人工智能深度学习显然是智能行业的一个新高地，但有一个广泛的共识，那就是接入的计算越多、数据越庞大是深度学习的重要要素。这是很显然的，首先是大型分布式系统（像Google大脑），接着是神经网络在GPU上的快速部署，还有一个被低估的因素是大规模基准测试的存在。大规模基准测试（例如ImageNet）可以为新技术的学术发展提供重要的测试环境，从而能够展示出技术的进度。如果没有这些基准测试，学术研究只能停留在解决小规模问题上，而在这些场景中深度学习的好处并不能显现出来。
目前，用户产生和消费的内容变得更加视觉化，正因如此，分析和理解图片的能力在商业上显得越来越重要。随着深度学习社区走向更丰富的媒体（例如视频），我们相信规模化将会变得更加重要。扩展人工智能非常具有挑战性，尤其是单一GPU的规模化，甚至单一数据中心的规模化。然而，当我们逐渐走向更加复杂的问题时，实现这样的规模化是必须的。
大多数的深度学习工作集中于被称之为“感性问题”，例如理解图片、视频、演讲和音频等。直观上来说，这是有道理的，因为许多深度学习方法会通过编码模拟偏向，这与感知是一致的。例如，这些网络通常都有和人类感知相平行的结构，或者它们具有可以捕捉偏向的结构，就像邻里之间的偏向一样。和相距较远的像素相比，靠近的这些像素相互之间的联系可能更紧密。渐渐地我们将看见深度学习将会用于许多大型系统中，例如机器翻译。在这些情况下深度学习通常被用于解决一些有代表性的问题，而语言结构将会通过其他机器学习技术解决。我们会看到越来越多的这样的混合系统，例如我们购物的体验是人工智能支持的，其中也包括深度学习。
深度学习和强化学习的结合是一个技术上的发展，延续的深度学习在自然语言处理和计算机视觉中的应用突破。值得关注的是之前的深度学习的应用停留在预测上，比如说对图像的识别、机器翻译。对于深度学习来说，真正需要的大数据，就目前而言，可以这么说，没有大数据，就没有好的深度学习模型，进而就没有非常智能的系统。
近几年因为深度学习在某些方面取得了一些喜人的进展，这个领域才又开始火了起来。借助于深度学习算法，人们似乎终于找到了如何解决“抽象概念”这个横亘在机器学习领域多年难题的方法。
迄今为止，大数据生态系统专注于大量数据搜集、管理和策划。很显然，这里也有很多关于分析和预测方面的工作。但是从根本上来说，企业用户并不关心这一点。企业用户仅关心产出，也就是这些数据是否会改变我的行为方式和决定。我们相信这是接下来五年将要重点解决的问题，我们也相信人工智能能把数据和更好的决策之间连接起来。
很显然，深度学习将会在这个演化过程中扮演重要角色，同时在和其他人工智能方法相结合的时候也会做到这一点。接下来的五年中，我们将会看见更多的混合系统，在这些系统中，深度学习会用于解决一些困难的感知型任务，其他人工智能和机器学习技术将被用于解决其他难题，例如推理等。
