·微软
2011年上半年，微软将深度学习引入商用的语音识别产品，其中包括必应语音搜索和Xbox语音指令。该公司如今将神经网络应用在搜索排名、图片搜索、翻译系统等领域。“神经网络的影响力无处不在，难以估量。”彼得·李说。去年，微软在一项重要的图像识别比赛中取胜，9月它在语音的精确识别上也创下了记录：错误率只有6.3%。
2013年12月，Facebook聘请法国神经网络创新者雅恩·乐昆领导它新成立的AI研究实验室。Facebook利用神经网络来将其平台每天产生的约20亿条用户帖子翻译成超过40种语言，称它的翻译每天为8亿用户所见。（Facebook约一半用户不会说英语。）Facebook还将神经网络应用于照片搜索和照片整理，它正研究一项可给无标签照片生成语音说明的功能，供视觉障碍者使用。
·百度
2014年5月，百度招揽了原谷歌大脑项目负责人吴恩达来领导它的研究实验室。百度将神经网络应用于语音识别、翻译、图片搜索、无人驾驶汽车等领域。语音识别技术在中国颇为重要，因为普通话在手机上不易输入。百度称，在过去的18个月里，百度语音界面的使用量增长了两倍。
像IBM和微软这样的公司也在帮助企业客户为它们的自有业务适配深度学习驱动的应用程序，如语音识别界面和翻译服务。像亚马逊AWS这样的云服务正在那些想要开发自有软件的客户提供GPU驱动的低价深度学习计算服务。众多开源软件，如Caffe、谷歌的TensorFlow和亚马逊的DSSTNE，也促进了行业创新进程。与此同时，许多研究人员还没有等候同行评审便将自己的研究成果发布到一个数据库上。
深度学习与医学
很多令人兴奋的深度学习应用方面的新尝试都针对医疗领域。领导Andreessen Horowitz生物投资部门的斯坦福教授维贾伊·潘德（Vijay Pande）指出，大家都知道神经网络非常适用于图像识别，“医生所做的工作很多都是图像识别，不管是放射科、皮肤科、眼科还是很多其它的医科。”
放射科医师一生或许可以阅览成千上万张图像，而计算机则能够阅览数百万张。潘德称，“不难想象，图像识别问题上计算机能够做得更好，因为比起人类它们能够处理的数据要多得多。”
由计算机代劳的潜在好处并不仅仅包括准确率和分析速度的提升，还包括服务的大众化。随着相关技术变得标准化，最终将会有无数病患受益。
解决现实问题
当以还没有被想到的方式整合到其它的人工智能技术组合时，深度学习或许可以发挥出最大的威力。例如，通过结合使用深度学习和一项名为强化学习的相关技术，谷歌的DeepMind已经取得了一些令人吃惊的成就。它利用那两项技术打造出了AlphaGo，该系统在今年3月击败了世界围棋冠军李世石——这被广泛认为是具有里程碑意义的人工智能成就。不同于IBM曾在1997年打败象棋冠军加里·卡斯帕罗夫（Garry Kasparov）的Deep Blue，AlphaGo并没有编入决策树，评估棋子位置的方程式，以及假定规则。DeepMind的CEO丹米斯·哈撒比斯（Demis Hassabis）表示，“AlphaGo主要通过和自己玩和观察重大的职业比赛来学习下围棋。”（训练期间，AlphaGo跟自己对战了100万盘围棋。）
此外，哈撒比斯认为，同样的技术可以应用于解决现实问题。事实上，谷歌曾在7月称，通过利用类似于AlphaGo所使用技术的方法，DeepMind能够将谷歌数据中心的能源效率提升15%。“数据中心中可能有120个不同的变量。”哈撒比斯说道，“你可以改变风扇，可以打开窗户，可以调整计算机系统，可以改动电流。你可以从传感器、温度测量表等获得数据。这就像是下围棋。通过反复试验，你就可以知道哪些做法是正确的。”
“因此它很不错。”他继续说道，“通过这样你可以每年节省数百万美元的能耗成本，同时也能够造福环境。全球各地的数据中心需要耗费大量的电力。我们希望能够更大范围地推行该技术，甚至将其推向国家电网。”
聊天机器人也很不错，它会是很酷的应用。（皓慧）