一句话导读
深度学习三巨头合写的”百科级”奠基综述
论文信息
| 英文原名 | Deep learning |
| 中文常用名 | 深度学习（奠基综述） |
| 作者 | LeCun, Bengio, Hinton |
| 发表年份 | 2015 |
| 出处 / 获取 | Nature 521 |
| 所属专题 | 经典综述 |
本文为 AI泡泡堂 经典 AI 文献栏目收录，信息经公开渠道核验。若需引用请以原论文为准。
详细解读（中文）
一、论文背景：2015 年前后，深度学习在语音、视觉、NLP 多点突破但缺乏系统性总结；三位奠基人（LeCun、Bengio、Hinton）撰文向更广的科学界阐明”深度学习为什么有效、能做什么”。
二、核心创新：这篇发表于《Nature》的综述系统地阐述了深度学习的基本原理：通过多层非线性处理单元堆叠，自动从原始数据学习从低级（边缘、笔画）到高级（物体、概念）的层次化表征；反向传播用于逐层调整内部参数；并回顾了其在语音识别、视觉识别、目标检测、药物发现、基因组学等领域的突破性应用。
三、关键技术细节：① 说明”表示学习（Representation Learning）”如何免去手工特征工程；② 解释反向传播如何让”机器改变内部参数以逐层优化表征”；③ 介绍卷积网络（视觉）、循环网络/注意力（序列）、以及无监督预训练的作用；④ 讨论了深度学习与大脑学习、以及未来（强化学习、记忆机制）的关系；⑤ 该文是深度学习进入主流科学视野的标志性科普文献。
影响与后续发展
这篇 Nature 综述让全球学术界、产业界与公众系统理解深度学习，被广泛引用（数万次），也成为 AI 课程、教材的标准入门文献；三位作者后因深度学习贡献共同获得 2018 年图灵奖。
查看原始论文（权威链接）
英文原文摘要（Original Abstract，节选）
Deep learning allows computational models that are composed of multiple processing layers to learn representations of data with multiple levels of abstraction. These methods have dramatically improved the state-of-the-art in speech recognition, visual object recognition, object detection and many other domains such as drug discovery and genomics. Deep learning discovers intricate structure in large data sets by using the backpropagation algorithm to indicate how a machine should change its internal parameters that are used to compute the representation in each layer from the representation in the previous layer.
提示：以上英文摘要为原文节选，完整论文请通过上方权威链接查看（原始论文版权归原作者/出版方所有）。