人工智慧（Artificial Intelligence-AI）包括機器學習（Machine Learning-ML)；而深度學習（Deep Learning-DL)則基於深度神經網路（Deep Neural Networks-DNN),基於大量資料 能夠不斷訓練、學習和最佳化，做出更加高效和準確的分析和預測，是機器學習類別中最複雜最強大的一個子類。所以基於深度學習的應用屬於人工智慧應用中較為複雜和先進的一種。
值得注意的是，深度學習的有效性既依賴於不斷最佳化和完善的DNN演算法，也依賴於大量高質量的資料輸入作為基礎。對輸入資料進行清洗(Cleaning)是當前AI工作中一項繁重，枯燥但很重要的工作，“有多少人工，就有多少智慧”這句玩笑基本反映了這個現實。
儘管深度學習採用了人工神經網路（Artificial Neural networks-ANN）技術來試圖模擬人腦的思考方式，但ANN和真正的人腦思考機制相比還相差十萬八千里，根本原因是科學家還沒有弄清楚人類大腦究竟是怎麼工作的？這就是為什麼一個三歲小孩見過幾次貓之後，一般都能分辨出一隻動物是不是貓。而Google 2012年Lab X用包含16000顆處理器的DNN, 花了三天來看超過1000萬個YouTube影片來學習識別貓，最後識別準確率才達到創記錄的74.8%。
人工智慧（Artificial Intelligence-AI）包括機器學習（Machine Learning-ML)；而深度學習（Deep Learning-DL)則基於深度神經網路（Deep Neural Networks-DNN),基於大量資料 能夠不斷訓練、學習和最佳化，做出更加高效和準確的分析和預測，是機器學習類別中最複雜最強大的一個子類。所以基於深度學習的應用屬於人工智慧應用中較為複雜和先進的一種。
值得注意的是，深度學習的有效性既依賴於不斷最佳化和完善的DNN演算法，也依賴於大量高質量的資料輸入作為基礎。對輸入資料進行清洗(Cleaning)是當前AI工作中一項繁重，枯燥但很重要的工作，“有多少人工，就有多少智慧”這句玩笑基本反映了這個現實。
儘管深度學習採用了人工神經網路（Artificial Neural networks-ANN）技術來試圖模擬人腦的思考方式，但ANN和真正的人腦思考機制相比還相差十萬八千里，根本原因是科學家還沒有弄清楚人類大腦究竟是怎麼工作的？這就是為什麼一個三歲小孩見過幾次貓之後，一般都能分辨出一隻動物是不是貓。而Google 2012年Lab X用包含16000顆處理器的DNN, 花了三天來看超過1000萬個YouTube影片來學習識別貓，最後識別準確率才達到創記錄的74.8%。