深度学习（Deep Learning）的诞生历经突破：1986年反向传播算法解决多层训练难题、2006年预训练结合GPU算力铺路、2012年AlexNet以8层网络把ImageNet错误率从26%降到15%，解决多层网络训不出来、难以实用的问题，并不解决深度网络对数据算力的依赖。
- 早期的神经网络（1940s-1980s）
神经网络的概念最早可以追溯到1943年，科学家Warren McCulloch和Walter Pitts提出了“人工神经元”模型，试图用数学模拟人脑神经元。后来，1958年，Frank Rosenblatt发明了“感知机”（Perceptron），一个简单的单层神经网络，能识别基本图案，比如区分“X”和“O”。
但当时的神经网络有个致命问题：层数一多就训不好。1969年，Marvin Minsky在《感知机》一书中指出，单层感知机无法解决复杂问题（比如“异或”逻辑），这让神经网络研究陷入低谷，资金和兴趣都大幅减少。 - 反向传播的突破（1980s）
直到1986年，Geoffrey Hinton等人提出了“反向传播”（Backpropagation）算法，解决了多层神经网络的训练难题。这个方法让网络能通过误差反向调整参数，重新点燃了研究热情。但当时算力和数据有限，神经网络还是没能大展拳脚。 - 深度学习的崛起（2000s-2010s）
真正让深度学习起飞的，是21世纪初的三大条件：- 大数据的爆发：互联网的普及产生了海量数据。YouTube每天上传数百万小时的视频，Instagram上有亿万张图片，Twitter上有无数条文本，这些都成了深度学习的“粮食”。没有数据，深度学习就是无米之炊。
- 算力的飞跃：传统CPU太慢，训练一个深层网络可能要几个月。但GPU（图形处理器）的出现彻底改变了局面。2000年代，NVIDIA的GPU开始被用于科学计算，速度比CPU快几十倍。后来，谷歌还推出了TPU（Tensor Processing Unit），专为AI设计，训练时间从几天缩短到几小时。
- 算法的突破：早期多层网络容易“卡住”（梯度消失或爆炸），2006年，Hinton提出了“预训练”方法，用无监督学习初始化网络。后来，又有了更好的激活函数（像ReLU，Rectified Linear Unit）和优化算法（像Adam），让深层网络变得可行。
这些条件在2010年左右凑齐，深度学习迎来了爆发。2012年，一个叫AlexNet的深度神经网络在ImageNet图像识别比赛中大放异彩。它有8层（在当时算很深了），把错误率从26%降到15%，碾压了传统方法。这场比赛成了深度学习的“成名战”，从此它成了AI的主流。
