神经网络仔细分析和比较大量带注释的示例，以找到相关的相关性并开发复杂的数学模型，这些模型可以在他们从未见过的数据中找到相似之处。这称为“训练”。深度学习在计算机视觉、语音识别和机器翻译等领域尤其适用，这些任务很难用经典的 AI 方法定义和解决。

虽然我们今天看到的深度神经网络的概念可以追溯到 80 年代，但当时，人工智能社区认为它们不切实际，因为没有有效开发它们的资源。

几十年后，当这些障碍被打破时，深度学习的真正力量就显现出来了。当多伦多大学的一组研究人员利用神经网络大幅赢得 ImageNet 计算机视觉竞赛时，神经网络再次成为众人瞩目的焦点。

“神经网络从根本上以一种我们不理解的方式强大，因为我们只是没有资源让它们发挥作用。直到大量数据和计算出现，它们才起作用，我们意识到很多想法是正确的，只是现在对他们来说不是正确的时间，”考克斯说。

今天，深度学习是大型科技公司和研究实验室关注的主要领域之一。它正在帮助解决复杂的问题，例如提前 5 年预测乳腺癌以及将人类驾驶员从方向盘后面移开。

今年早些时候，深度学习的先驱们获得了图灵奖，相当于诺贝尔奖的计算机科学奖。

然而，深度学习和神经网络也有其自身的局限性。“今天的神经网络存在局限性。其中之一是它依赖于大量数据。你需要拥有惊人数量的数据来训练其中一个系统，这些数据是经过仔细注释的，”Cox 说。

如果没有大量的训练示例，深度学习模型的表现就会很差。不幸的是，在许多领域，没有足够的质量数据来训练强大的 AI 模型，这使得应用深度学习来解决问题变得非常困难。

同时，在目前的形式下，深度学习模型也存在其他问题。解释和研究神经网络的输出通常非常困难。这对于自动决策的可解释性是法律要求的领域来说尤其麻烦。

神经网络也可能成为对抗样本的目标，这些样本精心制作的数据可以以不稳定或恶意的方式操纵 AI 模型的行为。

虽然神经网络可以执行符号 AI 难以解决的一些非常复杂的任务，但它们可能会在基于规则的程序可以轻松解决的相对简单的推理问题上失败，例如高中数学。