深度学习是机器学习的一部分，它通过接收大量数据并试图从中学习来模拟人脑。在IBM对该术语的定义中，深度学习使系统能够“汇总数据并以难以置信的准确性进行预测”。但是，尽管深度学习令人难以置信，但IBM透彻地指出，它无法触及人类大脑的处理和学习信息的能力。

深度学习和DNN（深度神经网络）用于解决复杂的现实世界中的问题，例如天气预报，面部识别和聊天机器人，并执行其他类型的复杂数据分析。它说，到2030年，全球深度学习市场规模将从2020年的68.5亿美元上升到近1800亿美元。市场研究的另一项研究表明，由于人工智能领域的增长以及对数据和高级分析工具的需求不断增长，到2030年，全球神经网络市场预计将达到近1530亿美元。

对深度学习的更好理解将使人工智能和机器学习衍生技术的未来应用，包括完全自动驾驶汽车和下一代虚拟助手。将来，深度学习可能会发展为无监督的学习，并提供更多有关人脑运作方式的见解。这是促使格拉斯哥大学的研究人员研究DNN与人脑相似的程度的第二次追求。根据格拉斯哥大学的说法，目前对DNN技术的了解相对有限，没有人完全了解神经网络的过程如何。

为了进一步加深科学界的理解，在最近发表的“大脑与其DNN模型之间的算法等效性”中，研究人员提出并测试了一种理解人工智能模型如何与人脑在处理信息方面相比的方法。目的是确定DNN模型是否像人脑一样，使用类似的计算步骤来识别事物。这项工作确定了AI模型和人脑之间的相似性和差异，并迈出了一步，创建了与人脑尽可能接近的人工智能技术来处理信息。

更好地理解人脑及其DNN模型是否以相同的方式识别事物将允许使用DNN进行更精确的现实生活应用。如果我们对人脑中的识别机制有更深入的了解，我们可以将这些知识转移到DNN中，这反过来又将有助于改善DNN在诸如面部识别之类的应用中如何使用，并不总是准确的，并不总是准确地使用。

如果目标是创建最类似人类的决策过程，那么技术必须能够处理信息并至少与人类一样，比人类更好。在发表文章的结尾，作者列出了一系列基于研究的突出问题，包括：“ DNN如何预测人类决策行为的多样性？”这也是一个值得研究的问题，因为在面对同样的投入时，并不是每个人都做出相同的决定 - 像人类一样，AI模型会以什么方式认为这种多样性？