1.什么是深度學習
簡而言之：機器學習是實現人工智能得方法，深度學習是實現機器學習得技術。機器學習在實現人工智能時需要人工輔助（半自動），而深度學習是使得改過程完全自動化。至今已有數種深度學習框架，如深度神經網絡、卷積神經網絡和深度置信網絡和遞歸神經網絡已被應用在計算機視覺、語音識別、自然語言處理、音頻識別與生物信息學等領域並獲取了極好的效果。
這三者之間得關系如下所示：
舉個例子：通過機器學習算法來識別水果是橘子還是蘋果，需要人工輸入水果的特征數據，生成一定的算法模型，進而可以准確預測具有這些特征的水果的類型，而深度學習則能自動的去發現特征進而判斷。
2.深度學習能做什么
其實咱們的實際生活中已經有很多應用深度學習技術的案例了。
比如電商行業，在瀏覽淘寶時，頁面中有很多都是符合你的愛好並且最近有意向購買的商品，這種個性化推薦中就涉及到深度學習技術，還有就是在購物界面能和你進行對話，解決疑問的淘寶智能機器人，也涉及深度學習技術。京東正圍繞其主要的業務方向，包括電商、金融和雲，進行相關的數據分析、深度學習，最終體現在應用中，涵蓋商品推薦、JIMI機器人、精准廣告、物流倉儲等各個環節
比如交通領域，通過深度學習技術能監測到車輛停車、逆行等行為，甚至精確識別車輛的車牌號、顏色、車型、車輛里的人物等來輔助交通執法，甚至在發生交通事故和交通擁堵時進行報警等。
比如金融行業，銀行通過深度學習技術能對數以百萬的消費者數據(年齡，職業，婚姻狀況等)、金融借款和保險情況(是否有違約記錄，還款時間，車輛事故記錄等)進行分析進而判斷出是否能進行貸款服務。
比如家居行業，智能家居的應用也用到了深度學習技術，比如智能冰箱通過圖像識別等技術記錄食材種類和用戶日常飲食數據，進而分析用戶的飲食習慣，並根據多維度給出最全面的健康膳食建議。
比如制造行業，機器視覺已經長期應用在工業自動化系統中，如儀表板智能集成測試、金屬板表面自動控傷、汽車車身檢測、紙幣印刷質量檢測、金相分析、流水線生產檢測等等，機器視覺自動化設備可以代替人工不知疲倦的進行重復性的工作，且在一些不適合於人工作業的危險工作環境或人工視覺難以滿足要求的場合，機器視覺可替代人工視覺。
還有教育行業、醫療行業等，深度學習技術已經滲透到各個行業和領域
3. 深度學習目前還面臨得難題
比如就開篇提到的商品推薦問題，翁志就講到，目前在這方面京東還是有很大提升空間的，而他們也在努力提升這方面的能力。同時他也指出，這其中的難度還是很大，比如即便京東在數據質量(包括數據類型、數據准確性等)方面是同行中算是出類拔萃的，但是由於平台每天都有大量新的數據產生，再加上這些新數據的准確性又沒辦法准確評估，非常容易導致最終的分析結果出現偏差。
既有技術層面的問題，也有數據質量方面的不足，而且這不是京東一家面臨的問題，幾乎是全行業所要面對的。一方面需要繼續增強計算能力(因為機器需要學習的內容太多、需要的計算量太大，所以只有並行計算這種方式才能滿足，而GPU就是並行計算的典型代表，而這也是為什么NVIDIA大談特談深度學習的一個主要因素)。另一方面，企業則要在數據質量方面多下功夫。前者由像NVIDIA這樣的技術平台主導，而后者則需要相關企業多把關，當然這其中也涉及到技術能力，畢竟靠人力審核的時代已經過去了。
所以說簡單點，要提升人工智能的水平，關鍵之處還是在於計算能力、GPU技術水平的提升。