第二步：为什么深度学习成为主线

深度学习是机器学习里最重要的一条路线。它的核心变化是：模型不再那么依赖人手工设计特征，而是用多层神经网络从数据里学习表示。

这句话听起来抽象，换个例子会清楚很多。

传统图像识别可能需要人工设计边缘、纹理、颜色等特征。深度学习模型可以从大量图片里自己学出低层边缘、中层形状、高层物体结构。人不再需要把所有视觉规则提前写出来。

它为什么突然变强

深度学习不是 2020 年后才出现。它成为主线，主要是几个条件凑齐了：

• 数据变多：互联网积累了大量文本、图片、语音和视频；
• 算力变强：GPU/TPU 让大规模矩阵计算可行；
• 架构进步：CNN、RNN、Transformer 等结构不断改进；
• 工程成熟：分布式训练、框架、推理服务逐渐完善。

没有这些条件，深度学习很难从实验室方法变成今天的通用技术底座。

深度学习和大模型的关系

大模型基本站在深度学习这条线上。语言模型、多模态模型、扩散模型都不是凭空来的，它们是神经网络、表示学习、海量数据和大规模训练长期叠出来的结果。

但不要反过来理解：深度学习不等于大模型。很多视觉检测、语音识别、推荐排序模型也属于深度学习，但它们不是你平时聊天用的 LLM。

它带来的真实变化

深度学习最大的价值是处理复杂非结构化数据：

• 图片：识别物体、分割区域、生成图像；
• 语音：转文字、识别人声、合成语音；
• 文本：翻译、摘要、问答、代码生成；
• 多模态：把文字、图像、音频放到同一个任务里处理。

这些任务很难用人工规则穷举。深度学习把“写规则”转成了“准备数据、训练模型、评估泛化”。

它没有解决什么

深度学习强，不代表它天然可靠。它仍然依赖数据分布，可能过拟合，可能学到偏见，也可能在真实世界变化后失效。

所以读深度学习时，不要只记“模型更强”。更该记住：它把很多问题从规则工程变成了数据、训练、评估和部署工程。

下一步读：三种学习方式。