大数据已经变成各个行业的基础架构，而真正能帮助这些行业处理好数据，并最终实现具体应用的还是因为深度学习的出现。可以说，深度学习是大数据具体行业应用的必要工具。
3、 深度学习对机器人领域的价值
康纳尔大学创意机器人实验室主任Hod Lipson讲述了他研发的基于“元认知（Metacognition）”的机器人，他们事先没有对这些机器人的行为进行编程，而是让这些机器人更加自由的活动，对机器人的行为和“进化”进行研究，从而建造出能够具备自我学习能力和进化能力的机器人。TED对此进行了非常准确的描述：Hod Lipson及团队在创造一种能够决定自己如何走路的机器人；一种能够开发出自我感觉的机器人；通过不断试错，最终构建出“更像自己”的机器人。在技术哲学层面，Hod Lipson借鉴了美国知名人工智能专家、认知科学家Marvin Lee Minsky的理论，机器的大脑有两层结构，一层感知外部世界，一层感知自身，以此在虚拟和现实之间帮助机器构建出一个对自我意识的认识和思考，也就是他今天提到的“对思考进行思考”，从而让机器具有“自我”。思想家I.J.古德提到，机器设计是智能机器的能力之一，而Hod Lipson现在所做的就是在培养机器的这种“设计能力”。
Hod Lipson认为他现在之所以能够制造出拥有“自我意识”的机器人，原因有两个，第一是他一直推崇的3D打印技术的出现。第二就是深度学习技术的成熟，他对该领域保持关注了十多年，直到今天，深度神经网络的训练才达到令人满意的效果，拥有自我意识和学习能力的机器人才会出现。
深度学习赐予了Hod Lipson更加智能的机器人，那这对我们来说意味着什么？Hod Lipson认为这可以应用在医疗行业，因为具有意识的机器人能更好的了解人类的感受，从而对病人进行更好护理。他提到的这种应用已经实现，去年，欧盟发布了RoboEarth项目，四个机器人在模拟医院的环境中相互协作来照顾病人，它们通过与云端服务器的交互来进行信息共享和互相学习。例如，一个机器人可以对医院房间进行扫描并将完成的地图上传至RoboEarth，而另外一个对这个房间完全不了解的机器人就可以通过访问云端的这张地图来找到房间中一杯水，而不需要再进行额外的搜索。
这不仅体现了这种智能机器人在医疗行业的重要性，更预示着智能将从机器群组中涌现。不论是Hod Lipson的机器人，RoboEarth体系里的单个机器人，还是此前MIT发布的“多智能体系统”和哈佛大学的“白蚁机器人”，它们都是Robert Chambers在《Vestige of The Natural History of Creation》中变化论（transmutation）提到的“早期简单形态的物种”。而这种初期形态会逐渐向高级形态进行自然进化，这种法则可以被定义成单个个体的适应性，一种在群体中诞生并不断增长的学习能力。就像一只看不见的手，一只存在于大量低级成员中却控制并引导着整体的手，直到量变引起质变。更难得的是，机器的这种学习能力是有加速度的，随着时间推移，进化能力本身的多样性、复杂性和进化力也随之增长，这就是KK在《失控》里提到的群组的自我进化。
4、 深度学习对信息医疗领域的价值
斯坦福大学教授Walter Greenleaf的演讲是信息医疗，全球老龄化的加剧带来了严重的医疗负担，在过去的31年间，医疗开销超过了经济增长。而目前解决这个问题的最佳途径就是医疗信息化和数字诊断，移动智能设备的普及，医疗设备的数字化和便携式、云计算、社交化都在加速这个目标的达成，而当这一切都变成数字化时，医疗其实就变成了一个数据处理的过程，但数据量将会出现爆发式增长，越来越多的人加入，体征监测指标越来越多，服务层级也越来越丰富，这就需要深度学习来提供强大的数据处理能力。同时，由于机器在处理病情时可以做到完全按照数据处理结果进行客观诊断，而不像人类一样因为情感方面的原因做出错误判断，因此，医疗领域的发展也需要人工智能和深度学习的有力支持。
百度的大数据引擎把医疗行业作为重点应用方向，去年6月份上线的疾病预测可以对全国331个地级市，2870个区县的四种疾病进行未来趋势的预测，其中，百度的深度学习技术势必发挥了重要作用。IBM 和纽约基因中心 New York Genome Center, NYGC 合作，利用超级计算机的运算能力加速脑癌研究并找到最佳的治疗方法；Watson 负责整理医学文献并结合临床数据，并利用其认知技能及运算技术找到所有数据的关联性，根据病人的基因组找到最佳的治疗方式。波士顿Beth Israel Deaconess医疗中心的研究小组正在使用机器学习算法来解决正在困扰全国各地急诊室的数据质量问题：以结构化，标准化的方式获知病人来访的原因或“主要诉求”。