人工智能深度學習顯然是智能行業的一個新高地，但有一個廣泛的共識，那就是接入的計算越多、數據越龐大是深度學習的重要要素。這是很顯然的，首先是大型分布式系統（像Google大腦），接著是神經網絡在GPU上的快速部署，還有一個被低估的因素是大規模基準測試的存在。大規模基準測試（例如ImageNet）可以為新技術的學術發展提供重要的測試環境，從而能夠展示出技術的進度。如果沒有這些基準測試，學術研究只能停留在解決小規模問題上，而在這些場景中深度學習的好處并不能顯現出來。

目前，用戶產生和消費的內容變得更加視覺化，正因如此，分析和理解圖片的能力在商業上顯得越來越重要。隨著深度學習社區走向更豐富的媒體（例如視頻），我們相信規模化將會變得更加重要。擴展人工智能非常具有挑戰性，尤其是單一GPU的規模化，甚至單一數據中心的規模化。然而，當我們逐漸走向更加復雜的問題時，實現這樣的規模化是必須的。

大多數的深度學習工作集中于被稱之為“感性問題”，例如理解圖片、視頻、演講和音頻等。直觀上來說，這是有道理的，因為許多深度學習方法會通過編碼模擬偏向，這與感知是一致的。例如，這些網絡通常都有和人類感知相平行的結構，或者它們具有可以捕捉偏向的結構，就像鄰里之間的偏向一樣。和相距較遠的像素相比，靠近的這些像素相互之間的聯系可能更緊密。漸漸地我們將看見深度學習將會用于許多大型系統中，例如機器翻譯。在這些情況下深度學習通常被用于解決一些有代表性的問題，而語言結構將會通過其他機器學習技術解決。我們會看到越來越多的這樣的混合系統，例如我們購物的體驗是人工智能支持的，其中也包括深度學習。

深度學習和強化學習的結合是一個技術上的發展，延續的深度學習在自然語言處理和計算機視覺中的應用突破。值得關注的是之前的深度學習的應用停留在預測上，比如說對圖像的識別、機器翻譯。對于深度學習來說，真正需要的大數據，就目前而言，可以這么說，沒有大數據，就沒有好的深度學習模型，進而就沒有非常智能的系統。

近幾年因為深度學習在某些方面取得了一些喜人的進展，這個領域才又開始火了起來。借助于深度學習算法，人們似乎終于找到了如何解決“抽象概念”這個橫亙在機器學習領域多年難題的方法。

迄今為止，大數據生態系統專注于大量數據搜集、管理和策劃。很顯然，這里也有很多關于分析和預測方面的工作。但是從根本上來說，企業用戶并不關心這一點。企業用戶僅關心產出，也就是這些數據是否會改變我的行為方式和決定。我們相信這是接下來五年將要重點解決的問題，我們也相信人工智能能把數據和更好的決策之間連接起來。

很顯然，深度學習將會在這個演化過程中扮演重要角色，同時在和其他人工智能方法相結合的時候也會做到這一點。接下來的五年中，我們將會看見更多的混合系統，在這些系統中，深度學習會用于解決一些困難的感知型任務，其他人工智能和機器學習技術將被用于解決其他難題，例如推理等。
責任編輯：tzh