深度学习应为首位，要有人工智能的发展，就必须有机器模拟人脑进行分析学习，模仿人脑机制来解释数据，这就是通常被人们定义的深度学习，深度学习就发展直接关系人工智能前进的步伐。

以往在机器学习用于现实任务时，描述样本的特征通常需由人类专家来设计，这成为“特征工程”（featureengineering）。众所周知，特征的好坏对泛化性能有至关重要的影响，人类专家设计出好特征也并非易事；特征学习（表征学习）则通过机器学习技术自身来产生好特征，这使机器学习向“全自动数据分析”又前进了一步，近年来，研究人员也逐渐将这几类方法结合起来，如对原本是以有监督学习为基础的卷积神经网络结合自编码神经网络进行无监督的预训练，进而利用鉴别信息微调网络参数形成的卷积深度置信网络。与传统的学习方法相比，深度学习方法预设了更多的模型参数，因此模型训练难度更大，根据统计学习的一般规律知道，模型参数越多，需要参与训练的数据量也越大。

20世纪八九十年代由于计算机计算能力有限和相关技术的限制，可用于分析的数据量太小，深度学习在模式分析中并没有表现出优异的识别性能。自从年，Hinton等提出快速计算受限玻尔兹曼机(RBM)网络权值及偏差的CD-K算法以后，RBM就成了增加神经网络深度的有力工具，导致后面使用广泛的DBN(由Hinton等开发并已被微软等公司用于语音识别中)等深度网络的出现。与此同时，稀疏编码等由于能自动从数据中提取特征也被应用于深度学习中。以来，数据的爆发式增长为人工智能提供了充分的“养料”，这才使人工智能产业落地成为可能。

计算机视觉必不可少，所谓计算机视觉就是计算机从图像中识别出物体，场景和活动的能力。形象地说，就是给计算机装上了眼睛，让计算机感知外界环境。把外界的图像，文字，结构信息，进行有效识别。

收集或者存储的数据库处理将是关键技术的核心，机器人视觉感知，都是表象，只有把这些学习的功能融合，感知的东西分析，建立一种特定语言的表达，通过把深度学习作为驱动将这些表达逐一分类实现自动语言处理和分类。

上述三项关键技术产业化，是人工智能产业化的前提，人工智能是一个巨大潜力的市场，我们已经看到了机器人换人带给我们的巨大产业影响，后续我们也必然看到更多更大潜力的市场空间，让我们拭目以待。