根据一些公开的信息，我们可以确定的是，目前市场上所看到的产品从技术上讲很多都是第三代 机器人 。第三代机器人虽说已经比较智能，但还是在人给予它的一些规则下运行。
第四代
第四代智能客服机器人是以神经网络为基础，应用了最新的深度学习技术，结合模式识别等技术打造的 智能机器人 。与第三代机器人相比，因为有了深度学习的技术，完全可以打破人工配置的规则，可以有更好的自主学习能力和语义理解能力，包括可以处理更加口语化的问法。
深度学习是什么？这其实和我一开始讲的小故事就联系上了。人工智能领域的很多技术，在很大程度上都受到了生物学、医学、认知神经科学发展的启发。1981年诺贝尔医学奖得主DavidHubel和TorstenWiesel在1958年做的一系列关于“视觉系统的信息处理”的试验发现，视觉信号的处理是分层次的，图像被一层一层抽象，最终被识别。在这两位科学家伟大的发现之后约40年，1995年前后，BrunoOlshausen和DavidField两位学者试图用计算机的方法研究视觉问题。他们通过稀疏编码算法训练机器，让其自主的去提取视觉信号中的特征。计算机算法自主学习后输出的结果与DavidHubel和TorstenWiesel两位科学家生物学试验的结果惊人的相似：视觉特征的提取，都是从最基本的物体边缘开始的。更高级的特征，都可以由一些基本的特征组合而成。这就是对深度学习的一种通俗的理解，即通过算法，让机器自主的学习，提取特征；并训练机器形成更深层次的特征。输入的信号被一层层的特征抽象、表达；随着层次的深入，这种表达在不断的变换；不断的迭代抽象，信号被刻画的更加准确。
对于深度学习来说，他的特点就如他的名称一样，需要堆叠更多的特征层次。一般来说，层数越多，输入的数据量越大，学习能力越强，特征描述越准确。但是这就会对计算能力带来很高的要求。这也是为什么机器学习、神经网络的概念早就有了，而深度学习在10年前才被提出来。这和硬件设备的发展有很大关系。当然，特征层次也不是越多越好，这里说的更多的层次是相对于传统的神经网络而言的。现实当中，深度学习的实现要结合特定的算法和数据，选择合适的层次。
形象的打个比方，其实深度学习和人的学习有些相近了。深度学习的模型、或者说算法，就是告诉机器一个学习的方法。而他能学到什么东西，这依赖于训练的输入，也就好比是教材。至于他能学到什么水平，那就看训练迭代的层数，这就好比学习的用功程度。
