深度学习是应大数据而生的，它为大数据提供了一个智慧的大脑，从阿尔法狗击败围棋冠军到人工智能系统写出的小说入围日本文学奖再到微软不良少女Tay,不管我们是否意识到，机器学习算法已经走下神坛，悄无声息的渗入到我们的生活中了，它在重塑我们的行为以及与世界的互动方式。

　　机器学习是人工智能的一个分支，而深度学习又是机器学习研究中的一个新的领域。深度学习之所以被称为“深度”，是因为之前的机器学习方法都是浅层学习，主要被应用于文本数据，而深度学习可以被应用于各种复杂的内容类型，例如视频、语音、音乐、图像和人工智能军团能够适应本地环境模式，并智能地联系上下文做出识别和回应。
　　但是这些分析应用程序只是划破了深度学习的表面，并未挖掘出深度学习改变世界的潜力，深度学习技术远不止深入了解和分析环境模式，它越来越多的被用来重新设计和制造新的模式，其正在推动用于创建新的视频，音频，图像，文本和其他对象的应用程序逻辑。有文章中描述过深度学习是如何从根本上重塑人类经验的每个方面。
　　技术的“建设性”应用是指使用它在新工件中创建新的模式，而不是简单地对先前存在的模式的历史数据进行内省。另外，它还可以修改，恢复和注释原有的内容或物理对象，以便它们在再次使用时更有用。
　　深度学习的分析目的是确定真实数据中的真实模式，如果它的建设性应用能够应用在制造经验，文化文物，历史记录，甚至于我们的身体，我们可能会发现很多令人惊讶的真相，发现现实和幻觉之间的实际差异是什么， 发现原来的哪些算法和经验是不可靠的。
　　这并不是一个形而上学的想法，事实上深度学习已经在这方面初露端倪：
　　通过生成和叠加到原来的任何缺失、晦涩或误导的视觉元素中，自动更正图像。
　　将任何粗糙的涂鸦变成令人印象深刻的绘画，宛若是由艺术家创造的。
　　拍摄人物的手绘草图，并通过算法将它们转换成照片图像。
　　将任何低分辨率原始图像转换为自然的高分辨率版本。
　　指示计算机渲染任何图像，使其看起来是由特定艺术家以特定样式组成的。
　　从任何图像有机地召唤源码中没有的图案、任务或深度学习的重构很可能会造成误导，这绝不是在危言耸听，深度学习的重建已经证明了认知应用是有问题的，算法偏差对云决策会有很大的影响，如果这些算法重建是环境数据偏离现实很大，那么深度学习应用要承担的分险就会很大，例如人们生活赖以生存的自驾车和假肢。
　　虽然深度学习没有停止渗入到我们生活的每一个方面，但其实我们可以为算法实现实际应用带来更大的透明度。正如本文中所讨论的，我们应该使用深度学习应用程序来帮助识别所使用的特定算法路径(例如源信息的端到端图形、变换、统计模型、元数据等)，在特定情况下构造特定的工件或采取特定的动作。
　　另外，我们遇到的每个看似真实但却是由算法生成的工件都应该以一些突出的方式标记出来，以便我们在与它交互时考虑这一点，正如生活中我们会标记出转基因食品，这样做的话有些技术人员就可以对他们感兴趣的对象进行算法改进。