本文最初发表于venturebeat，由InfoQ中文站翻译并分享。
我们正在接近深度学习的计算极限。这是根据麻省理工学院、MIT-IBM Watson AI Lab、安德伍德国际学院（Underwood International College）和巴西利亚大学（University of Brasilia）的研究人员 最新的一项研究中发现的。
深度学习领域的进步在“很大程度上”依赖于计算机的发展。他们断言，深度学习要实现持续的进步，将需要“戏剧性的”提高更有计算效率的方法，要么通过改变现有技术，要么通过新的、尚未发现的方法。
“我们的研究表明，深度学习的计算开销并不是偶然的，而是经过设计的。这种灵活性使它在建模各种现象方面表现出色，并且优于专家模型，同时也使它的计算开销显著增加。”合著者写道，“尽管如此，我们发现深度学习模型的实际计算负担比理论（已知）下限增长得更快，这表明实质性的改进是有可能的。
深度学习是机器学习的一个子领域，研究受大脑结构和功能启发的算法。这些算法被称为人工智能网络，它由层层排列的函数（神经元）组成，它们将信号传递给其他神经元。这些信号是输入到网络中的数据的产物，从一层传递到另一层，并对网络进行缓慢的“调整”，实际上是在调整每个连接的突触强度（权重）。通过数据集中提取特征并识别交叉样本的趋势，网络最终学会做出预测。
原文链接:【https://www.infoq.cn/article/w1qr0gtG8sGWDJdMe6Pg】。未经作者许可，禁止转载。