深度学习是机器学习的一个子集，它通过获取大量数据并尝试从中学习来模仿人脑。在IBM对该术语的定义中，深度学习使系统能够“聚合数据并以令人难以置信的准确性做出预测”。然而，尽管深度学习令人难以置信，但IBM尖锐地指出，它无法触及人脑处理和学习信息的能力。深度学习和DNN（深度神经网络）被应用于解决现实世界中的复杂问题，例如天气预报、面部识别和聊天机器人，以及执行其他类型的复杂数据分析。根据AlliedMarketResearch的数据，全球深度学习市场规模将从2020年的68.5亿美元增长到2030年的近1800亿美元。根据AlliedMarketResearch的另一项研究，全球神经网络市场预计到2020年将达到近1530亿美元。2030年由于人工智能领域的发展以及对数据和高级分析工具的需求不断增长。更好地理解深度学习将有利于人工智能和机器学习衍生技术的未来应用，包括全自动驾驶汽车和下一代虚拟助手。未来，深度学习可能会演变为无监督学习，并提供更多关于人脑工作方式的见解。正是这第二种追求促使格拉斯哥大学的研究人员调查DNN与人脑的相似程度。格拉斯哥大学表示，目前对DNN技术的了解比较有限，没有人完全了解深度神经网络是如何处理信息的。为了加深科学界的理解，在最近发表的“大脑及其DNN模型之间的算法等效性”中，研究人员提出并测试了一种方法，用于理解人工智能模型与人脑在处理信息的方式上的比较。比较的方法。目标是确定DNN模型是否使用与人脑相似的计算步骤来识别事物。这项工作确定了AI模型与人脑之间的异同，这是朝着创建尽可能接近人脑处理信息方式的AI技术迈出的一步。格拉斯哥大学研究技术负责人PhilippeSchyns表示：“更好地了解人脑及其DNN模型是否以相同的方式识别事物，将允许使用DNN进行更精确的现实世界应用。有了更好的理解“了解人脑中的识别机制，然后我们可以将这些知识转移到DNN，这反过来将有助于改进DNN在面部识别等应用中的使用方式，这些应用在今天并不总是可用。准确。”如果目标是尽可能创造出最像人类的决策过程，那么技术必须能够处理信息和做出决策，至少与人类一样好——理想情况下比人类更好。在发表文章的最后，作者列出了一系列基于研究的突出问题，包括：“DNN如何预测人类决策行为的多样性？”所有输入都将做出相同的决定——更像人类的人工智能模型将以何种方式解释这种多样性？
