现在的普通家用PC即可呈现丰富的虚拟世界，而超级计算机更可以模拟星系的形成过程。
然而，如果让计算机从一幅图像中识别小鸟这类对人类来说非常简单的事情，计算机做起来却并没有那么容易。而现在，通过将神经网络算法、海量数据的访问以及强大的GPU这三者融合在一起，一场名为「深度学习」的革命正在进行。
深度学习是今年NVIDIA GTC(GPU技术大会)的焦点，我们将展示GPU技术如何改变科学与行业的面貌。
为计算机赋予神奇的能力
深度学习能够利用算法来教会机器看懂图案，从而为计算机赋予了神奇的能力。
业内有一项名为ImageNet的大规模视觉识别挑战赛，参赛的团队需要打造一套系统将加成千上万的图像进行标签分类。2011年，这些系统在进行分类时的错误率超过四分之一。
一年之后，一支由Geoffrey Hinton率领并配备GPU的多伦多大学队伍把这一错误率降低了一半。最近，微软研究院更把这一错误率降到了5%以下，这已经超越了人类的能力。
那么深度学习如何发挥作用呢？它会「训练」一个人工神经网络，将许多非结构化数据输入到强大的计算机当中，例如图像、视频以及语音都属于这类数据。
为什么叫做「深度」学习？
凭借深度学习，神经网络会将抽象概念分为许多个等级，其范围涵盖从简单到复杂的各种概念，这就是深度学习中「深度」二字的由来。每一层都会将信息分类，将其细化然后转到下一层。
比如一套人脸识别系统，第一层可能会寻找简单的边缘，下一层可能会寻找那些构成矩形或圆形等简单形状的边缘，第三层可能会识别眼睛和鼻子等特征，在五层或六层之后，神经网络就能够将这些特征整合起来。
GPU非常适合完成这类工作，因而加速了这一过程，把耗时从一年或更久缩短至数周或短短数日。这是因为GPU拥有强大的并行计算能力。而这一工作所涉及的任务曾一度被认为是不可能的，比如语音识别和实时语音翻译等，现在一些研究人员正在打造可在社交媒体中分析情绪的系统。
我们将在GTC深入讨论深度学习
我们现在做的仅仅是肤浅的研究。这就是全球一流大学的研究人员之所以竞相研究深度学习的原因所在。Facebook、微软、Twitter、雅虎以及一系列新兴企业也在争相研究深度学习。
这些先驱中的许多组织均将出席GTC，与大家分享他们的最新进步。