《连线》(Wired)网站日前发表文章称，虽然 任何足够先进的技术都与魔法无异 ，但当前的深度学习(Deep learning)技术还远未达到 魔法 的程度。
谷歌人工智能(AI)应用AlphaGo战胜李世石让全世界感到惊叹，一些行业权威人士也因此将深度学习技术吹嘘成 人脑模拟 。但事实上，机器学习还远不是一个将从魔瓶里被放出的 妖怪 。它只是一种数学算法，是人类在理解智能、建立与人类水平相当的AI过程中向前迈出的一步。
深度学习就是数学计算
深度学习正在迅速 吞噬 AI，但不要把这种方兴未艾的AI技术夸大其词。英国知名作家亚瑟 克拉克(Arthur C. Clarke)曾经说过： 任何足够先进的技术都与魔法无异。 深度学习当然是一种先进技术，它能识别图片中的物体和人脸，识别语音内容，将一种语言翻译成另一种语言，甚至还能在围棋比赛中战胜人类顶尖高手。但是，深度学习还没达到 魔法 的程度。
随着谷歌、Facebook和微软等科技巨头继续将该技术整合到日常在线服务中，以及全世界仍在为谷歌AlphaGo战胜李世石而感到惊叹之际，一些行业权威人士开始将深度学习技术吹嘘成 人脑模拟 。其实，机器学习就是简单的数学计算，只不过计算规模庞大而已。
事实上，深度计算就是一种算法，基于数据来调整神经网络。那么这句话到底是何含义呢？让我们来解释一下：一个神经网络就是一个计算机程序(受大脑结构而启发)，它包括大量彼此连接的节点(或称 神经元 )，每个节点都会对接收到的数值输入进行简单的函数计算(如求和)。这里的 节点 远比大脑神经元要简单，其数量也远低于大脑神经元的数量。深度学习只是强化了神经网络中的这些节点的连接。
深度学习是机器学习的一个子域，机器学习是AI领域里一个非常活跃的研究分支。理论上讲，机器学习就是基于数据点收集的一种逼近函数(approximating functions)方法。例如，如果一组数字排列是 2、4、6 ，那么机器就能预测出第四个数字应该是 8 ，第五个数字应该是 10 。计算公式就是2X，X代表排序中的位置。这种算法的应用空间很广泛，例如，在自动驾驶汽车、语音识别和预测机票价格波动等方面均有出色表现。
在某种意义上讲，深度学习不是独一无二、无规律可寻的。任何机器学习系统，无论是否属于 深度 学习，都由下列一些基本要素组成：
1.执行元素：系统中采取行动的部分。例如，在围棋比赛中负责走棋的部分。
2.目标函数：被学习的函数。例如，围棋比赛中棋盘位置或走子选择的映射。
3.训练数据：一套被标记的数据点集合，用于逼近目标函数。例如，围棋比赛中棋盘位置的集合，其中每一个位置都标注了人类专家在该位置上的走子选择。
4.数据表现：每个数据点通常会被表示为一个预先确定的变量的矢量。例如，围棋盘上每个棋子的位置。
5.学习算法：基于训练数据计算目标函数近似值的算法。
6.假设空间：学习算法可能考虑的函数的空间。
这种结构能适应所有取机器学习方法，包括从简单的线性回归方法到复杂的深度学习算法等。从技术上讲，我们指的正是监督学习(supervised learning)，其中每个数据点都有人类做出的标记。如数据没有被标记，就是无监督学习，处理起来就要困难许多。如果有部分数据被标记，则属于半监督学习。
需要指出的是，机器学习架构中前五个部分都是人工输入的，意识到这一点很重要。人类程序员建构了其中每个元素，但并未控制机器学习程序。事实上，程序员通常会分析这个学习程序的行为，发现它不够完美之后，会手动修改其中一个或多个元素。这是一项非常艰苦的工作，在达到期望水平之前，可能需要几年、甚至更长时间的重复工作。
帮助人类
我们会发现，一个学习程序的能力会受到这种架构的严格限制。确切而言：