深度学习是如何工作的

你是否好奇过，为什么手机能识别出你的脸？为什么语音助手能听懂你说的话？为什么网站能推荐你喜欢的内容？这些神奇的功能背后，都有一项叫作“深度学习”的技术在默默工作。今天，让我们一起揭开深度学习的神秘面纱，了解它是如何工作的。

文|祁 磊

东南大学计算机科学与工程学院、软件学院、人工智能学院副研究员，《科学画报》编委会人工智能专委会委员。

01.

什么是深度学习

深度学习是人工智能的一个分支，它模仿人类大脑的工作方式，通过大量数据的学习来完成各种任务。就像我们人类通过观察和经验学习一样，深度学习系统也需要“看”很多例子才能学会做事情。

想象一下，如果你想教一个小朋友认识猫，你会怎么做？你可能会指着各种各样的猫说：“看，这是猫。”小朋友看得越多，就越能准确地识别出猫来。深度学习也是这样工作的！

02.

深度学习的应用

图像识别：当你上传一张照片到社交媒体，系统能自动标记出照片中的人脸，这就是深度学习的应用。网络通过学习大量的人脸图片，学会了识别人脸的特征，如眼睛、鼻子、嘴巴的位置和形状。

语音识别：当你对着手机说“今天天气怎么样”，手机能理解你的问题并回答，这背后也是深度学习在工作。网络学习了大量的语音样本，能够将声波转换成文字。

智能助手：像小爱同学、小度这样的智能助手，背后都有大模型的支持，它们能理解你的问题，并给出回答。

03.

神经网络：深度学习的核心

深度学习的核心是神经网络，它的灵感来自我们大脑中的神经元。在人类大脑中，数十亿个神经元相互连接，形成复杂的网络，帮助我们思考和学习。

在计算机中，神经网络由许多层组成，每一层都有许多“神经元”（实际上是数学函数）。这些层从输入层开始，经过多个“隐藏层”，最后到达输出层。当我们说“深度”学习时，“深度”指的就是这些层的数量很多。

想象一下你学习骑自行车的经历。一开始，你可能会摔倒很多次，但每次摔倒后，你都会调整自己的平衡和踩踏力度，慢慢地，你学会了骑车。神经网络的学习过程与此很相似。

• 初始状态：神经网络一开始并不“聪明”，它的参数（可以理解为神经元之间的连接强度）是随机设置的。

• 前向传播：当我们给网络一个输入（如一张猫的图片），网络会通过各层进行计算，最终给出一个预测（如“这是猫的概率是80%”）。

• 计算误差：我们比较网络的预测和正确答案（“这确实是一张猫的图片”），计算出误差。

• 反向传播：网络会根据误差调整自己的参数，从而使下次再看到类似的图片时预测会更准确。这个过程叫作“反向传播”。

• 重复学习：通过大量的例子反复学习，网络的预测能力会越来越强。

04.

大模型：深度学习的“超级版本”

你可能听说过ChatGPT、深度求索（DeepSeek）等大模型，它们能够和人类对话，写作文，甚至编程。这些大模型其实就是特别庞大的深度学习系统。

大模型就像是深度学习的“超级版本”。如果把普通的深度学习模型比作一个小学生的大脑，那么大模型就像是一个博士的大脑——它有更多的“神经元”（参数），学习了更多的知识。举个例子，一个简单的图像识别模型可能有几百万个参数，而现代的大模型可能有几千亿个参数，这就像是从一个小村庄变成了一个超级大都市。

05.

深度学习面临的挑战和机遇

虽然深度学习非常强大，但它也面临一些挑战。首先是需要大量数据，就像人类需要看很多例子才能学习一样，深度学习系统也需要大量的数据。没有足够的数据，网络可能学不好。其次是计算资源消耗大，训练复杂的神经网络需要强大的计算能力和大量的电力。最后是“黑盒子”问题，有时候我们不完全理解神经网络为什么会做出某个决定，这在一些重要决策中可能会带来问题。

尽管深度学习面临诸多挑战，但技术演进的浪潮正为其掀开充满机遇的新篇章。未来，深度学习可能会变得更高效。目前，科学家正在研究如何用更少的数据和计算资源训练出好的模型。科学家还在努力让神经网络的决策过程更加可解释，使深度学习变得更加透明。此外，深度学习还将与机器人技术、生物技术等结合，创造出更多令人惊叹的应用。

深度学习就像是一个模仿人类学习方式的数字大脑。它通过观察大量例子，不断调整自己，最终学会完成各种任务。虽然现在的深度学习系统还远不如人类大脑复杂和灵活，但它已经能够完成许多令人印象深刻的任务，并且正在改变我们的生活方式。

当你下次使用手机、语音助手或者享受个性化推荐时，别忘了，这些便利的背后是深度学习这项神奇技术在默默工作。随着科技的进步，未来的深度学习会变得更加智能，为我们创造更多可能性。

*本文刊登于《科学画报》2025年第7期人工智能专栏，更多相关内容欢迎订阅。

订购2026年《科学画报》