深度学习
深度学习是机器学习的一个子领域，通过构建具有多个隐藏层的人工神经网络，自动从数据中提取层次化特征表示，以完成分类、识别、生成等任务。其核心思想是模拟人脑神经元的连接方式，利用大规模数据和反向传播算法进行端到端的训练，广泛应用于计算机视觉、自然语言处理、语音识别等领域。
核心事实
时间轴 (近 90 天)
人工智能、机器学习、深度学习、大语言模型是层层嵌套的关系：人工智能最宽泛，机器学习是其子集，深度学习是机器学习的分支，大语言模型是深度学习的应用方向
深度学习强于模式识别但弱于可解释的逻辑推理，纯符号系统虽然透明却难以规模化
《Deep Learning》（Goodfellow, Bengio, Courville）被称为「花书」，前半部分系统梳理了深度学习所需的数学基础
2019年前后医学影像AI是深度学习最成功的应用领域之一
图像处理中的滤波、边缘检测等操作属于传统数字图像处理范畴，与深度学习、大模型意义上的AI存在一定距离
深度学习在图像识别中层层抽象，第一层识别边缘，第二层识别形状，更深层识别具体物体
深度学习、大数据和云计算三者在2010年代同步成熟，催生了ChatGPT、DeepSeek等大语言模型
AI 2.0以深度学习、大数据和云计算的兴起为标志，代表作品是ChatGPT和DeepSeek
由于Gradland居民本身是神经网络，该理论与深度学习模型天然相容
传统深度学习范式将模型分为训练阶段学习参数和推理阶段冻结参数直接输出两个阶段
还有 40 条时间轴事件
全部知识事实 (20)
前沿模型存在涌现能力，即在达到某个参数规模阈值后突然展现出训练目标中未明确包含的能力
75%已验证深度学习使用多层神经网络，其结构受人脑神经元连接方式的启发
70%已验证GPU的大规模并行计算架构天然适合深度学习中的矩阵运算，其数千个计算核心可将训练过程加速数十倍乃至数百倍
70%已验证梯度下降是深度学习中最核心的优化算法，其数学本质是沿着损失函数的负梯度方向迭代更新参数
65%已验证深度学习是机器学习的一个子领域，核心是多层人工神经网络，思想最早可追溯至1940年代
65%已验证GPU的并行计算架构最初源于游戏图形渲染的需求，其计算模式与深度学习的张量批量运算相似
65%待验证推荐的AI自学路径遵循从基础层（Python、Pandas、NumPy）到核心层（机器学习算法与项目实践）再到进阶层（深度学习）的递进顺序
85%待验证初学者常见错误是在对底层数据处理和经典机器学习只有肤浅理解时就急于进入深度学习和大模型
80%待验证相比深度学习，梯度提升在中小型数据集上通常更稳定、更可解释、训练更快
80%待验证《Deep Learning》（Goodfellow, Bengio, Courville）被称为「花书」，前半部分系统梳理了深度学习所需的数学基础
60%待验证建议先掌握经典机器学习原理再进入深度学习，否则容易变成只会调包的调包侠
60%待验证大模型训练阶段的能耗约为推理阶段的数百倍
60%待验证底层的机器学习和深度学习算法基础十几年来并没有本质变化，核心都是神经网络体系
60%待验证人工智能、机器学习、深度学习、大语言模型是层层嵌套的关系：人工智能最宽泛，机器学习是其子集，深度学习是机器学习的分支，大语言模型是深度学习的应用方向
50%待验证深度学习强于模式识别但弱于可解释的逻辑推理，纯符号系统虽然透明却难以规模化
50%待验证2019年前后医学影像AI是深度学习最成功的应用领域之一
50%待验证图像处理中的滤波、边缘检测等操作属于传统数字图像处理范畴，与深度学习、大模型意义上的AI存在一定距离
50%待验证AI 2.0以深度学习、大数据和云计算的兴起为标志，代表作品是ChatGPT和DeepSeek
50%待验证深度学习在图像识别中层层抽象，第一层识别边缘，第二层识别形状，更深层识别具体物体
50%待验证深度学习、大数据和云计算三者在2010年代同步成熟，催生了ChatGPT、DeepSeek等大语言模型
50%