深度学习算法的分类
深度学习在早期被称为神经网络。神经网络是一种特殊的学习方式，在神经网络领域，人们将学习定义为“基于经验数据的函数估计问题”。需要指出，这样的学习定义虽然非常片面，但对于神经网络而言已经够用了。如此一来，如何构造函数，并应用经验数据将其估计出来，就成了神经网络面临的首要问题。
学习算法的分类有很多种。一种分类方式是将学习算法分为傻瓜型学习算法与专家型学习算法。所谓傻瓜型学习算法，就是任何人使用得到的结果都差别不大的学习算法。所谓专家型学习算法，就是专家与普通人使用得到的结果差别巨大的学习算法，每个人得出的结果很难一致。当然，中间还有一些处于两者之间的学习算法，既不是纯傻瓜型的也是不纯专家型的。
另一种学习算法分类，是黑箱算法和白箱算法。所谓黑箱算法，是指使用者难以明白学习算法学到的知识，特别是其学习到的知识难以解释。所谓白箱算法，是指使用者容易明白学习算法学到的知识，特别是其学习到的知识可以解释清楚。
有了以上四个概念之后，我们就可以回顾早期的神经网络是如何发展成今天的深度学习的了。
早期神经网络无法解决非线性问题
神经网络第一个成熟算法是线性感知器算法，该算法是白箱、傻瓜型算法，特点是节点为恒同映射，不同层次节点间的关系是线性组合关系，优点是解释性好，如线性可分的时候，可以证明迭代有限步就收敛。这个算法在当时得到了很大的支持，拿到了大批基金。
但很遗憾，在1969年，Minsky与Papert提出的一个著名的反例——异或问题，给了线性感知器算法致命一击。世界的问题大多是非线性问题，而线性感知器算法连非线性问题中最简单的“异或问题”都解决不了，由此可以推断其实际用处不大。从此以后的10多年时间里，在国际上，无论是东方还是西方，无论是前苏联还是日本、美国，看到神经网络都视之为骗子，不再给予支持，这也直接导致了神经网络第一个冬天的到来。
多层前馈神经网络的崛起与失败
早期的神经网络不成功是因为是线性的，如果改成非线性是不是好一点呢？到1982年以后，Hopfield发了好几篇文章，证明了非线性网络的有用性。这时候的神经网络已经是典型的黑箱、专家型算法了。
多层前馈神经网络非常成功的应用在了邮政编码的识别中。20世纪80年代是美国邮政最发达的年代，当时通讯几乎全都是纸质的，有大量的信件需要发送，工作量特别大。人们希望用机器代替，就用了邮政编码的自动分捡系统，可以做到三分之二正确识别，剩下三分之一拒识的由人分捡，这样大大减轻了工作量。
这时候神经网络有很大的改变，取得了很大的进展，节点使用非线性函数，训练时间长，一般为三层：输入层、隐层、输出层。主要是证明了神经网络的万有逼近定理：“如果一个隐层包含足够的多神经元，多层前馈神经网络能以任意精度逼近任意预定的连续函数”。在神经网络采用的学习定义下，该定理证明了神经网络的万能性。由此，当时人们甚至认为神经网络可以无所不能。据说，1988年IJCNN（国际神经网络联合会议）曾经贴出一个疯狂的标语，称：“人工智能已死，神经网络万岁”。
但是，当人疯狂的时候就要挨揍了。如果有其他算法比神经网络性能好一点，解释性强一些，就一定能将神经网络打入冷宫。这样的事情真的发生了，1995年支持向量机（SVM）横空出世，该算法比神经网络算法解释性好，其几何解释干净漂亮，性能比当时的三层神经好一些。这时候神经网络进入了第二个冬天，好在这个冬天并没有第一个那么冷，基金支持并没有彻底断绝，能不能拿到基金，主要看人品和运气。
突破三层的神经网络，深度学习迎来春天
但是SVM也有缺陷，它主要是处理小数据的，是小样本学习的典范算法。而到了2008年以后，我们迎来了大数据时代，各行各业都有大量的数据，而且电脑的计算能力也大幅度地提高了，因此SVM在很多领域将难以适用。以往的神经网络基本上都是三层的，原因是四层以上的神经网络会遇到数据量、计算力不足和梯度消失等问题。如果以上三个问题能够解决，就能为深度学习奠定很好的基础。
到2010年左右，人们通过采用新的激励函数，逐渐克服了梯度消失或者发散问题，加之数据量和计算力的不断提高，深度学习迎来了蓬勃发展。这使得化名为深度学习的神经网络研究进入了另一个春天。
我们现在所说的深度学习，可以理解为层数高于三层的神经网络。神经网络和深度学习最重要的区别是：神经网络的主流算法考虑时空数据的局部相关性较少，大多时候假设特征之间的独立性；而深度学习的主流算法基本考虑了时空数据的局部相关性，如CNN，RNN，LSTM等。深度学习可以使学习能力提高，而训练样本并不需要增加太多。
到2016年，神经网络深度就已经达到1207层。随着深度的提高，算法的错误率可以快速减少。深度学习避开了单纯的特征提取过程，给出了一种将学习和表示合二为一的范式。这种方式导致深度学习在有人监督学习中非常成功，同时在自监督学习中也取得了很大的成功，但在一般意义上的无监督学习中还没有取得成功。
深度学习并非万能，仍有局限
深度学习不仅是目前热度最高的人工智能研究方向，也是工业应用最广泛的学习范式，但深度学习也有其局限性。没有免费午餐的定理指出，没有任何一种算法可以解决机器学习所有的应用。深度学习也有很多“不能”的地方。比如，深度学习和人类学习相比，人用不了多么大的样本就可以学习，但是深度学习用的样本比较多。
此外，由于深度学习属于黑箱型算法，人类将无法知晓算法做出决策的原因与依据。它适用于各种低风险甚至无风险性任务，包括搜素引擎和AlphaGo等棋牌游戏，这类任务即使发生错误，后果也不严重，并不要求算法去解释这些错误为什么会发生。
但对于高风险任务，包括无人驾驶、医疗手术等，一旦发生错误，由于成本巨大，必须能够分析出发生错误的原因，以避免类似错误再次发生，此时，深度学习在解释性方面将存在弊端。
总而言之，深度学习的表示能力超强，因此，在不要求解释的学习任务中，深度学习的性能在可见的将来将一直占优。但是，在要求解释的学习任务里，深度学习将不是一个值得期待的工具。（国际融资记者李留宇根据于剑演讲整理，杜秋摄影）