什么让深度学习实现超越
不过，创造一个强大的神经网络需更多处理层。而由于硬件限制，早期仅能制造2至3个神经层。那么，是什么让深度学习实现超越呢？
显然，高性能计算能力的提升是一大助力。这些年GPU(图形处理器)、超级计算机和云计算的迅猛发展，让深度学习脱颖而出。2011年谷歌大脑用了1000台机器、16000个CPU处理的深度学习模型大概有10亿个神经元。而现在，我们已经可以在几个GPU上完成同样的计算了。
“深度学习还得到大数据的助力，就像火箭有了燃料。”格灵深瞳计算机视觉工程师、清华大学自动化系博士潘争介绍，深度学习技术建立在大量实例基础上，就像小孩收集现实世界的信息一样。而且，“喂”的数据越多，它就越聪明，并且不会“消化不良”。因为大数据的不可或缺，所以目前深度学习做得最好的基本是拥有大量数据的IT巨头，如谷歌、微软、百度等。
现在，深度学习技术在语音识别、计算机视觉、语言翻译等领域，均战胜传统的机器学习方法，甚至在人脸验证、图像分类上还超过人类的识别能力。专家预计，再过些年，我们口袋里的手机也可以运行像人脑一样复杂的神经网络。
不过，就目前的趋势来看，深度学习技术仍然无法代替“坐在后台监控室的人”。举个例子，如果你和朋友在一家饭店里用餐后抢着结账，这种推搡过程，智能摄像头尚难以判断是在打架还是怎么了。可见，逻辑判断和情感选择，是深度学习尚难以逾越的障碍。
(部分资料引自《三联生活周刊》、雷锋网)
◇案例◇
一眼就能识别坏人的系统
专注于计算机视觉及人工智能的科技公司格灵深瞳，将基于深度学习技术研发的智能识别系统，运用到银行安防监控领域。
考虑到传统光学镜头在识别图像时会丢失“深度”维度，格灵深瞳专门为银行安监开发了一套三维传感器。在它的背后，一套奖惩机制训练成的算法模型能够主动识别异常。“看见有人走近了一个有人的自动柜员机，而不是旁边那个空着的，此时要识别他的轨迹、判断其行为是否正常，就牵涉到深度学习。”格灵深瞳CEO何搏飞介绍，如果系统识别出异常，它就会推送给后台监督者。而为了教会机器判断准确，背后需要提供几十万量级的图片数据。
何搏飞指出，给这个智能识别系统一张侧脸或者是没有脸的全身照，它也能以超过99%的精度迅速锁定目标。前提是建一个6000到1.5万的样本库，“一旦样本达到百万级，可能精度要下降20%或更多。”
