于深度学习技术的反应不一，但科技公司与计算机科学家们已经看中它的潜在获利能力。George Dahl 已经着手在寻找创立公司的可能性，而 Facebook 的人工智能部门也开始招募相关领域的研究者。Andrew Ng 表示，深度学习的系统会随着数据库越庞大，而变得更有效率。当硬件与网络的不断进化、各种影音数据急速累积，深度学习技术将会吸引更多研究者发展它的各种可能性。George Dahl也表示，深度学习还尚在襁褓之中、才开刚始发展，他预期，这个技术将是未来的一大趋势。