深度学习（Deep Learning）是机器学习的一个子集，核心是使用包含多个隐藏层的人工神经网络，让模型自动从原始数据中逐层提取特征。"深度"指的就是网络的层数多——浅层网络只能学到简单模式，深层网络能组合出高度抽象的概念（如从像素→边缘→纹理→物体）。
为什么"深"有效
每一层都对上一层的输出做非线性变换，层层叠加后，模型获得了表达极其复杂函数的能力。配合海量数据和 GPU 并行计算，深度学习在 2012 年（AlexNet 赢得 ImageNet 竞赛）后全面爆发。
应用领域
- 大语言模型（GPT、Claude、DeepSeek）
- 计算机视觉（人脸识别、自动驾驶）
- 语音识别与合成
- 推荐系统、蛋白质结构预测（AlphaFold）
关键要素
大数据 + 强算力（GPU/TPU）+ 高效算法（反向传播、Adam优化器）。深度学习与大模型的区别在于：大模型特指参数规模达到数十亿以上的深度学习模型，是深度学习在规模上的极致延伸。