以我所知 人工智慧 深度學習應該是會產生意識的。首先“意識”的意思是人類定義的。關於“意識”的更進一步理解，人類所不能理解的，就不能不代表那不是 意識了。比如：人類中有一個傻子，和一個非常聰明的人工智慧。就不能說傻子的 意識比人工智慧厲害。因為傻子無法理解 人工智慧的行為。傻子在某方面 反而意識不如人工智慧。人工智慧如若深度的無限去學習下去，我覺得它們會超越人類。超越人類並不代表能代替人類和囚禁人類。

人工智慧和深度學習是有同心圓關係的。

人工智慧的研究領域目前在不斷擴大，已經包括了專家系統、機器學習、進化計算、模糊邏輯、計算機視覺、推薦系統等，我們目前力所能及的是“弱人工智慧”，即在特定任務上執行水平與人來相當，這主要歸功於實現人工智慧的方法—機器學習。

深度學習也稱為深度結構學習【Deep Structured Learning】、層次學習【Hierarchical Learning】或者是深度機器學習【Deep Machine Learning】）是一類演算法集合，是機器學習的一個分支。它嘗試為資料的高層次摘要進行建模。如今，在某些情況下，透過深度學習訓練過的機器在影象識別上表現優於人類，這包括找貓、識別血液中的癌症跡象等。谷歌的 AlphaGo 學會了圍棋，併為比賽進行了大量的訓練：不斷的和自己比賽。

深度學習是一種實現機器學習的技術；機器學習是一種實現人工智慧的方法；從而也可以說深度學習也是一種實現人工智慧的方法。

我想問的是，我們想智慧深度學什麼?假如智慧又那麼一天會有意識，我們想讓他有什麼樣的意識?就比如每家的孩子，從小你教他的是什麼，長大後他就有很大的可能性成為從小教的樣子。還是那句話，智慧需要資料支撐，資料需要收集，你在網上釋出的每一篇文章，點評的每一條評論，他都記錄了。那怕是有過濾，也不可能過濾的乾乾淨淨。有些自媒體為了利益會打插邊球。為了下一代。請深思。

其實人工智慧是一個很寬泛的概念，當下人工智慧寬泛的指的就是用機器學習的方法去替代原先需要人類腦力勞動才能完成的非機械性工作。

機器學習存在時間已經很長，算起來應該是上個世紀的一些演算法。機器學習中效能較為突出的是神經網路演算法，由於模仿人類大腦中神經元的執行方式進行演算法設計而得名，然而原先複雜點的神經網路由於運算量極其龐大，其訓練和執行效率都很低。

近些年，隨著半導體工藝的發展以及新型運算架構的出現，一些實用性較強且適用於神經網路運算的處理器如gpu，npu，tpu等的出現，加速了神經網路演算法在更多方向的落地，尤其是深度學習演算法，深度學習演算法是指有多層神經網路構成的演算法，其可以提取更多的事物特徵，進而擁有更強的學習能力！

如今深度學習演算法已經廣泛應用於社會生活和生產中，如語音識別與合成，影象識別，系統指揮等等！

深度學習是用於建立、模擬人腦進行分析學習的神經網路，並模仿人腦的機制來解釋資料的一種機器學習技術。

它的基本特點是試圖模仿大腦的神經元之間傳遞，處理資訊的模式。最顯著的應用是計算機視覺和自然語言處理(NLP)領域。顯然，“深度學習”是與機器學習中的“神經網路”是強相關，“神經網路”也是其主要的演算法和手段；或者我們可以將“深度學習”稱之為“改良版的神經網路”演算法。

深度學習又分為卷積神經網路（Convolutional neural networks，簡稱CNN）和深度置信網（Deep Belief Nets，簡稱DBN）。其主要的思想就是模擬人的神經元，每個神經元接受到資訊，處理完後傳遞給與之相鄰的所有神經元即可

如果需要學習相關課程可以關注優就業和中科院人工智慧專家一起推出的相關課程

優就業好像是和中科院專家有一個人工智慧的合作課程，是由中科院研究員授課的，可以瞭解一下，中科院在人工智慧研究方向還是很權威的。

資料探勘可以分析現有資料中的隱藏資訊，但我個人認為深度學習更有前景。資料探勘主要研究收集大資料的方法，技術較深度學習成熟，屬於發展較快的；深度學習是統計學和資訊科技的交叉學科，側重於如何分析運用已知大資料進行推理和建立新模型，近幾年來開始受到外界重視。資料探勘可能需要重複掃描大量資料以得出較為理想的資訊，對演算法要求較高；深度學習則是模仿人類神經網路的學習模式分析資料特徵，以建立相應的模型。這些模型可以在被合理沿用的前提下解決一些未知的問題，但模型必須基於大量有用的學習資料，耗時較長。兩者得出的結論皆可能與理想模型有差距，而且兩者對提供的資料依賴較大。可以預見的是，未來很多領域遇到複雜問題會趨向於使用深度學習技術求出的結果作為參考，而不只是單純地基於資料發掘。因為相對資料發掘而言，一個由深度學習得出來的通用模型可以解決相當多的問題。但是深度學習對程式設計技術和資料收集提出了更高的要求，因此成本比較高，目前深度學習的開發者多數來自大公司。【上述來自中公優就業】

深度學習是學習樣本資料的內在規律和表示層次，這些學習過程中獲得的資訊對諸如文字，影象和聲音等資料的解釋有很大的幫助。它的最終目標是讓機器能夠像人一樣具有分析學習能力，能夠識別文字、影象和聲音等資料。 深度學習是一個複雜的機器學習演算法，在語音和影象識別方面取得的效果，遠遠超過先前相關技術。