你是否好奇過，為什么手機(jī)能識別出你的臉？為什么語音助手能聽懂你說的話？為什么網(wǎng)站能推薦你喜歡的內(nèi)容？這些神奇的功能背后，都有一項叫作“深度學(xué)習(xí)”的技術(shù)在默默工作。今天，讓我們一起揭開深度學(xué)習(xí)的神秘面紗，了解它是如何工作的。

文|祁 磊

東南大學(xué)計算機(jī)科學(xué)與工程學(xué)院、軟件學(xué)院、人工智能學(xué)院副研究員，《科學(xué)畫報》編委會人工智能專委會委員。

01.

什么是深度學(xué)習(xí)

深度學(xué)習(xí)是人工智能的一個分支，它模仿人類大腦的工作方式，通過大量數(shù)據(jù)的學(xué)習(xí)來完成各種任務(wù)。就像我們?nèi)祟愅ㄟ^觀察和經(jīng)驗學(xué)習(xí)一樣，深度學(xué)習(xí)系統(tǒng)也需要“看”很多例子才能學(xué)會做事情。

想象一下，如果你想教一個小朋友認(rèn)識貓，你會怎么做？你可能會指著各種各樣的貓說：“看，這是貓。”小朋友看得越多，就越能準(zhǔn)確地識別出貓來。深度學(xué)習(xí)也是這樣工作的！

02.

深度學(xué)習(xí)的應(yīng)用

圖像識別：當(dāng)你上傳一張照片到社交媒體，系統(tǒng)能自動標(biāo)記出照片中的人臉，這就是深度學(xué)習(xí)的應(yīng)用。網(wǎng)絡(luò)通過學(xué)習(xí)大量的人臉圖片，學(xué)會了識別人臉的特征，如眼睛、鼻子、嘴巴的位置和形狀。

語音識別：當(dāng)你對著手機(jī)說“今天天氣怎么樣”，手機(jī)能理解你的問題并回答，這背后也是深度學(xué)習(xí)在工作。網(wǎng)絡(luò)學(xué)習(xí)了大量的語音樣本，能夠?qū)⒙暡ㄞD(zhuǎn)換成文字。

智能助手：像小愛同學(xué)、小度這樣的智能助手，背后都有大模型的支持，它們能理解你的問題，并給出回答。

03.

神經(jīng)網(wǎng)絡(luò)：深度學(xué)習(xí)的核心

深度學(xué)習(xí)的核心是神經(jīng)網(wǎng)絡(luò)，它的靈感來自我們大腦中的神經(jīng)元。在人類大腦中，數(shù)十億個神經(jīng)元相互連接，形成復(fù)雜的網(wǎng)絡(luò)，幫助我們思考和學(xué)習(xí)。

在計算機(jī)中，神經(jīng)網(wǎng)絡(luò)由許多層組成，每一層都有許多“神經(jīng)元”（實際上是數(shù)學(xué)函數(shù)）。這些層從輸入層開始，經(jīng)過多個“隱藏層”，最后到達(dá)輸出層。當(dāng)我們說“深度”學(xué)習(xí)時，“深度”指的就是這些層的數(shù)量很多。

想象一下你學(xué)習(xí)騎自行車的經(jīng)歷。一開始，你可能會摔倒很多次，但每次摔倒后，你都會調(diào)整自己的平衡和踩踏力度，慢慢地，你學(xué)會了騎車。神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程與此很相似。

• 初始狀態(tài)：神經(jīng)網(wǎng)絡(luò)一開始并不“聰明”，它的參數(shù)（可以理解為神經(jīng)元之間的連接強(qiáng)度）是隨機(jī)設(shè)置的。

• 前向傳播：當(dāng)我們給網(wǎng)絡(luò)一個輸入（如一張貓的圖片），網(wǎng)絡(luò)會通過各層進(jìn)行計算，最終給出一個預(yù)測（如“這是貓的概率是80%”）。

• 計算誤差：我們比較網(wǎng)絡(luò)的預(yù)測和正確答案（“這確實是一張貓的圖片”），計算出誤差。

• 反向傳播：網(wǎng)絡(luò)會根據(jù)誤差調(diào)整自己的參數(shù)，從而使下次再看到類似的圖片時預(yù)測會更準(zhǔn)確。這個過程叫作“反向傳播”。

• 重復(fù)學(xué)習(xí)：通過大量的例子反復(fù)學(xué)習(xí)，網(wǎng)絡(luò)的預(yù)測能力會越來越強(qiáng)。

04.

