深度学习其实它不是一个新事情，在30年前80年代末的时候，深度学习就已经是得到了广泛关注，而到了大数据时代的今天，它获得了更多的成功和影响力。为什么呢？
第一方面，深度学习模拟了大脑的行为。一开始做深度学习这帮人，他们的想法受到卷积神经系统网络的影响，在80年代受到了神经科学家对于视觉神经系统理解的影响；
第二，从统计和计算的角度来看，深度学习特别适合大数据；
第三，深度学习是End-to-end学习；
第四，深度学习提供一套建模语言。
大数据时代传统深度学习的误区
我具体给大家讲讲第二点，深度学习特别适合大数据下。在统计上面分析机器学习系统效果时，一个最根本的角度叫推广误差，推广误差可以帮助我们找到误差来源，从而设计出更好的算法。一个经典的分解方法，把推广误差分解成两部分：
Approximation error：数学模型不完美导致的误差；
Estimation error：数据不完美，比如数据有限或数据有偏，导致的误差；
Optimization error：算法不完美导致的误差。
随着数据规模的扩大，从推广误差的角度来说，传统的深度学习研究中存在着一些误区：
从Approximation error的角度来说，过去我们认为简单的模型就是好的，但实际上简单的模型是不够好的，随着机器的增多，参数越来越多，模型越来越复杂，是大趋势，过去认为简单的模型是好的这是错误的观念；
从Estimation error的角度来说，为了保证数据的精确，应该收集充分的数据；
从Optimization error的角度来说，通常是学术界的观点是，开发研究非常精致的优化算法，但是这些算法存在一个大问题：不能覆盖大数据。比如，SVM的复杂度是在数据二次方到三次方之间的复杂度，今天处理一万个训练样本没问题，但是如果变成十万个训练样本，你需要一百倍到一千倍的计算资源，这是灾难性的问题，所以在大数据的时代，工业界反而要倡导的是desgin “an OK algorithm”。
深入百度大脑
我给大家举一些百度大脑的例子：
A deep model for image recognition
DLmodelfor query-docrelevance
Long-short term memory for time series
网上抢票验证码识别
运单手写电话号码识别
述说图片的故事，字幕用深度学习程序写成
同时理解图像和自然语言
深度学习已经取得了关键性进展，首先在广告系统，这可能是世界上首次把深度学习成功应用于广告变现，并带来收入提升，在用了深度学习之后，我们跟竞争对手的差距是拉开了两倍还多。
在物体检测模型上我们取得了世界上最好的成绩，百度第一，谷歌第二。
未来的展望
人类大脑的平均重量是1.5公斤，占2%的身体体重，消耗20%的能量。最近的一个报道显示，谷歌的服务器消耗美国用电量的百分之几，美国的所有互联网公司占美国耗电量的9%。在中国，三大互联网公司也占中国耗电量百分之几，智能计算是非常耗能量的。而人类大脑有一千亿个神经原有5000个的连接，每个连接触发每秒钟两次，做一个简单计算，人类大脑计算能力是10的17次方。在过去人工智能发展过程中，计算能力是非常强大的东西，我们今天的计算能力跟20年、30年前更是不可同日而语的，能构造更好的计算方法。
未来计算决定着智能水平的发展，人工智能这个奇点临近连接了，谢谢大家！