深度学习
深度学习是机器学习的一个子领域，通过构建具有多个隐藏层的人工神经网络，自动从数据中提取层次化特征表示，以完成分类、识别、生成等任务。其核心思想是模拟人脑神经元的连接方式，利用大规模数据和反向传播算法进行端到端的训练，广泛应用于计算机视觉、自然语言处理、语音识别等领域。
核心事实
时间轴 (近 90 天)
这类研究通常依赖功能性磁共振成像（fMRI）等神经影像技术采集大脑活动数据，再结合深度学习模型进行解码
大模型是人工智能的一种实现方式，属于深度学习分支，狭义上说的AI大模型指的是大语言模型（LLM）
该韩语发票OCR模型采用深度学习模型与图像预处理技术相结合的方案，而非单纯的端到端深度学习网络
在公开数据集上复现基线结果再展示新架构改进，是当前BCI深度学习论文普遍采用的验证路径
反对者认为现有深度学习系统本质上是统计模式匹配工具，距离能够形成自主目标的架构还相差甚远
认知科学认为深度学习依赖工作记忆的持续投入、知识间关联的主动建构以及间隔重复带来的长期记忆巩固
短视频式浅层、快速切换的信息消费方式与深度学习所需的持续专注、系统性思考之间存在张力
深度学习的黑箱问题使系统难以用规则语言解释特定输入下为何做出某个决策，即缺乏可解释性（Explainability）
AlphaGo采用了深度学习和人工神经网络，当时还没有Transformer架构
深度学习模型的黑箱特性与航空适航认证框架存在根本性张力
还有 40 条时间轴事件
全部知识事实 (20)
深度学习在2012年ImageNet竞赛中取得突破性表现，推动连接主义复兴
85%已验证AlexNet在ImageNet竞赛中夺冠正式开启了深度学习时代
80%已验证GPU的大规模并行计算架构天然适合深度学习中的矩阵运算，其数千个计算核心可将训练过程加速数十倍乃至数百倍
80%已验证前沿模型存在涌现能力，即在达到某个参数规模阈值后突然展现出训练目标中未明确包含的能力
80%已验证AI 编程工具正呈现从「快速生成」走向「深思熟虑」的演进趋势
75%已验证样本过于简单则模型无学习价值，过于困难则可能引入噪声学习信号干扰训练，最有效的学习发生在略高于当前能力但仍可企及的区域
65%已验证深度学习模型浅层网络学习的边缘、纹理等低层特征具有较强领域无关性，深层网络编码的高层语义特征更具领域特异性
65%已验证梯度下降是深度学习中最核心的优化算法，其数学本质是沿着损失函数的负梯度方向迭代更新参数
65%已验证ReLU即max(0,x)，在2010年代凭借计算高效、梯度稳定的优势迅速普及，成为现代深度学习的默认激活函数
65%已验证当前大多数深度学习模型缺乏反事实推理能力，导致在分布外场景中表现骤降
65%已验证深度学习是机器学习的一个子领域，核心是多层人工神经网络，思想最早可追溯至1940年代
65%已验证GPU的并行计算架构最初源于游戏图形渲染的需求，其计算模式与深度学习的张量批量运算相似
65%已验证建议先掌握经典机器学习原理再进入深度学习，否则容易变成只会调包的调包侠
65%已验证大模型训练阶段的能耗约为推理阶段的数百倍
65%已验证人工智能、机器学习、深度学习之间存在递进包含关系：人工智能 > 机器学习 > 深度学习
65%待验证推荐的AI自学路径遵循从基础层（Python、Pandas、NumPy）到核心层（机器学习算法与项目实践）再到进阶层（深度学习）的递进顺序
85%待验证相比深度学习，梯度提升在中小型数据集上通常更稳定、更可解释、训练更快
80%待验证初学者常见错误是在对底层数据处理和经典机器学习只有肤浅理解时就急于进入深度学习和大模型
80%待验证流媒体推荐系统经历了三代演进：第一代（2000年代）协同过滤、第二代（2010年代）深度学习、第三代（2020年代至今）大语言模型
70%待验证人脸特征映射到猫咪形象在技术上通常依赖图像风格迁移或基于扩散模型的条件生成方法
60%