深度學習（Deep Learning, DL）是機器學習的重要分支，其核心概念來自於人工神經網路（Artificial Neural Networks, ANN），模仿人類大腦中神經元的連結方式，透過多層隱藏層的堆疊來學習資料中的高階特徵。與傳統機器學習相比，深度學習能夠在龐大且非結構化的數據中自動提取特徵，特別適合處理影像、語音與自然語言等複雜資訊。
在技術架構上，常見的深度學習模型包括 卷積神經網路（Convolutional Neural Networks, CNNs），主要用於影像識別與電腦視覺；循環神經網路（Recurrent Neural Networks, RNNs） 與其改良版本 長短期記憶網路（LSTM），常用於時間序列與語音辨識；以及近年來興起的 Transformer 架構，已成為自然語言處理的主流，支撐了 ChatGPT 等大型語言模型（LLMs）的發展。
在應用層面，深度學習推動了眾多領域的革新，包括自駕車的感知系統、智慧醫療的影像診斷、金融交易風險分析，以及生成式人工智慧（Generative AI）的圖像與文字生成。然而，其發展同時面臨挑戰，例如龐大的運算資源需求、模型解釋性的不足，以及資料隱私與倫理風險。
總體而言，深度學習已成為人工智慧的核心驅動力，未來的研究方向將聚焦於高效能計算、模型壓縮與可解釋性，以確保其在多元應用場景中能兼顧效能與可信度。