在与李世石大战之后，AlphaGo全新升级，并把下一个目标锁定为九段棋手柯洁，这注定又将是一场划时代大战。在这里，“升级”可以理解为深度学习的成果，而深度学习已经成为人工智能时代的入口。
谷歌DeepMind旗下全新升级的AlphaGo，Facebook的人工智能计算服务器Big Sur，越来越“聪明”的IBM人工智能Watson，微软的“深度残差学习”，科大讯飞的“语音深度学习”——国内外行业巨头步伐异常统一，纷纷在语音识别、图像识别、自然语言处理等领域拓展深度学习版图。
简单地说，深度学习通过构建深层神经网络，模拟人类大脑的工作原理。如图所示，深层神经网络由一个输入层，数个隐层，以及一个输出层构成。每层有若干个神经元，每个神经元模拟人类的神经细胞，而结点之间的连接模拟神经细胞之间的连接。
深度神经网络的结构
可以将深度学习理解为大脑的“构建”，虽然潜力无限，但是门槛不可谓不高。
首先，深度学习网络模型复杂，计算量大。以DNN(深度神经网络)为例，它需要模拟人脑的计算能力，而人脑包含100多亿个神经细胞，这要求DNN中神经元多，神经元间连接数量也相当惊人，如此庞大的计算量需要高性能的硬件以及软件系统提供支撑。
一方面，在深度学习系统中，GPU是提升计算性能的关键选择，代码写入并读取变量、执行指令、启动函数调用等都是GPU把控之事。当前CPU只有4核或者6核，模拟出8个或者12个处理线程来进行运算，但是普通级别的GPU就包含了成百上千个处理单元，这对于多媒体计算中大量的重复处理过程有着天生的优势。即使如此，并不表示所有GPU都适合深度学习，开发人员需要根据项目需求做出GPU选择。