深度學習的發展是多位研究者長期探索的結果，其核心方法的形成并非由單一人物 “發明”，而是歷經數十年理論積累與技術突破的產物。以下從關鍵人物、核心技術突破及歷史背景三個維度，梳理深度學習方法的起源與發展脈絡：

一、深度學習的奠基者與關鍵貢獻者

1. Geoffrey Hinton：從神經網絡到深度學習的理論突破

• 核心貢獻：
  • 20 世紀 80 年代，Hinton 與 David Rumelhart 等人重新引入并完善了反向傳播算法（Backpropagation），解決了多層神經網絡的參數優化問題，為深度學習的多層結構奠定了訓練基礎。
  • 2006 年，Hinton 在《Science》發表論文，提出深度信念網絡（DBN），通過 “預訓練 + 微調” 的方式解決了深層網絡訓練困難的問題，首次提出 “深度學習”（Deep Learning）概念，標志著該領域的復興。
• 關鍵思想：認為多層神經網絡可通過 “分層表征” 學習數據的抽象特征，而預訓練技術能避免梯度消失問題。

2. Yann LeCun：卷積神經網絡（CNN）的開創者

• 核心貢獻：
  • 1998 年，LeCun 提出LeNet-5，這是首個成功應用的卷積神經網絡，用于手寫數字識別（