人类智能的一个重要表现就是具有学习能力。机器要想变成机器人当然也需如此。近年来，随着人工智能概念的普及，机器学习、深度学习终于走进人们的视野。那么，究竟什么是机器学习呢？

当我们浏览网上商城时，经常会出现商品推荐的信息。这是商城根据你往期的购物记录和冗长的收藏清单，识别出这其中哪些是你真正感兴趣，并且愿意购买的产品。这个过程是机器自动实现的，叫做机器学习。所以机器学习就是一种实现人工智能的方法。机器学习实际上是一个程序，或者说是一个用代码表述的算法。它的功能如下：

机器学习

机器学习是一种算法。这种算法要模拟人的形象（直观）思维过程。人工神经网络就是模拟人思维的形象（直观）思维过程的算法。所以，机器学习普遍采用人工神经网络。

应注意的是，人工神经网络模型和人的大脑神经网络是两回事。目前，大脑神经科学的发展还远远不足以使我们找到足够形成算法的机制来形成智能，也还没有能力去证明或者证伪机器学习与生物神经系统的相关性，更无法说明机器学习是不是真的像大脑。所以，人工神经网络或者机器学习实际上并不是在模仿大脑。但是，我们必须承认，机器学习在某些地方确实是受到了神经系统的启发。但就目前的状态而言，只能说是受启发，而不能说是模仿。

深度学习还是机器学习，只不过深度更深了而已。对于人脸识别这样的任务，程序的输出不能只是大概齐的兴趣这样简单，而必须精准。所以，算法上由人工神经网络过渡到深度人工神经网络。

深度学习的概念最早由多伦多大学的辛顿（G.E.Hinton）等于 2006 年提出，指基于样本数据通过一定的训练方法得到包含多个层级的深度网络结构的机器学习过程。

就是说，机器必须通过多个层次的统计、总结，最后才能给出所需要的主要特征。层次越多，学习的“深度”越深。可以将输入输出分别叫做输入层和输出层，这两个层次中间的过程则叫作“隐藏层”。从“输入层”到“输出层”究竟需要多少“隐藏层”，取决于问题的复杂度。越是复杂的问题，所需要学些的层次越多。例如，AlphaGo的策略网络是13层。每一层的神经元数量为192个。

人工神经网络越复杂，则要求计算机的计算能力越强。不过计算机的计算能力这些年已经不再成为障碍了。这也是深度学习能够迅猛发展的条件之一。除此之外，算法的改进也非常重要。传统的神经网络随机初始化网络中的权值，导致网络很容易收敛到局部最小值。为此，辛顿提出使用无监督预训练方法优化网络权值的初值，再进行权值微调的方法，有效地解决了这一问题。

在辛顿等人的努力下，当然也是在媒体的帮助下，一个言必称“深度学习”的时代到来了。