大模型：深度學(xué)習(xí)的“超級版本”

你可能聽說過ChatGPT、深度求索（DeepSeek）等大模型，它們能夠和人類對話，寫作文，甚至編程。這些大模型其實就是特別龐大的深度學(xué)習(xí)系統(tǒng)。

大模型就像是深度學(xué)習(xí)的“超級版本”。如果把普通的深度學(xué)習(xí)模型比作一個小學(xué)生的大腦，那么大模型就像是一個博士的大腦——它有更多的“神經(jīng)元”（參數(shù)），學(xué)習(xí)了更多的知識。舉個例子，一個簡單的圖像識別模型可能有幾百萬個參數(shù)，而現(xiàn)代的大模型可能有幾千億個參數(shù)，這就像是從一個小村莊變成了一個超級大都市。

05.

深度學(xué)習(xí)面臨的挑戰(zhàn)和機(jī)遇

雖然深度學(xué)習(xí)非常強(qiáng)大，但它也面臨一些挑戰(zhàn)。首先是需要大量數(shù)據(jù)，就像人類需要看很多例子才能學(xué)習(xí)一樣，深度學(xué)習(xí)系統(tǒng)也需要大量的數(shù)據(jù)。沒有足夠的數(shù)據(jù)，網(wǎng)絡(luò)可能學(xué)不好。其次是計算資源消耗大，訓(xùn)練復(fù)雜的神經(jīng)網(wǎng)絡(luò)需要強(qiáng)大的計算能力和大量的電力。最后是“黑盒子”問題，有時候我們不完全理解神經(jīng)網(wǎng)絡(luò)為什么會做出某個決定，這在一些重要決策中可能會帶來問題。

盡管深度學(xué)習(xí)面臨諸多挑戰(zhàn)，但技術(shù)演進(jìn)的浪潮正為其掀開充滿機(jī)遇的新篇章。未來，深度學(xué)習(xí)可能會變得更高效。目前，科學(xué)家正在研究如何用更少的數(shù)據(jù)和計算資源訓(xùn)練出好的模型?？茖W(xué)家還在努力讓神經(jīng)網(wǎng)絡(luò)的決策過程更加可解釋，使深度學(xué)習(xí)變得更加透明。此外，深度學(xué)習(xí)還將與機(jī)器人技術(shù)、生物技術(shù)等結(jié)合，創(chuàng)造出更多令人驚嘆的應(yīng)用。

深度學(xué)習(xí)就像是一個模仿人類學(xué)習(xí)方式的數(shù)字大腦。它通過觀察大量例子，不斷調(diào)整自己，最終學(xué)會完成各種任務(wù)。雖然現(xiàn)在的深度學(xué)習(xí)系統(tǒng)還遠(yuǎn)不如人類大腦復(fù)雜和靈活，但它已經(jīng)能夠完成許多令人印象深刻的任務(wù)，并且正在改變我們的生活方式。

當(dāng)你下次使用手機(jī)、語音助手或者享受個性化推薦時，別忘了，這些便利的背后是深度學(xué)習(xí)這項神奇技術(shù)在默默工作。隨著科技的進(jìn)步，未來的深度學(xué)習(xí)會變得更加智能，為我們創(chuàng)造更多可能性。

*本文刊登于《科學(xué)畫報》2025年第7期人工智能專欄，更多相關(guān)內(nèi)容歡迎訂閱。

訂購2026年《科學(xué)畫報》