谷歌、Facebook等公司一直在探索深度学习新理论，旨在让神经网络可以更深、更窄。深度学习是人工智能的一个分支，它使用神经网络来模拟人类的学习过程，从而实现各种任务，如图像识别、语音识别、自然语言处理等。
在深度学习中，神经网络的深度和宽度对于性能至关重要。较深的网络通常可以学习更抽象、更复杂的特征，从而在许多任务上获得更好的表现。而较宽的网络则可以提供更多的模型参数，从而在训练过程中更容易找到最优解。
然而，更深、更宽的神经网络也面临着一些挑战，如梯度消失、计算资源限制等。为了克服这些挑战，谷歌、Facebook等公司正在研究各种新理论和算法。
例如，谷歌在2017年提出了一种名为“Residual Network”的深度学习结构，它可以让神经网络无限深，同时避免梯度消失问题。Facebook则在2018年提出了一种名为“Adaptive Input Representations”的算法，它可以让神经网络无限窄，同时保持性能不变。
此外，谷歌、Facebook等公司还在研究其他深度学习新理论，如“自适应神经网络”、“基于元学习的深度学习”等，这些理论都旨在让神经网络更加灵活、高效、可靠。