名词解释 / 07
深度学习
英文名称：Deep Learning
常见别名：深度神经网络学习、深度网络，口语里有时直接用“神经网络”指代
所属分类：进一步了解 AI 原理
一句话解释
深度学习是让机器从大量例子里自己找规律、学判断的一类技术，属于机器学习的分支。过去让电脑做事，得由人把规则一条条写清楚；深度学习换了个思路，给它成千上万条“输入—答案”的样本，它靠一层套一层的计算结构反复调整内部参数，最后学会处理没见过的新样本。包含关系是“人工智能包含机器学习，机器学习包含深度学习”。你平时用到的语音转文字、拍照识字、翻译、自动整理纪要，以及会对话的大模型，底层大多靠它。
工作中什么时候会遇到
你其实天天在用它的成果，只是界面不会写出来：开会时对手机或软件说一段话变成文字、把纸质合同或单据拍下来转成电子文档、整段翻译外文邮件、让智能客服先答一轮常见问题、把会议录音整理成纪要，这些“看着挺聪明”的功能，背后基本都是深度学习。
另一种情况是选型和验收软件时。供应商说某套系统“带 AI”“能智能识别”“能预测故障”，多数情况下指的就是这套技术。你不必会实现它，但听懂它靠什么成立、在什么条件下会失效，能帮你判断对方有没有夸大。
能解决什么问题
- 识别图像、声音和文字：手写或印刷内容转成文字，听懂人说话，判断一张照片里有没有缺陷或异物。
- 从历史数据做预测：根据过去几个月的产量、销量和季节规律，预测下月备多少货；根据设备运行数据，提前提示哪台机器可能出故障。
- 处理“规则说不清”的判断：划痕算不算质量问题、一段投诉算轻微还是严重，这类难用几条固定规则写清楚的标准，它靠看过大量同类例子学会。
- 承担重复的语言工作：翻译、纪要整理、长文档归纳、常见问题自动回复，把人力从重复整理里解放出来。
举个例子
某公司给自有的几十台空压机做故障预警。供应商收集了两年多的运行数据（温度、振动、电流、运行时长），逐条对应上“哪台后来真的坏了、坏之前有什么征兆”，用这批数据训练模型。上线后，系统每天给每台设备打一个风险分，分数异常高的会提前出现在维修清单上，维修组就能赶在它彻底趴窝前排期检查。
关键在两点。一是模型学的是“和它见过的故障例子像不像”，并不真的懂机械原理，遇到从没记录过的新型故障可能漏报，所以风险提示只用来决定“要不要去看看”。二是真正停机、拆检仍由工程师到场确认，确认结果再反哺模型调整。业务方要做的是保证历史记录可靠、和供应商约定“故障”的判定口径、再验收模型在自家设备上的漏报和误报率。
怎么使用
作为普通员工，基本不用碰技术本身。办公软件和智能助手已经内置的语音转文字、扫描转文档、翻译、会议纪要等功能，直接拿来用即可。具体有没有、好不好用，以你所用产品的当前版本和官方说明为准。
如果企业要训练一个只属于自己的模型，比如专用的质检识别、设备预警或智能客服，通常由供应商或公司信息化部门负责搭建和训练。业务员工的实际工作是提供素材、参与标注、判断结果能不能用。这里判断力比技术重要：训练数据够不够、标注口径是否统一、在实际场景的准确率是否达标、出错时由谁来复核兜底，这几件事定清楚，技术由谁实现反而不关键。
使用时要注意什么
深度学习学的是训练数据里的统计规律，不等于真正理解事物。数据有偏差、标注有错漏、现场情况和历史规律不一样，它都可能学偏或失效，给的是概率判断而非确定答案。质量判定、设备停机、安全相关等关键决策，务必保留人工复核，别把它的输出直接当结论。
两个常见误区要避开。一是把它当人脑，觉得“它会识别、会说话就真的懂”，它只是受神经结构启发，遇到没见过的情形照样犯低级错误。二是把生成式模型说的话当事实，它可能把不存在的细节编得有模有样，纪要、总结类内容用前要核对原文。“深度学习等于人工智能”“上了它就不用人工了”这类宣传，也都属夸大。
容易混淆的词
- 人工智能：总称，指让机器完成识别、预测、生成、决策等智能任务的整个领域。深度学习只是实现它的一条技术路径，两者范围差得很远。
- 机器学习：深度学习的上一层概念。机器学习包含多种方法，深度学习是其中靠多层网络的那一支。可以记为：凡深度学习必是机器学习，但机器学习不都是深度学习。
- 神经网络：深度学习的内部结构，指一层层相连、参数可调的计算单元。“神经网络”侧重说这种结构，“深度学习”侧重说靠这种结构训练出模型的整套方法。它只在结构上受大脑神经元连接启发，并不是在复制人脑。
- 大语言模型：深度学习近些年最出名的成果，特指能对话和写作的大规模模型。但深度学习还包括图像识别、语音识别等大量非语言应用，范围比大语言模型宽得多。