许多人都知道超级电脑深蓝战胜了国际象棋世界冠军卡斯帕罗夫，但很少被人提及的是，深蓝与卡斯帕罗夫的首次对决中，输家是深蓝。在经过了近一年时间的改良后，深蓝才以3.5比2.5击败卡斯帕罗夫。而其中所谓的“改良”，主要是由人通过改变深蓝的程序，帮助深蓝根据棋面来及时地调整战略战术。对于计算机深蓝来说，实际上这个过程也可以被理解为“机器学习”，只不过背后的主导者仍然是人，而非机器自身。
　　 深度学习是机器学习研究中的一个领域，愿景是实现让机器来模仿人脑的机制，即通过模拟人脑的神经网络进行分析、学习，以解释图像、声音、文本等数据。大数据BI则是传统BI软件的一种延伸，与传统BI软件相比，大数据BI可以完成对TB级别数据的实时分析。
　　 二者是如何联系在一起的呢？
　　 根据媒体后来的公开报道，为了对卡斯帕罗夫过去下过的每一局棋都了如指掌，“深蓝”几乎存储了当时世界上的所有棋谱。 并且，深蓝能够以每秒2亿步的速度进行搜索计算，而卡斯帕罗夫即便作为专业棋手，思考的速度也不可能超越计算机，但问题是，从比分看来，双方的差距并不大。这说明，人类拥有当时计算机尚不具备的某种能力。
　　 在后来，研究人员发现了问题的关键。即人脑的神经网络可以采用更为独特的信息处理模式，最终结果是能够实现在评估全局的基础上，缩减和优化搜索过程。所以，这就可以解释为什么计算机的运行速度更快，但从智能和效率上却不及人脑了。
　　 大数据BI面对的需求，是如何在海量的大数据信息当中，具备实时接入、实时查询，可处理TB级别以上数据量的能力。企业用户也急需对大量结构化和非结构化的数据进行分析处理，以获得潜在信息价值，作为决策依据。而深度学习的过程，可以为大数据BI提供参考，无论面对多么庞大的数据量，无论是做数据分析、挖掘还是建模，深度学习都能够帮助大数据BI快速、有效地实现。
　　 当然，结合深度学习来做大数据BI，也会存在一些难点。比如，因为深度学习从诞生伊始，就没有很强的针对性，尤其是此前没有广泛地结合大数据BI帮助企业构建实际应用，所以，二者的结合需要一定的过程，比如需要结合企业的应用场景构建成具体的框架或系统，以及结合现下流行于企业的各种大数据平台，将深度学习所蕴含的思想和实现过程直接转化为大数据深度分析工具。