從 2016 年 AlphaGo 戰勝李世石掀起深度學習的熱潮，到如今深度學習寒冬論甚囂塵上，短短兩三年時間，深度學習被唱衰，如今在產業網際網路的高速發展下深度學習又該走向何方？未來的發展方向在何方？

深度學習畢竟是機器學習，不會像人一樣思考，這就使得深度學習存在著很大的侷限性。對於大多數任務而言，要麼不存在相應的深度神經網路能夠解決任務，要麼即使存在這樣的網路，它也可能是不可學習的。

通過堆疊更多的層並使用更多訓練資料來擴充套件當前的深度學習技術，只能在表面一緩解一些問題，無法解決更根本的問題，比如深度學習模型可以表示的內容非常有限，比如大多數你想要學習的程式都不能被表示為資料流形的連續幾何變換。

另外一點比較突出的問題在於深度學習的泛化能力不夠，或者稱之為只有區域性泛化能力。而我們人類不會，我們通過將事務進行抽象和推理的手段，可以做到少樣本或者零樣本學習。對於我們人類而言，我們有著極端泛化能力。

比如說，我們想要學習讓火箭登入月球的正確發射引數。

如果使用深度網路來完成這個任務，並用監督學習或強化學習來訓練網路，那我們需要輸入上千次、甚至上百萬次發射實驗。相比之下，我們人類可以利用抽象能力提出物理模型（火箭科學），並且只用一次或幾次實驗就能得到讓火箭登入月球的精確解決方案。同樣，如果你開發一個能夠控制人體的深度網路，並且希望它學會在城市裡安全行走，不會被汽車撞上，那麼這個網路不得不在各種場景中死亡數千次，才能推斷出汽車是危險的，並且做出適當的躲避行為。將這個網路放在一個新的城市，它將不得不重新學習已知的大部分知識。但人類不需要死亡就可以學會安全行為，這個也要歸功於我們對假想情景進行抽象建模的能力。

看來，深度學習和真正意義上的智慧有著極大差距。語音識別、智慧翻譯、影象識別、AlphaGo、自動駕駛….. 儘管人類在深度學習領域取得了不小的進步，但是距離人類級別的人工智慧仍有著很大距離。

深度學習帶來了人工智慧的第三次熱潮，大量資本和人才紛紛湧入人工智慧領域，關於人工智慧的創業公司迅速增長。據最新發布的《中國新一代人工智慧科技產業發展報告》統計，2018 年全球人工智慧領域專利申請量達到 13 萬餘件，中國人工智慧企業佔世界人工智慧企業總數的 21.67% ，排名世界第二。

技術不同於科學研究，遲早要尋求回報。人工智慧風口下的初創公司，只有精耕產品需求，使解決方案更加的解決客戶難題，才能發揮技術的價值。

另一項資料則顯示中國 90% 的 AI 公司由於未找到商業變現的途徑，處於虧損狀態。但也有一些企業借創新的技術，過硬的實力，全鏈的產業落地模式，在產業網際網路時代受到資本的寵溺，一躍成為行業獨角獸，如第四正規化、位元組跳動、寒武紀科技、雲從科技、馭勢科技、曠視科技、商湯科技、圖森未來、依圖科技等高科技公司。

國內外各大科技巨頭公司紛紛進軍深度學習領域，無論是國外的谷歌、亞馬遜、Facebook，還是國內的百度、阿里、騰訊等科技巨頭公司紛紛開源了自己的深度學習框架。產業網際網路時代，更多人工智慧公司追求商業落地，將技術賦能場景。

因此當下如果學會了人工智慧的相關技術，工作起碼沒什麼問題。

深度學習學了之後還是做人工智慧方向的工作比較多

機器人應用開發

機器視覺開發

QT開發

機器人應用軟體開發

自動駕駛開發

ROS系統開發工程師

機器人演算法工程師

等等

但是學深度學習還是需要一些知識基礎，建議有一定Python、人工智慧等方向基礎的人選擇學習。

也可以找培訓機構學習，最近中公教育和中科院聯合推出的深度學習課程，直播課程，如果想從事相關行業可以選擇來學習下。

深度學習並不是所有計算機分支中最要求數學能力的，但是你要是沒有的話（像苦B的答主一樣），入門和深入就會很受影響！當然了，什麼稀疏低秩、什麼BP演算法，如果數學功底不強，理解也是能理解的，就是要慢些了

企業對於AI深度學習方面的技術人才需求量du是非常高的，也是非常迫切的，但是企業對於人zhi才的要求並不是很低，很多人擔心自己找不到工作其實主要還dao是技術掌握不夠到位。從目前情況版來說，但凡參與AI深度學習培訓之後，只要你付出時間和精力好權好學習之後都可以獲得滿意的工作。