深度學習的神經網絡在早期是自模擬人的大腦細胞出發，從簡單的細胞到復雜的細胞、從局部的特徵到全局的特徵模擬發展而來。隨著研究的深入，科學家正逐步把數學的優化方法應用到深度學習的計算模型中，使神經網絡的目標更加明確、學習效率更高。經過這幾年的發展，深度學習初步形成了新的卷積網絡的學習架構，甚至可以達1000多層網絡，深度卷積網絡不是單純地向深度發展，同時它也在每一層神經元表示中往寬度發展，所以深度學習的表達能力、學習能力、推理能力會越來越強。

從大的范疇裏，深度學習與人工智慧密不可分，人工智慧無處不在，所以深度學習也應用在了各個領域。從數學的角度來看，深度學習的模型就是一個函數表達，它可以擬合任意的函數，應用在更多領域，比如股票的曲線，所以從這個層面而言，深度學習的應用將更廣泛。

深度學習的發展面臨的瓶頸有很多，首先，它在特定領域、場景中表現很好，比如説識別方面，但是在推理、場景分析的角度還是有很長的路要走。第二，人工智慧是個“黑盒子”，我們知道它行，但不知道它為什麼行，這樣在某些領域它不太行的時候我們不知道原因，所以需要理論支撐，才能更好地發展。另外還有工程優化等問題需要解決。

深度學習在入門時比較簡單，很多人就會認為他們可以很容易去創業，但事實並非如此，任何一個企業都要有自己的創新力，有核心技術，而且這個核心力是不容易讓別人跨越的，所以我們要在不斷應用深度學習到細分領域的時候，不斷對演算法進行創新，打磨産品。