AI 术语表 · 入门 · 语言模型
深度学习
深度学习是一种机器学习方法，它把模仿人脑神经网络的人工神经网络深深地堆叠成多层，让模型从数据中自行学习复杂的模式。
通俗解释 就像工厂里分多道工序的工作台一样，第一层看线条、点这类简单特征，后面的各层把它们组合起来，识别出眼睛、鼻子，进而识别出“脸”这样的复杂概念。它的工作方式与真实大脑并不相同，可以理解为只是从结构上借鉴了思路。
工作原理
深度学习模型是由输入层、多个隐藏层和输出层构成的人工神经网络。每一层对从上一层接收的数字进行计算后传给下一层，越往后的层捕捉到的特征越抽象。训练时，通过把输出与正确答案之间的差异反向传递的反向传播，以及一点点减小误差的梯度下降，来修正大量参数。“深度（deep）”指的就是层数很深。
为什么重要
以往的机器学习常常需要人事先选定“要看哪些特征”。深度学习则能从照片像素、句子字符等原始数据中自行找出所需的特征。因此，图像识别、语音识别、翻译等领域的性能大幅提升。如今的 LLM、图像生成 AI 等生成式 AI 也都是建立在深度学习之上的。
注意事项
深度学习需要大量数据和 GPU 等强大的计算资源。由于难以知道模型内部出于什么原因给出某个答案，它被批评为“黑箱”，致力于解决这一问题的研究就是可解释性。代表性结构包括擅长图像的 CNN、用于有序数据的 RNN，以及当前 LLM 的基础 Transformer。
示例
智能手机相册应用按人物自动整理照片、语音助手把语音转成文字、聊天机器人理解句子并作答，这些功能都是靠深度学习模型实现的。