到現在為止，我們看到的絕大多數的機器學習的應用環境都非常單純——向量清洗到位，邊界劃定清晰。例如，垃圾郵件的分揀，能夠通過郵件内容的輸入來判斷郵件是否為垃圾郵件；新聞的自動分類，能夠通過新聞内容的分類來判斷新聞的類别或描述内容的屬性；攝像頭對車牌号的OCR電子識别手、寫識别，這些應用可以通過輸入一個圖像來得到其中蘊含的文字資訊向量，諸如此類，這些都是早些年應用比較成熟的領域，在這種應用場景中機器通過學習能夠取代一些純粹的體力勞動。
在近幾年，随着計算機能力的提升，尤其是GPU并行計算的普及化，使得很多原來高密度計算場景的門檻變得越來越低，人們在商用領域已經開始尋找用深度學習的網絡來做一些原來不可想象的事情。
例如這種使用卷積神經網絡對照片進行風格處理，拿一張普通照片作為輸入，再拿一張有着較強藝術風格的繪畫作品作為訓練樣本，然後通過卷積網絡進行處理，最後由計算機“創作”出一幅内容基于照片但是風格基于繪畫作品的新作出來。而這種事情在幾年前是難以想象的，因為這看上去太“智能”了，太有“創造力”了。
還有類似這種，我們輸入一張照片，然後讓計算機根據這張照片的風格和内容，憑空創造一張很像但不一樣的照片出來。注意哦，這個跟Photoshop的功能可是完全不同的，它是全自動的。在這些圖中，右側的圖都是源圖，左側的圖都是計算機生成的圖，有水波紋、雲朵、花叢，還有随意的藝術塗鴉。怎麼樣，有不少真的是可以以假亂真了吧。這都是使用深度神經網絡處理的結果。
那麼除此之外，像語音識别以及視訊中存在物體的檢出，這些内容也是屬于近幾年研究比較熱門并逐漸趨于成熟的應用領域。實際上，在實作層面有很多種實作方式可以完成像這樣的應用。而在學術領域，也有一類新興的基于深度學習神經網絡的研究領域，叫做“對抗學習”，它可以實作類似的方式。在深度學習領域會使用生成對抗網絡（Generative Adversarial Network），這種網絡的特點就是可以進行複雜内容的生成，而非生成一個标簽這麼簡單。
此外，谷歌、百度也在近年啟動了無人駕駛汽車的商業研究，這種自動駕駛也同樣是一種典型的機器學習應用場景。隻不過它的輸入資訊不再那麼單純，它有一個雷射雷達，可以掃描半徑60米内的環境，并把雷達回波傳輸給主要電腦；除此之外還有前置攝像頭用來識别正前方視野内的交通信号燈、車輛、人物等對象；還有前後雷達，前置3個，後置1個，用來判斷與前後物體的距離，主要是為了判斷車距使用。當然還少不了GPS和電子地圖資訊的配合。
對于這種無人駕駛汽車的調教不再是編寫複雜的程式，而是定義多個複雜的深度神經網絡，然後呢？就是讓駕駛員開着汽車上街去各種轉。把輸入的各種大量的雷射雷達信号、攝像頭信号、前後雷達信号燈這些輸入資訊和駕駛員實際作用在汽車上的大量的油門、刹車、方向控制這些操作做關聯，反複進行訓練，讓電腦學會在不同的情況下使用不同的操作手法來操作汽車。這樣一個訓練過程在學術上屬于強化學習（reinforcement learning）以及其周邊領域的範疇，在人工智能方面，這種學習方法是業界普遍認可的。隻不過各方對自動駕駛這件事情是褒貶不一，因為畢竟它在商用環境中出現過事故。
據報道，2016年6月30日，美國特斯拉汽車公司證明，一輛該公司生産的S型電動轎車在自動駕駛模式下發生撞車事故，導緻司機身亡。美國負責監管公路交通安全的機構正在對事故車輛的自動駕駛系統展開調查。這是美國首例涉及汽車自動駕駛功能的交通死亡事故。
事故于2016年5月7日發生在美國佛羅裡達州，導緻涉事S型電動轎車車主、一名40歲美國男子身亡。特斯拉在官方部落格中說，公司在事發後立即向美國國家高速公路交通安全管理局作了報告。
美國國家高速公路交通安全管理局在一份聲明中說，這起事故表明“需要對事故發生時啟用的輔助（自動）駕駛功能的設計和性能進行檢查”。目前該機構已對這起事故展開初步調查，如發現涉事車輛存在安全隐患将下令召回。
特斯拉解釋說，涉事S型電動轎車當時正使用自動駕駛功能行駛在有分割線的高速公路上，與前方一輛處于橫穿公路位置的拖挂貨車呈垂直關系。在逆光背景下，S型電動轎車的自動駕駛系統和司機都沒注意到拖挂卡車的白色側面，是以，S型電動轎車沒有啟用制動。由于拖挂貨車車身高大，且處于橫穿公路的位置，使得“造成這場車禍的情形組合極為罕見”，以緻S型電動轎車擋風玻璃撞擊拖挂貨車底部，整車從拖挂貨車下穿過。
其實不能不說，這也暴露出人工智能或深度學習中的一些軟肋，那就是電腦“天生弱智”的特性，它是不具備足夠好的應變能力的。美國著名智庫蘭德公司2016年4月在一份研究報告中指出，自動駕駛汽車測試的總裡程還很少，缺乏足夠多的資料來對比這類汽車與傳統汽車的安全性和可靠性。迄今為止，測試時間最長的是谷歌自動駕駛汽車，從2009～ 2015年，55輛谷歌自動駕駛汽車的道路測試總裡程僅約130萬英裡（約合209萬千米），其間共發生了11起小事故。
有研究人員認為，自動駕駛汽車需要測試數億至數千億公裡，才能驗證它們在減少交通事故方面的可靠性，而現有的自動駕駛汽車至少要幾十年甚至幾百年才能達到這麼多測試裡程。如果要在自動駕駛汽車上市前證明其安全性，這不可能做到。