自 2006 年以来，机器学习领域，取得了打破性的进展，至于利用技能手段，不仅仅依赖于云打算对大数据的并行处理能力，而且依赖于算法。
这个算法便是Deep Learning。
借助于Deep Learning算法，人类终于找到了如何处理\"大众抽象观点\"大众这个难题的方法。

背景

机器学习（Machine Learning）是一门专门研究打算机若何才能仿照或实现人类的学习行为，以获取新的知识或技能，使之不断改进自身的性能的学科。
机器学习虽然发展了几十年，但还是存在很多没有良好办理的问题，例如图像识别、语音识别、自然措辞理解、景象预测、内容推举等等。

目前我们通过机器学习去办理这些问题的思路都是这样的：

从开始的通过传感器（比如CMOS）来得到数据。
然后经由预处理、特色提取、特色选择，再到推理、预测或者识别。
末了一个部分，也便是机器学习的部分，绝大部分的事情是在这方面做研究的。

中间的三部分，概括起来便是特色表达。
良好的特色表达，对终极算法的准确性起了非常关键的浸染，而且系统紧张的打算和测试事情都耗在这一大部分。
但是，目前这块实际中一样平常都是靠人工提取特色。

然而，手工地选取特色是一件非常费力、须要专业知识的方法，能不能选取好很大程度上靠履历和运气，而且它的调节须要大量的韶光。
既然手工选取特色不太好，那么能不能自动地学习一些特色呢？Deep Learning便是用来干这个事情的，顾名思义，便是不要人参与特色的选取过程。

近年以来，认知神经科学、生物学等等学科的发展，让我们对自己这个神秘的而又神奇的大脑不再那么的陌生，也给人工智能的发展推波助澜。

人脑视觉机理

美国生物学家David Hubel 和Torsten Wiesel 创造了一种被称为\公众方向选择性细胞（Orientation Selective Cell）\公众的神经元细胞。
当瞳孔创造了面前的物体的边缘，而且这个边缘指向某个方向时，这种神经元细胞就会生动。

这个创造引发了人们对付神经系统的进一步思考。
神经-中枢-大脑的事情过程，或许是一个不断迭代、不断抽象的过程。
这个创造也匆匆成了打算机人工智能技能，在后面的打破性发展。

总的来说，人的视觉系统的信息处理是分级的。
从低级的V1区提取边缘特色，再到V2区的形状或者目标的部分等，再到更高层，全体目标、目标的行为等。
也便是说高层的特色是低层特色的组合，从低层到高层的特色表示越来越抽象，越来越能表现语义或者意图。
而抽象层面越高，存在的可能预测就越少，就越利于分类。