深度学习的神经网络在早期是自模拟人的大脑细胞出发，从简单的细胞到复杂的细胞、从局部的特征到全局的特征模拟发展而来。随着研究的深入，科学家正逐步把数学的优化方法应用到深度学习的计算模型中，使神经网络的目标更加明确、学习效率更高。经过这几年的发展，深度学习初步形成了新的卷积网络的学习架构，甚至可以达1000多层网络，深度卷积网络不是单纯地向深度发展，同时它也在每一层神经元表示中往宽度发展，所以深度学习的表达能力、学习能力、推理能力会越来越强。

从大的范畴里，深度学习与人工智能密不可分，人工智能无处不在，所以深度学习也应用在了各个领域。从数学的角度来看，深度学习的模型就是一个函数表达，它可以拟合任意的函数，应用在更多领域，比如股票的曲线，所以从这个层面而言，深度学习的应用将更广泛。

深度学习的发展面临的瓶颈有很多，首先，它在特定领域、场景中表现很好，比如说识别方面，但是在推理、场景分析的角度还是有很长的路要走。第二，人工智能是个“黑盒子”，我们知道它行，但不知道它为什么行，这样在某些领域它不太行的时候我们不知道原因，所以需要理论支撑，才能更好地发展。另外还有工程优化等问题需要解决。

深度学习在入门时比较简单，很多人就会认为他们可以很容易去创业，但事实并非如此，任何一个企业都要有自己的创新力，有核心技术，而且这个核心力是不容易让别人跨越的，所以我们要在不断应用深度学习到细分领域的时候，不断对算法进行创新，打磨产品。