深度學習使得這一瓶頸得到突破，這一學習方法簡單來說就是通過多層、多個計算算子進行分析，從而可以建立足夠復雜的模型，以提高數據分析能力。這種方法也被稱為神經網絡，因為每個算子就像神經一樣微小而彼此相連，當然這一科學本身并沒有仿生學的意義，只是僅僅看上去與神經相類似而已。在這種學習方法下，更大的數據量通常可以帶來更高的精度，而且還存在精度從量變到質變提升的可能，因此數據科學家們對數據的需求也突然增大，大數據科學也因此應運而生。

無論怎么說，隨著深度學習的快速發展，大數據應該只是僅僅拉開了幕布一角，遠沒有到全面降臨的時刻。而隨著深度學習、人工智能（后者往往是以前者為基礎的）的快速發展，對數據需求的量級也會越來越多，到那時，可能才是真正的“大數據時代”

“大數據”與其說是過時了，倒不如說還沒有真正開始。只要摩爾定律還在生效，每過18個月電子技術就要翻一番的話，那么大數據時代就只能在路上。這是因為，隨著計算技術的不斷進步，VPS，存儲成本的不斷降低，人們有越來越多的資本去收集更多的數據，進行更顆粒化的分析。然而，在傳統的數據分析中，當數據量大到一定的程度時，分析結果就不會進一步優化了。

對深度學習的詬病之一，服務器租用 免備案服務器，是由于模型開始復雜起來，人們沒有辦法再像一條直線那樣容易理解機器分類的標準規范。當存在理解的黑洞時，機器學習在一部分人眼中也就成了巫術。比如，給模型提供一批好的作文和不那么好的作文，經過學習，機器可以對新的作文進行評分，這些評分僅僅是根據前面提供的素材學習而來的,但是機器無法給出詳細的評分理由，這就讓結果的信任度大打折扣。不過，近來有關于深度學習算法原理的解釋，這可能是把深度學習從“巫術”變成有理論支撐的科學的第一步。

舉一個最簡單的線形分類的例子，對于平面上一堆被零散放置的兩種球（紅球和藍球），通過畫一條直線盡可能好的將兩類球分開，然后對于新的放進來的球（可能被包起來），單憑直線的劃分去判斷新球的顏色。很容易就可以看出，由于我們分類的模型相當簡單（只有一條直線），那么海量的數據可能對于提升模型精度的意義不是太大，這也是傳統數據科學遇到的問題。機器學習（數據科學主要的分析手段）方法遇到的主要瓶頸也在這里，在這種情況下，更多的數據是沒有更大意義的。