在关于深度学习的段落中，羽生先生以传话游戏的比喻解释它的原理。在这里，我想向大家更详细地介绍一下这种算法。
人类的大脑在受到刺激后，脑内大量的神经细胞（神经元）会相互联系——增强或减弱联系——来进行信息的传递和处理。而且，神经元的联系并非一对一，而是多对多。也就是说，神经元的出入口都是由复数个通路连接的，是一个名副其实的网络。
例如，电子信号通过多个通路进入一个神经元，该信号的合计数量超过一定的数值（阙值）后，神经元就会兴奋起来，将信号传给另一个神经元。如果无法超过该阙值，神经元就不会传输信息，信息的传递就会停止。此外，从某个神经元的输入结合度会很高，电子信号强度也很高，但来自其他神经元的输入信号则不是这样——这是神经元根据经验形成（学习）的一种“权重”，用以调节信号通度的难易度。
支撑深度学习的神经网络，正是根据人类大脑的网络结构获得的灵感。例如，让人工智能识别手写的日文平假名“あ”。因为是手写体，所以不同的人写出的文字形状各不相同，有些会被人工智能识别成“あ”，有些则可能会被误认为是日文平假名“め”。这时候，我们就可以认为是网络的某处出了问题。“逆推”神经回路究竟是在哪个地方产生了较大误差后，调整相关结合处的“权重”来修改信息通过的难易度（其中也包括了权重设置为零，停止传递信息），说不定人工智能就能顺利地进行识别了。就像羽生先生在说明中用的传话游戏的比方一样，当发生误传的时候，就去寻找源头，去除传错话的人，并让游戏重新开始。
发生识别错误时，从结果回溯逆推，即让信号逆流，自动地改变可能有问题的节点的“权重”。这样重复若干次之后，识别的精度就会提高。这就是误差反向传播算法，对此加以优化，就是深度学习了。
