深度學習是如何工作的

你是否好奇過，為什么手機能識別出你的臉？為什么語音助手能聽懂你說的話？為什么網站能推薦你喜歡的內容？這些神奇的功能背后，都有一項叫作“深度學習”的技術在默默工作。今天，讓我們一起揭開深度學習的神秘面紗，了解它是如何工作的。

文|祁 磊

東南大學計算機科學與工程學院、軟件學院、人工智能學院副研究員，《科學畫報》編委會人工智能專委會委員。

01.

什么是深度學習

深度學習是人工智能的一個分支，它模仿人類大腦的工作方式，通過大量數據的學習來完成各種任務。就像我們人類通過觀察和經驗學習一樣，深度學習系統也需要“看”很多例子才能學會做事情。

想象一下，如果你想教一個小朋友認識貓，你會怎么做？你可能會指著各種各樣的貓說：“看，這是貓。”小朋友看得越多，就越能準確地識別出貓來。深度學習也是這樣工作的！

02.

深度學習的應用

圖像識別：當你上傳一張照片到社交媒體，系統能自動標記出照片中的人臉，這就是深度學習的應用。網絡通過學習大量的人臉圖片，學會了識別人臉的特征，如眼睛、鼻子、嘴巴的位置和形狀。

語音識別：當你對著手機說“今天天氣怎么樣”，手機能理解你的問題并回答，這背后也是深度學習在工作。網絡學習了大量的語音樣本，能夠將聲波轉換成文字。

智能助手：像小愛同學、小度這樣的智能助手，背后都有大模型的支持，它們能理解你的問題，并給出回答。

03.

神經網絡：深度學習的核心

深度學習的核心是神經網絡，它的靈感來自我們大腦中的神經元。在人類大腦中，數十億個神經元相互連接，形成復雜的網絡，幫助我們思考和學習。

在計算機中，神經網絡由許多層組成，每一層都有許多“神經元”（實際上是數學函數）。這些層從輸入層開始，經過多個“隱藏層”，最后到達輸出層。當我們說“深度”學習時，“深度”指的就是這些層的數量很多。

想象一下你學習騎自行車的經歷。一開始，你可能會摔倒很多次，但每次摔倒后，你都會調整自己的平衡和踩踏力度，慢慢地，你學會了騎車。神經網絡的學習過程與此很相似。

• 初始狀態：神經網絡一開始并不“聰明”，它的參數（可以理解為神經元之間的連接強度）是隨機設置的。

• 前向傳播：當我們給網絡一個輸入（如一張貓的圖片），網絡會通過各層進行計算，最終給出一個預測（如“這是貓的概率是80%”）。

• 計算誤差：我們比較網絡的預測和正確答案（“這確實是一張貓的圖片”），計算出誤差。

• 反向傳播：網絡會根據誤差調整自己的參數，從而使下次再看到類似的圖片時預測會更準確。這個過程叫作“反向傳播”。

• 重復學習：通過大量的例子反復學習，網絡的預測能力會越來越強。

04.

大模型：深度學習的“超級版本”

你可能聽說過ChatGPT、深度求索（DeepSeek）等大模型，它們能夠和人類對話，寫作文，甚至編程。這些大模型其實就是特別龐大的深度學習系統。

大模型就像是深度學習的“超級版本”。如果把普通的深度學習模型比作一個小學生的大腦，那么大模型就像是一個博士的大腦——它有更多的“神經元”（參數），學習了更多的知識。舉個例子，一個簡單的圖像識別模型可能有幾百萬個參數，而現代的大模型可能有幾千億個參數，這就像是從一個小村莊變成了一個超級大都市。

05.

深度學習面臨的挑戰和機遇

雖然深度學習非常強大，但它也面臨一些挑戰。首先是需要大量數據，就像人類需要看很多例子才能學習一樣，深度學習系統也需要大量的數據。沒有足夠的數據，網絡可能學不好。其次是計算資源消耗大，訓練復雜的神經網絡需要強大的計算能力和大量的電力。最后是“黑盒子”問題，有時候我們不完全理解神經網絡為什么會做出某個決定，這在一些重要決策中可能會帶來問題。

盡管深度學習面臨諸多挑戰，但技術演進的浪潮正為其掀開充滿機遇的新篇章。未來，深度學習可能會變得更高效。目前，科學家正在研究如何用更少的數據和計算資源訓練出好的模型。科學家還在努力讓神經網絡的決策過程更加可解釋，使深度學習變得更加透明。此外，深度學習還將與機器人技術、生物技術等結合，創造出更多令人驚嘆的應用。

深度學習就像是一個模仿人類學習方式的數字大腦。它通過觀察大量例子，不斷調整自己，最終學會完成各種任務。雖然現在的深度學習系統還遠不如人類大腦復雜和靈活，但它已經能夠完成許多令人印象深刻的任務，并且正在改變我們的生活方式。

當你下次使用手機、語音助手或者享受個性化推薦時，別忘了，這些便利的背后是深度學習這項神奇技術在默默工作。隨著科技的進步，未來的深度學習會變得更加智能，為我們創造更多可能性。

*本文刊登于《科學畫報》2025年第7期人工智能專欄，更多相關內容歡迎訂閱。

訂購2026年《科學畫報》