深度学习是机器学习的一个子集，它通过接收大量数据并试图从中学习来模拟人脑。在IBM对该术语的定义中，深度学习使系统能够“聚集数据，并以令人难以置信的准确性做出预测。” 然而，尽管深度学习令人难以置信，但IBM尖锐地指出，它无法触及人脑处理和学习信息的能力。
深度学习和 DNN（深度神经网络）被应用于解决现实世界中的复杂问题，如天气预报、面部识别和聊天机器人，以及执行其他类型的复杂数据分析。Allied Market Research表示，到2030年，全球深度学习市场规模将从2020年的68.5亿美元上升至近1800亿美元。Allied市场研究的另一项研究表明，由于人工智能领域的增长以及对数据和高级分析工具的需求不断增长，全球神经网络市场预计到2030年将达到近1530亿美元。
更好地了解深度学习将有利于人工智能和机器学习衍生技术的未来应用，包括全自动驾驶汽车和下一代虚拟助手。在未来，深度学习可能会发展成为无监督学习，并提供更多关于人类大脑如何工作的见解。正是第二项追求促使格拉斯哥大学的研究人员研究DNN 与人脑的相似程度。根据格拉斯哥大学的说法，目前对 DNN 技术的了解相对有限，没有人完全了解深度神经网络是如何处理信息的。
为了进一步加深科学界的了解，在最近发表的“大脑与其 DNN 模型之间的算法等效程度”中，研究人员提出并测试了一种了解人工智能模型在处理信息的方法上如何与人脑进行比较的方法。目标是确定DNN模型是否像人脑一样，使用相似的计算步骤来识别事物。这项工作确定了人工智能模型和人脑之间的异同，为创造尽可能接近人脑处理信息的人工智能技术迈出了一步。
格拉斯哥大学研究技术系主任菲利普·施恩斯（Philippe Schyns）表示：“更好地了解人脑及其DNN模型是否以同样的方式识别事物，将允许使用DNN进行更精确的现实应用。如果我们对人脑中的识别机制有了更深入的了解，那么我们就可以将这些知识转移到 DNN 中，这反过来将有助于改善DNN在面部识别等应用中的使用方式，目前这些应用并不总是准确的。”
如果目标是尽可能创造最像人类的决策过程，那么技术必须能够处理信息并做出决策，至少与人类一样——理想情况下比人类更好。在已发表文章的最后，作者根据研究列出了一系列突出问题，其中包括：“DNN 如何预测人类决策行为的多样性？”这也是一个值得研究的问题，因为并非所有人在面对相同的输入时都会做出相同的决定——以及一个更像人类的人工智能模型会以什么方式考虑到这种多样性？
