深度学习作为机器学习的子集，是人工智能大爆炸的核心驱动力，深度学习带来的重大技术革命，有可能颠覆过去20年互联网对技术的认知，实现技术体验的跨越式发展。
 
　　虽然人工智能潜力巨大，但仍处于起步阶段，离它的终点目标还有很长的距离，其目标是，基于程序的先进计算机价值增值和简单可行的自动化。
 
　　目前，计算机程序的每一点自动化都完全是人类智慧带来的，这种人类智慧的表现形式是智能算法，更加复杂的流程图和不间断的室内实验。这也意味着下一次大规模的自动化浪潮不仅仅需要人为努力，它还需要“机器的努力”。
 
　　而深度学习作为机器学习的子集，是人工智能大爆炸的核心驱动力，深度学习带来的重大技术革命，有可能颠覆过去20年互联网对技术的认知，实现技术体验的跨越式发展。因此深度学习的突破性进展对于人工智能发展而言至关重要。
 
　　深度学习包括旨在通过让软件接触到大量数据流并使用多层神经网络来改进软件的技术。神经网络深度学习的技术爆发基于三个方面因素。第一方面是认知这个世界。移动互联网为我们创造了方便条件，积累了大量的结构化或者非结构化的数据；第二方面是神经网络以及相关的算法；第三方面是足够的计算能力。
 
　　但深度学习所基于的多层神经网络并非新鲜事物，甚至在80年代被认为没前途。不过近年来，科学家们对多层神经网络的不断算法优化，使它出现了突破性的进展。如今，神经网络由越来越复杂的代码层组成。神经网络使软件从它接触到的数百、数千甚至数百万的数据驱动模拟中进行学习。
 
　　近日，索尼公司宣布将开始在日本无偿提供可生成深度学习程序的综合开发软件：“神经网络控制台”(Neural Network Console)。
 
　　据悉，软件工程师和设计师通过使用配置有图形用户界面的深度学习综合开发软件，可凭借直观的用户界面，有效地进行神经网络的设计、学习、评价，并开发深度学习程序，将其加载到各种产品以及服务中。
 
　　利用新开发的软件，可将Block函数的概念以简洁的形式在GUI上呈现出来。在软件的画面上，预先以组件的形式准备了层(也就是Block函数)，通过在GUI上的自由设置就可以简单地构建神经网络，提高程序开发的效率。对于深度学习的初学者来说，也可以直观地一边确认核心库功能一边快速掌握技能。
 
　　无独有偶，微软也在近日宣布一套基于FPGA(现场可编程门阵列)的超低延迟云端深度学习系统Brainwave。早期的基准测试显示，在使用英特尔Stratix 10 FPGA时，Brianwave可以在没有任何批处理的情况下在大型门控循环单元上保持39.5 Teraflop运算速度。
 
　　依靠这项工作，微软已经把DPU或DNN处理单元集成到FPGA中。他们希望通过专注于深度神经网络，可以让该公司的基础设施更快地适应研发速度，并提供近乎实时的处理效率。
 
　　目前还不清楚Brainwave何时会向微软Azure用户开放。该系统目前可以与谷歌的TensorFlow和微软自己的CNTK配合使用。该公司对这项技术非常看好，所以今后几个月肯定还会有更多消息传出。