深度学习的实质，是通过构建具有很多隐层的机器学习模型和海量的训练数据，来学习更有用的特征，从而最终提升分类或预测的准确性。因此，“深度模型”是手段，“特征学习”是目的。区别于传统的浅层学习，深度学习的不同在于：1）强调了模型结构的深度，通常有5层、6层，甚至10多层的隐层节点；2）明确突出了特征学习的重要性，也就是说，通过逐层特征变换，将样本在原空间的特征表示变换到一个新特征空间，从而使分类或预测更加容易。与人工规则构造特征的方法相比，利用大数据来学习特征，更能够刻画数据的丰富内在信息。
深度学习使得人工智能在几个主要领域都获得了突破性进展：在语音识别领域，深度学习用深层模型替换声学模型中的混合高斯模型（GaussianMixtureModel,M），获得了相对30左右的错误率降低；在图像识别领域，通过构造深度卷积神经网络（CNN），将Top5错误率由26大幅降低至15，又通过加大加深网络结构，进一步降低到11；在自然语言处理领域，深度学习基本获得了与其他方法水平相当的结果，但可以免去繁琐的特征提取步骤。可以说到目前为止，深度学习是最接近人类大脑的智能学习方法。
深层模型是包含多个隐藏层的人工神经网络，多层非线性结构使其具备强大的特征表达能力和对复杂任务建模能力。训练深层模型是长期以来的难题，近年来以层次化、逐层初始化为代表的一系列方法的提出给训练深层模型带来了希望，并在多个应用领域获得了成功。深层模型的并行化框架和训练加速方法是深度学习走向实用的重要基石，已有多个针对不同深度模型的开源实现，谷歌、Facebook、百度、腾讯等公司也实现了各自的并行化框架。
深度学习引爆了一场革命，将人工智能带上了一个新的台阶，将对一大批产品和服务产生深远影响。
2.3.4“人脑”芯片将从另一个方向打开人工智能的大门
前面提到了现代计算机的冯·诺依曼体系结构阻碍了大规模并行计算的实现，导致人工智能发展受限。而今天人工智能发展面临突破，除了上文说的云计算、大数据、深度学习三个原因之外，另外一个方向的努力也是不容忽视的，那就是彻底改变了冯·诺依曼体系结构的“人脑”芯片。
“人脑”芯片，也叫神经形态芯片，是从硬件方向对人脑物理结构的模拟。这种芯片把数字处理器当作神经元，把内存作为突触，跟传统·冯诺依曼结构不一样，它的内存、CPU和通信部件是完全集成在一起，因此信息的处理完全在本地进行。而且由于本地处理的数据量并不大，传统计算机内存与CPU之间的瓶颈不复存在了。同时神经元之间可以方便快捷地相互沟通，只要接收到其他神经元发过来的脉冲（动作电位），这些神经元就会同时做动作。
2011年的时候，首先推出了单核含256个神经元，256×256个突触和256个轴突的芯片TrueNorth原型，但从规模上来说，这样的单核脑容量仅相当于虫脑的水平。经过3年的努力，IBM终于在复杂性和使用性方面取得了突破。2014年推出的最新芯片将4096个内核、100万个神经元、2.56亿个突触集成在直径只有几厘米的方寸（是2011年原型大小的1/16）之间，而且能耗只有不到70毫瓦，每秒每瓦可实现460亿次神经突触操作。IBM的最终目标就是希望建立一台包含100亿个神经元和100万亿个突触的计算机—这样的计算机要比人类大脑的功都强大10倍，而功耗只有一千瓦，而且重量不到两升（我们大脑的大小）。
我们认为，“人脑”芯片也许将是人工智能真正达到人类大脑水平的终极道路，但目前梦想离现实还有不小的距离。短期来看，依托云计算、大数据、深度学习的方式改善人工智能是更可行的方向。
3．人工智能产业发展加速明显
技术“奇点”的到来使得人工智能发展明显加速，这从产业层面能够得到有力的佐证：我们已经能够看到IT业对人工智能的投入显著加大，新型的应用或产品也不断问世。
3.1国际IT巨头频频放“大招”
IT领域的国际巨头近年来在人工智能领域频频发力，一方面网罗顶尖人才，一方面加大投资力度，这也昭示着人工智能新的春天已经到来。
2013年3月，谷歌以重金收购DNNresearch的方式请到了GeoffreyHinton教授（上文提到的深度学习技术的发明者）；2013年12月，Facebook成立了人工智能实验室，聘请了卷积神经网络最负盛名的研究者、纽约大学终身教授YannLeCun为负责人；2014年5月，有“谷歌大脑之父”美称的AndrewNG（吴恩达）加盟百度，担任首席科学家，负责百度研究院的领导工作，尤其是“百度大脑”计划。这几位人工智能领域泰斗级人物的加入，充分展示了这些互联网巨头对人工智能领域志在必得的决心。
根据量化分析公司Quid的数据，自2009年以来，人工智能已经吸引了超过170亿美元的投资。仅去年一年，就有322家拥有类似人工智能技术的公司获得了超过20亿美元的投资。自2013年以来，Yahoo、Intel、Dropbox、、Pinterest以及Twitter也都收购了人工智能公司。过去四年间，人工智能领域的民间投资以平均每年62的增长速率增加，这一速率预计还会持续下去。
3.2新的AI应用和产品屡有惊喜
自然语言处理（NLP）
微软SkypeTranslator同声传译
