深度学习三巨头Yann LeCun、Yoshua Bengio、Geoffrey Hinton曾在Nature上共同发表一篇名为《深度学习》的综述文章，讲述了深度学习为传统机器学习带来的变革。
从2006年Geoffrey Hinton为展示深度学习的潜能算起，深度学习已经蓬勃发展走过了10多个年头。这一走来，深度学习究竟取得了怎样的成就，又会何去何从呢？
借助深度学习，由多重流程层组成的计算模型能够从不同层级的抽象数据中学习数据的特征。这些方法极大促进了先进技术的发展，包括语音识别、视觉对象识别、目标检测以及许多其他领域，诸如药物识别以及基因学研究。
使用反向算法，深度学习能够指出机器如何基于上一层的特征，通过改变内部参数来计算出下一层的特征，以发现大型数据集中错综复杂的结构。深度卷积网络给图像、视频、语音与音频处理带来了极大突破，同时循环神经网络则给诸如文字及语音的顺序数据研究带来了希望。
机器学习在许多方面都了现代社会：从网页搜索到电商网站上基于社交网络内容筛选做出的推荐，并且在消费品中的存在感越来越强，例如相机、智能电话等。
机器学习系统被用于识别图像中的物体、将语音为文本、匹配新物体、根据用户兴趣个性化推送或生产商品，也可以用于选择搜索结果中相关的内容。有趣的是，这些应用就是大名鼎鼎的深度学习实际应用。
传统机器学习技术难以处理原始的自然数据。近几十年来，建造一个模式识别或者机器学习系统，需要细致的策划以及丰富的领域知识，以设计特征抽取器来将原始数据（例如图像的像素值）为合适的内部表征或者特征矢量，学习子系统（如分类器）就能够从输入值发现规律。
深度学习方法是拥有多层级的特征学习方法，使用简单但非线性的组件将每一层（从原始数据开始）的特征为更高阶、更抽象化的层级特征。通过结合足够多次的，能够得到非常复杂的函数。
例如，图像类数据由像素值数组组成，从第一层特征学习得到的结果就很明显代表了图像中特定方向及上边缘是否存在。
第二层则忽略掉边缘的微小变化，通过边缘的特定变化来探寻图像主要特点。第三层则将这些特点组合在一起，形成一个更大的、与常见物体某一组成部分相似的集合，后续的层次则通过将这些部分组合在一起，识别物体。
深度学习一个重要的特点就是，这些特征层并不是由人类工程学家设计的：它们来源于经过通用学习流程处理的数据。
除了攻下图像识别、语音识别的城墙之外，深度学习还在其他机器学习方面攻下一城，包括预测潜在的药物的活性、分析粒子加速数据、重构大脑回，以及预测基因表达及疾病中非编码DNA突变的影响。