各有各的長處，各有各的短處。

可能首先要明確一點，深度學習為何被稱為“深度”？從現在的技術角度看，深度學習透過組合低層特徵形成更加抽象的高層表示屬性類別或特徵，以發現數據的分散式特徵表示。

而普通機器學習演算法為什麼在面對大資料時有時候無法體現其優勢呢？是因為在工程界有這麼一說，要達到同樣的模型水準，要不就是複雜模型+簡單特徵，要不就是簡單模型+複雜特徵。深度學習屬於前者，它有很多引數需要調優，是一個非常龐大的引數模型。一般的機器學習模型屬於後者，需要有強有力的特徵來分離資料，最終得出不同的類別。

總的來說，目前深度學習確實有很多好處，譬如對我而言就很簡單暴力了，不用花很長時間進行調參，把資料清洗一下扔進去看看結果，如果不好就調整引數繼續嘗試，而做一般機器學習模型可不是這樣，要做很多特徵工程。但深度學習在工程上有個至今為止沒有解決的問題，它是個“黑盒”，可解釋性差，導致系統出現bug無法迅速找出原因或者回溯之前的錯誤，所以在做工程而言，我們實際上更傾向於較少的特徵工程和可解釋性強的模型就可以得到較好的結果，很期待未來深度學習的進一步發展。

當然不會，只能說深度學習這個分支會繼續蓬勃發展。但還有很多別的分支，比如遷移學習、強化學習…會繼續向前發展。另外，DL的發展也會有瓶頸，Hinton大神的最新Capsule論文也說明了問題，所以凡事都沒有絕對，多吸收各種知識，開闊眼界，才能更好的掌握AI的各方面。

首先可以很肯定的說，不會！理由是因為每種演算法都有擅長的領域，解決相應的問題，沒有一種演算法可以解決所有問題。而且在實際應用中還需要考慮成本問題，深度學習是很高階的演算法這一點沒錯，但並不代表它就適合解決所有問題，難道真的要用高射炮去打蚊子嗎？效果不一定好哦，而且成本是不是太高了呢。再退一步講深度學習也是基於早期的演算法發展起來的，他們是包含關係，並不是獨立存在的。

當然不會，沒有一種演算法會淘汰所有的演算法，深度學習也不例外，要證明這點，我們可以來看看Wolpert and Macready在1997年提出的No Free Lunch Theorems（免費午餐理論）。

這個定理告訴我們,對於同一領域任意兩個學習演算法A和演算法B,兩者迭代運算之後對於問題Q的解決的所有可能性的累加和是相等的，也就是說, 脫離了具體的某一問題問題, 空談哪個演算法更好或者更壞是沒有太大意義的, 因為如果考慮所有可能的問題, 那麼所有的演算法結果都是一樣的。一種演算法只是針對某一問題來說是最好的，如果演算法A針對問題M優於演算法B，那麼演算法B必定會在同一領域對的問題N上優於演算法A。

目前的深度學習主要是基於神經網路的深度學習，這種演算法由於能自動的學習和迭代樣本的計算結果的表示, 因此比較適合適合像影象, 語音, 文字等原始樣本和資料特徵之間相差很大，無法用一般統計方法提前特徵值的情況, 這也是現今深度學習在這些領域能取得重大進展的一個非常重要的原因， 而另一方面, 仍然有相當多的問題分析中, 其資料的原始樣本和資料的特徵之間差別不大, 這個時候, 使用深度學習開銷和效能將比不過傳統的統計方法。畢竟工程問題除了要考慮精準度外，還要考慮成本，從這個角度講，傳統的統計檢驗提取特徵值的方法成本還是要遠低於深度學習的演算法的。

任何技術或者演算法或者語言的發展都不是為了打敗其他的技術，演算法，語言，科技的發展是包容的，是互相學習，互相進步的一個過程，人工智慧的發展還需要更多優秀演算法的迭代才能煥發出蓬勃的生命力，而不是一味的用所謂的高階演算法替代甚至淘汰別的演算法。

並不會。

俗話說：“用四個引數我可以擬合出一頭大象，而用五個引數我可以讓它的鼻子擺動。”

無論何時，機器學習首先考慮的都是簡單的模型（比如線性迴歸、線性分類、決策樹），而不是深度學習這樣沉重的模型。這不僅是為了節省算力，也是為了避免模型過於複雜導致的過擬合。

比如，知名的python機器學習庫scikit-learn就不支援深度學習，但使用仍然十分廣泛。包括Spotify、Evernote、Booking.com、OkCupid等知名公司都使用scikit-learn.

（圖為scikit-learn官網截圖）

另外，強化學習現在也非常火熱。各種人工智慧頂會上有大量強化學習方面的論文。

在一對一無限注德州撲克比賽中擊敗頂級人類選手的Libratus用的就是強化學習的技術，反事實遺憾最小化（counterfactual regret minimization）的新變體。也就是說，這個玩德州撲克的AI並不關深度學習什麼事。

當然，現在的強化學習，常常結合了深度學習，也就是深度強化學習，比如Alpha Go. 這其實也反映了深度學習發展的趨勢，和其他機器學習技術相結合。

總結一下，深度學習不會淘汰其他所有機器學習演算法。深度學習之外的機器學習演算法仍有旺盛的生命力。另外，深度學習也會和其他機器學習演算法相結合。