DeepSeek：
深度神经网络（DNN）是一种模仿人脑神经结构的机器学习技术，专门处理复杂数据。你可以把它想象成一个“多层级加工厂”：比如识别猫的照片，第一层先看像素点，第二层组合成线条，第三层拼出猫耳、胡须等特征，最后一层综合判断这是猫。每层由大量“神经元”（数学计算单元）组成，层与层之间通过可调节的“连接强度”传递信息。
它的核心能力在于自动学习特征。传统算法需要人工设计规则（比如，先找边缘、再识别形状），而DNN能通过海量数据自己发现规律。训练时就像教小孩认字：先猜结果，对比正确答案，再反向调整各层神经元的计算参数，经过数万次迭代后越来越精准。
这种结构让它在图像识别、语音翻译、自动驾驶等领域表现突出，尤其在处理非结构化数据（图片、文字）时远超传统编程。但前提条件是需要大量算力和数据，模型内部决策过程也像“黑箱”一样，难以完全解释。
专家点评：
深度神经网络的强大特征提取能力，与其网络结构与规模分不开。根据通用逼近定理，只要神经元及其连接的数量足够大，就可以逼近任意复杂的连续函数。而这些数量巨大的“参数”，是通过训练（学习）来确定的。相信随着网络结构和训练方法的持续创新，深度神经网络的能力还可继续提升。
通义千问：
大语言模型可以理解为一个“超级聪明的文字助手”，它通过学习海量的文本数据，掌握人类语言的规律和知识。你可以把它想象成一个读过无数书籍、文章、网页的“大脑”，它知道怎么回答问题、写文章、讲故事，甚至还能编程、翻译、聊天。
它的核心能力是预测下一个词。比如你输入一句话的开头，它会根据上下文猜测接下来最可能说什么。通过这种方式，它能生成连贯、自然的文字。而且，因为它学了很多知识，所以不仅能回答简单问题，还能处理复杂的任务，比如分析逻辑、总结长文或者模仿某种写作风格。
不过，大语言模型并不是真正“理解”文字，它更像是在模仿人类的语言模式。它没有感情，也不会主动思考，只是根据输入的内容给出最合适的回应。所以，有时候它的答案可能看起来很合理，但其实是错的，这就需要ag凯发_凯发一触即发去判断和核实。
专家点评：
大语言模型不仅网络规模庞大，还采用一个重要的技术即“词嵌入”技术。该技术将自然语言的“词”嵌入到多维的语义空间，表达为“语义矢量”，从而可以对“词”进行计算，由此可以跨越语言的形式（如英语、汉语，文本、图像等），生成各方面内容。大语言模型的突破推动了人工智能几乎所有（应用语言）领域的应用，但也面临生成偏差、算力消耗、伦理风险等挑战，需结合人类监督与技术优化以实现安全可控的发展。
（专家为中国新一代人工智能发展战略研究院执行院长龚克）
《人民日报》（2025年02月26日16版）