“机器学习模型依靠左右互搏，可以迅速达到很高的智能水准。”（说他们智商低，是因为这一点他们真信了。）
“人工智能毁灭人类的奇点即将来到！”（我认为机器早就能毁灭人类了，不过这跟人工智能并没有关系。）
“只有人工智能才能拯救人类！”（潜台词是：只有我这样人工智能的使者才能拯救你们！）
“我们的产品融合了大数据和人工智能技术。”（其实多数情况下不过是用hadoop跑了个脚本。）
作为一个知识分子，我是不太擅长骂人的。咱们还是先讲讲道理，看看深度学习到底解决了什么，还有哪些挑战。
实际上，到今天为止，无论什么样的机器学习，本质上都是在统计数据，从中归纳出模型。实际上，很早以前大家就认识到，深层的神经网络比起浅层的模型，在参数数量相同的情形下，深层模型具有更强的表达能力。这个概念说起来也好理解：用同样的面积的铁皮，做个桶比做个盘子盛的水要多一些。对此，马三立大师早有论述：碗比盘深，盆比碗深，缸比盆深，最浅的是碟子，最深的是缸。而盘子或桶里的水，则类比于模型可以接纳并总结的数据：太浅层的模型，其实很容易自满，即使有大量的数据灌进去，也并没有什么卵用。
既然很早就知道深层模型的表达能力更强，那么为什么近年来深度学习才大放异彩呢？那是因为桶虽然盛水多，我们以前却没有掌握将它高效率地灌满的办法。也就是说，以前对深度神经网络，没有太有效的工程优化方法。
一个大桶摆在那儿，却只能用耳挖勺一勺勺往里灌水，多怎才能灌满啊？直到本世纪，Geoffrey Hilton和他的学生发明了用GPU来优化深度神经网络的工程方法，这就好比灌水时发明了水管，极大地提高了效率。这样的工程方法产生后，深度神经网络才变成工业界实用的武器，并且在若干领域都带来了里程碑式的变化。
桶有了，水管也有了，还缺什么呢？当然就是水了。对深度学习模型而言，水就是海量的数据。比方说原来用浅层的模型做人脸识别，训练样本到了一定的规模，再多就没有用了，因为盘子已经灌满了，再灌就盛不了了。
可是，改用深度学习，再加上有了水管以后，数据一直往里面灌，模型还是可以继续学习和提高。就拿机器识别物体这样的任务来说，通过数百万副图片的训练，深度学习模型甚至可以超过人的肉眼的识别能力，这确实是人工智能在感知类问题上重要的里程碑。
然而，上面的例子提醒我们：人工智能和人的智能，还真的不是一回事。几岁的小孩子，大人给他指过一次猫，下次他十有八九就能认出来。然而不论是多强的人工智能模型，也不可能看几张猫的图片，就能准确地认识猫。也就是说，深度神经网络的“智能”，是建立在海量数据基础之上的，因此，深度学习与大数据，有着非常紧密的内在联系。
关于深度学习，还有一个有趣的现象。就目前情况来看，深度学习技术在互联网应用（例如广告、推荐等）上取得的提高，没有语音图像这些领域那样显著。这里面有什么规律性的解释么？
个人认为，自然现象的数据处理，例如语音识别，我们完全可以通过主动的语料采集，让各个phoneme甚至biphone、triphone都挺有充分的覆盖；而互联网收集的社会行为，例如广告点击、新闻阅读这些数据，Ground truth并不清晰：即使对于同一个人、同一则广告、同一个广告位，点击与否也是个很不确定的事件，而这样的不确定性即使引入再多的上下文信息，也不可能消除。
而引入了大量的上下文信息（即模型需要的feature）后，在每个片段上的数据实际上非常稀少，并不能满足深度学习模型彻底进化的需要。怎么解决这个问题呢？最近爆火的Alphago采用的deep reinforcement learning方法论，或有是个启发。