深度学习是实现机器学习的一种技术。
早期机器学习研究者中还开发了一种叫人工神经网络的算法，但是发明之后数十年都默默无闻。神经网络是受人类大脑的启发而来的：神经元之间的相互连接关系。但是，人类大脑中的神经元可以与特定范围内的任意神经元连接，而人工神经网络中数据传播要经历独立的层、连接，还有数据传播方向。
举个例子，你你可能会抽取一张图片，将它剪成许多块，然后植入到神经网络的第一层。第一层独立神经元会将数据传输到第二层，第二层神经元也有自己的使命，一直持续下去，直到最后一层，并生成最终结果。
每个神经元都会对输入的信息进行权衡，确定权重，搞清它与所执行任务的关系：相对于执行的任务该神经元的正确和错误程度。最终的输出由所有的权重共同决定。因此，我们再来看看上面提到的停止标志示例。一张停止标志图像的属性，被一一细分，然后被神经元“检查”：八角形形状、红色颜色、与众不同的字符、交通标志大小和是否运动、手势等。神经网络的任务是判断这是否是一个停止标志。它将给出一个“概率向量”（probability vector），这其实是基于权重做出的猜测结果。在本示例中，系统可能会有 86% 的把握认定图像是一个停止标志，7% 的把握认为是一个限速标志，有5%的信心确定它是一支风筝卡在树上，等等。然后网络架构会告知神经网络其判断是否正确。
不过，即使只是这么简单的一件事也是很超前的，不久前，AI研究社区还在回避神经网络。在AI发展初期就已经存在神经网络，但是它并没有形成多少“智力”。问题在于即使是最基础的神经网络也要耗费巨大的计算资源，因此当时不算是一个可行的方法，也就无法成为一种实际的方法。不过，尽管如此，还是有少数研究团队勇往直前，以多伦多大学 Geoffrey Hinton 教授为首的一小批狂热研究者们坚持采用这种方法，最终让超级计算机能够并行执行该算法，并证明该算法的作用。
如果我们回到停止标志那个例子，神经网络很有可能受训练的影响，给出错误的答案；如果我们对网络进行训练，用大量的错误答案训练网络，调整网络，结果就会更好；这说明网络还需要不断的训练。
研究人员需要做的就是训练，他们需要收集成千上万张图片，甚至数百万张图片来训练，直到神经元输入的权重调整到非常精确，几乎每次都能够给出正确答案——不管是有雾还是没雾，是阳光明媚还是下雨都不受影响。这时神经网络就可以自己“教”自己，搞清停止标志的到底是怎样的；Facebook 利用神经网络识别人脸图像；吴恩达（Andrew Ng）2012 年在谷歌实现了让神经网络识别猫。
如今，深度学习可以摧枯拉朽般地实现了各种任务。比如在某些情况下，在某些场景中，通过深度学习训练过的机器在图像识别上表现优于人类，这包括识别猫、识别血液中的癌细胞特征、识别MRI扫描图片中的肿瘤。谷歌的 AlphaGo 学会了围棋，并为比赛进行了大量的训练：不断的和自己下围棋并从中学习。
