深度學習是機器學習的一個子集，它通過接收大量數據并試圖從中學習來模擬人腦。在IBM對該術語的定義中，深度學習使系統能夠“聚集數據，并以令人難以置信的準確性做出預測。” 然而，盡管深度學習令人難以置信，但IBM尖銳地指出，它無法觸及人腦處理和學習信息的能力。

深度學習和 DNN（深度神經網絡）被應用于解決現實世界中的復雜問題，如天氣預報、面部識別和聊天機器人，以及執行其他類型的復雜數據分析。Allied Market Research表示，到2030年，全球深度學習市場規模將從2020年的68.5億美元上升至近1800億美元。Allied市場研究的另一項研究表明，由于人工智能領域的增長以及對數據和高級分析工具的需求不斷增長，全球神經網絡市場預計到2030年將達到近1530億美元。

更好地了解深度學習將有利于人工智能和機器學習衍生技術的未來應用，包括全自動駕駛汽車和下一代虛擬助手。在未來，深度學習可能會發展成為無監督學習，并提供更多關于人類大腦如何工作的見解。正是第二項追求促使格拉斯哥大學的研究人員研究DNN 與人腦的相似程度。根據格拉斯哥大學的說法，目前對 DNN 技術的了解相對有限，沒有人完全了解深度神經網絡是如何處理信息的。

為了進一步加深科學界的了解，在最近發表的“大腦與其 DNN 模型之間的算法等效程度”中，研究人員提出并測試了一種了解人工智能模型在處理信息的方法上如何與人腦進行比較的方法。目標是確定DNN模型是否像人腦一樣，使用相似的計算步驟來識別事物。這項工作確定了人工智能模型和人腦之間的異同，為創造盡可能接近人腦處理信息的人工智能技術邁出了一步。

格拉斯哥大學研究技術系主任菲利普·施恩斯（Philippe Schyns）表示：“更好地了解人腦及其DNN模型是否以同樣的方式識別事物，將允許使用DNN進行更精確的現實應用。如果我們對人腦中的識別機制有了更深入的了解，那么我們就可以將這些知識轉移到 DNN 中，這反過來將有助于改善DNN在面部識別等應用中的使用方式，目前這些應用并不總是準確的。”

如果目標是盡可能創造最像人類的決策過程，那么技術必須能夠處理信息并做出決策，至少與人類一樣——理想情況下比人類更好。在已發表文章的最后，作者根據研究列出了一系列突出問題，其中包括：“DNN 如何預測人類決策行為的多樣性？”這也是一個值得研究的問題，因為并非所有人在面對相同的輸入時都會做出相同的決定——以及一個更像人類的人工智能模型會以什么方式考慮到這種多樣性？