本文最初發表於venturebeat，由InfoQ中文站翻譯並分享。
我們正在接近深度學習的計算極限。這是根據麻省理工學院、MIT-IBM Watson AI Lab、安德伍德國際學院（Underwood International College）和巴西利亞大學（University of Brasilia）的研究人員 最新的一項研究中發現的。
深度學習領域的進步在“很大程度上”依賴於計算機的發展。他們斷言，深度學習要實現持續的進步，將需要“戲劇性的”提高更有計算效率的方法，要麼通過改變現有技術，要麼通過新的、尚未發現的方法。
“我們的研究表明，深度學習的計算開銷並不是偶然的，而是經過設計的。這種靈活性使它在建模各種現象方面表現出色，並且優於專家模型，同時也使它的計算開銷顯著增加。”合著者寫道，“儘管如此，我們發現深度學習模型的實際計算負擔比理論（已知）下限增長得更快，這表明實質性的改進是有可能的。
深度學習是機器學習的一個子領域，研究受大腦結構和功能啓發的算法。這些算法被稱爲人工智能網絡，它由層層排列的函數（神經元）組成，它們將信號傳遞給其他神經元。這些信號是輸入到網絡中的數據的產物，從一層傳遞到另一層，並對網絡進行緩慢的“調整”，實際上是在調整每個連接的突觸強度（權重）。通過數據集中提取特徵並識別交叉樣本的趨勢，網絡最終學會做出預測。
原文鏈接:【https://www.infoq.cn/article/w1qr0gtG8sGWDJdMe6Pg】。未經作者許可，禁止轉載。