大数据时代，光有数据量还不够，关键是怎么从那些体量庞大、来源多样、变化又快的多源异构数据里，把有价值的东西给提取出来。传统方法碰上这情况，大多力不从心。而神经网络呢，最擅长特征提取和抽象，能整合多源信息，搞定异构数据，还能捕捉动态变化——它就像是大数据通往价值变&现的关键桥梁。

反过来，海量的大数据又给神经网络提供了充足的训练样本，让训练更庞大的网络成为现实。随着硬件和算力不断提升，训练大规模神经网络来处理大数据，速度也越来越快。两者一结合，双剑合璧，直接成了人工智能、大数据、认知科学、神经科学等多学科交叉的前沿热点。

先来看几个具体的突破方向。

（1）语音识别

2006年Hinton那篇深度学习论文，算是重新把神经网络拉回了主流视野。而第一个真正取得突破的领域，就是语音识别。传统方法主要靠声学特征，用高斯混合模型提取特征，再用隐马尔可夫模型来做序列建模，然后识别出对应的文字。这套路子走了几十年，错误率却卡在25%左右——怎么也下不去了，离实用差得远。

转折发生在2013年。Hinton跟微软合作，用神经网络来改特征提取方法，结果错误率直接降到了17.7%。现场演示同声传译的那效果，看得人直呼厉害。之后研究者又陆续用循环神经网络做预测和识别，进一步把错误率拉到了7.9%左右。这一波操作下来，语音识别不仅实用化了，还激发了大量商业应用。到2016年，同声速记产品的准确率已经突破95%，超过了人类速记员的表现。

（2）计算机视觉

计算机视觉一直是热门研究方向。传统研究主要靠人工设计特征——边缘、颜色、尺度不变特征之类的，然后用来做图像分类、聚类、分割、目标检测、目标追踪等等。问题是，人工特征说到底只是初级的、直觉层面的东西，抽象程度低，表达能力也有限。

神经网络就不一样了。它直接用大量图像数据，完全自动地去学特征。在深度网络里，各层特征从边缘、线条，慢慢形成轮廓、形状，再到具体的对象，一层层抽象，越来越高级。2012年，在大规模图像数据集ImageNet上，神经网络打了个漂亮的翻身仗，准确率冲到84.7%。更厉害的是人脸识别——在LFW权威数据库上，基于深度神经网络的DeepID方法，2014年已经达到99.15%，2015年更是到99.53%，远超人类97.53%的识别率。

（3）医学医疗

医疗领域向来特殊，既要快速推进，又得格外严谨。怎么用好大数据来改进诊疗水平，一直是个核心议题。随着神经网络的应用越来越成熟，医疗这块也迎来了新突破。2016年1月，美国Enlitic公司推出了一套基于深度神经网络的癌症检测系统，能从X光、CT、超声、MRI图像里发现恶性肿瘤。结果呢？肺癌检出率直接超过了放射技师的水平。

同年，Google也利用医院信息数据仓库里的电子病历，包括临床记录、诊断、用药、生化检测、病案等等，构建了病人原始信息数据库。然后采用无监督深度特征学习方法，学习病人的深度特征表达，再用来做自动临床决策——准确率超过92%。这些成果，为真正实现基于医疗大数据的精准医疗，打下了扎实的基础。

（4）智能博弈

围棋一直被称为“最复杂也是最美的游戏”。自从国际象棋被深蓝攻克，围棋就成了人类智力最后的堡垒。2016年，Google旗下DeepMind团队的AlphaGo，对战人类世界冠军李世乭九段。那场比赛不光围棋界和AI界关注，普通大众也看得津津有味。最终AlphaGo以4:1获胜。其成功的关键，正是神经网络与增强学习的结合——先用神经网络的强大特征提取能力，捕捉人类难以分析的高层特征；再通过增强学习，用自我对弈的方式产生海量数据，从自己的尝试中学会超越有限棋谱的技巧。这种自发学习、超越现有数据的方法，在AI界非常振奋人心。它标志着增强学习与神经网络的成功联姻，也是“大数据+神经网络”的一次经典应用。