深度学习是一种数据建模的隐含分布的多层表达机器学习算法。简单来说，就是自动提取分类中所需要的多层次（高、低）的特征集。因此，深度学习能够更好的表达数据的特征。同时，由于模型的层次、参数很多，深度学习能够对大规模数据进行学习表达，比如在图像、语音等特征不明显的领域，可以在大规模训练数据的基础上取得很好的学习效果。 深度学习可以借助类人脑网状结构的神经网络，解决很多实际问题。例如：图像搜索，人脸识别，实时翻译和语言识别等等。而强化学习则进一步推动深度学习，比如游戏，可以通过强化学习，自我竞赛，实现自我进化。近几年，大型语言模型取得了巨大进步。 2019 年，OpenAI 的 GPT2 成为第一个拥有超过 10 亿个参数的模型；2020 年，GPT3 风靡 AI 社区，它拥有 1750 亿个参数；2021 年，谷歌 SwitchTransformer 模型（1.6 万亿参数）和北京智源研究院“悟道”（1.75 万亿参数）模型打破万亿参数规模。未来，大型语言模型的规模肯定还将继续增长，比如：OpenAI的 GPT4（ChatGPT 是 GPT3.5）。 深度学习确实对人工智能起到了巨大的推动作用，但同时，其也存在着天生的缺陷。一直以来，人工智能都依赖大量的数据进行模型训练，但这带来了过度收集个人数据、数据标注工作量大，数据领域存在“数据孤岛”等问题。 深度学习是基于大数据，通过多层网络实现对“抽象概念”的理解，数据越多其效果相应就越好。而对于人类来说，推理是一项天生技能，只需要从少量数据样本中学习，利用特征+推理的方法往往就可以进行有效的判别，这就是人类举一反三的能力，即便没有过去的知识积累，专业知识欠缺，也有 “照猫画虎”的可能性。从这个角度来说，以深度学习为核心的人工智能还远远不及人类，人类面对陌生环境依然能够通过学习做出适应变化。因此，“类人智能学习”首先要解决深度学习的这种弊端，即不依赖大数据也能进行自我学习。