SkypeTranslator是由Skype和机器翻译团队联合开发，整合了微软Skype语音和聊天技术、机器翻译技术、神经网络语音识别打造了一款面向消费者用户的产品，2014年5月在微软Code大会上推出。两个不同语种的人借助SkypeTranslator可实现无障碍交谈，当你说出一个完整的句子后，系统便会开始进行记录翻译，对方即可听到翻译后的句子，并可通过字幕显示在屏幕上。这个实时语音翻译系统能够识别不同用户间的不同语言不同口音的说话方式。
Skype的机器学习原型通过预览阶段的大量数据进行训练，并优化语音识别（SR）和自动化机器翻译（MT）任务，其中，语音识别和机器翻译的训练集数据主要有多个来源，包括已翻译的网页、带字幕的视频、翻译转录的一对一对话内容等。同时，Skype的翻译系统还会记录用户的对话内容，实现二次利用，以进行数据分析，加以学习。在数据进入系统之后，机器学习软件会为对话中的单词建立统计模型，当你说到某一个东西时，系统会在统计模型里寻找类似的单词，并响应之前做过的类似的翻译。实时语音翻译对用户对话的环境很敏感，稍有噪音干扰可能准确度就会降低很多。这一方面，深度神经网络有效的减少识别错误率，改善了系统的健壮性，让实时翻译能够有更大的应用范围。至于不同语言的文本翻译，Skype利用的则是和Bing翻译一样的引擎技术：语法和统计模型的结合使用，同时为特定语言进行特殊的训练。普通的文本翻译往往要求使用规范正确的书面语言，而Skype翻译系统不仅包括Bing翻译的引擎技术，还额外增加了一层口语化的语言业务。
目前，SkypeTranslator还处在早期开发阶段，但这一实时语音翻译功能有可能帮助改变世界未来的交流方式。比如在线教育，2014年12月，微软正式推出了SkypeTranslator预览版，让来自美国和墨西哥的小学生使用各自母语就能进行语音通话。它可以识别美国小学生的英文语句并将其翻译为西班牙语，然后以文本的形式呈献给墨西哥小学生，反之亦然。微软计划将SkypeTranslator服务推向教育领域，如此一来全世界各地的学生都能无障碍聆听任何语言的课程，显然这对于促进全球教育进步有着非比寻常的意义。
计算机视觉（CV）
（1）格灵深瞳的智能视频监控系统
在安防领域，摄像头已经得到大规模的使用，但监控的有效性依然面临两个严峻的挑战：
1、摄像头只能起到记录功能，识别还要依靠人眼，真正能实时监控到的场景非常有限：一个像机场大小的公共场所，摄像头的数量能够达到几万台，而同一时间负责监控视频的安保人员大概只有几个人；此外，视频监控往往都采用画面轮播机制，每过一定时间自动切换屏幕上显示的监控视频画面。所以，那些真正有信息价值的画面被人看到、注意到的几率就很小。
2、难以有效查询历史记录。据估计全球监控视频记录的存储已经消耗了75的硬盘资源，以北京门为例，每天产生的监控视频数据，刻成光盘摞起来，甚至超过埃菲尔铁塔的高度。要在如此庞大的数据库里依靠人眼寻找某个特定画面或犯罪嫌疑人，需要动用大量的人力资源，并且效率低下。
格灵深瞳是一家专注于开发计算机视觉的人工智能公司，致力于让计算机像人一样主动获取视觉信息并进行精确的实时分析。公司成立于2013年初，创始人为Google眼镜的核心团队成员，成立不久就获得真格基金和联创策源的天使投资，并于2014年6月获得红杉资本数千万美元的A轮投资。
格灵深瞳通过研发三维视觉感知技术，实现对人物的精确检测、跟踪，对动作姿态（包括暴力、跌倒等危险行为）和人物运动轨迹（包括越界、逆行、徘徊等可疑轨迹）的检测和分析。在自动场景和人物检测的基础上，自动给安保人员提供预警信号，主动提醒、报告异常，保障安保人员“看得到”。同时，格灵深瞳利用感知技术抽象出人物的特征，从非时间的维度进行监测、跟踪、搜索，真正做到“找得到”。
目前格灵深瞳的视频监控系统已经在对安防要求较高的银行进行应用测试。如果该技术投入大规模商业化应用，将有效改善上文提到的现有视频监控的缺陷，是人工智能改变世界迈出的非常积极的一步。
（2）Face 的人脸识别云服务
Face 是一个人脸识别云服务平台，通过它提供的开放服务，开发者可以低成本的在自己的产品中实现若干面部识别功能。开发者和合作方通过Face 提供的API接入和离线引擎就可以享受现成的人脸检测、分析和识别等服务。Face 人脸识别技术主要有以下几种基本功能：
1）人脸检测：从图片中快速、准确的找到所有的或者有某些特征的脸。
2）人脸分析：通过人脸，对人的性别、年龄、情绪的信息进行提取。
3）人脸识别：匹配给定人脸的相似性，或者从成万上亿的人脸资料库中搜索、返回最相似的人脸索引。
Face 为美图秀秀、美颜相机App提供诸如：人脸检测、人脸追踪、关键点检测技术，可精准定位人脸中需要美化的位置，实现精准自动人脸美化，但这些仅是人脸识别的初级阶段。此外在稍高级的应用阶段——搜索领域，Face 所做的人脸识别为提供服务，用户可根据自己对另一半长相的需求去搜索相似外貌的用户，当然这个搜索需要在数据库中进行，可以是世纪佳缘的数据库、未来可以是社交网络上的数据库、更可以是在通用搜索引擎中。第二个是Face 与360搜索达成了合作，在360的图片搜索中使用到相关的技术。而在另一块安全领域，Face 推出了APP“云脸应用锁”，扫描一下人脸和设置一下备用密码，就可以将需要加密的应用添加到需要保护的应用程序中。这样打开加密的应用时，就要事先经
