應用機械智能處置異常龐雜的成績現在曾經又非常尺度的流程。起首須要搜集非常巨量的練習數據，數據量的年夜小或許超越了人類感知規模；隨后對數據停止預處置，使得個中包括的關系可以較為輕易的停止處置（構造化和特點工程）。最初，將這些數據喂到高機能的并行盤算機中并應用各類尺度的機械進修算法來停止處置，包含邏輯回歸、深度神經收集、k均值聚類…固然名字有點拗口，但重點是這些算法在高質量的開源包中普遍存在的。

　　Google 作為這一范疇的前驅，將機械智能用于告白投放、機械翻譯、渣滓郵件過濾和Youtube上的視頻推舉，乃至運用到了今朝的主動駕駛汽車中去，發明了數十億美元的價值。

　　Google使人驚奇的勝利，不只在于其完成的范圍和多樣性，更在于將傳統聰明與人工智能與機械進修范疇停止聯合后所迸發出的驚人力氣。許多聰慧人當心求證并論證若何樹立AI的實際再一次被證實是錯的（這在汗青上不止一次的產生）。

　　從而人們開端留意到數據有用性中不公道的方面：經由過程對一簡略的模子供應宏大的數據將傳統的經歷實際完成方法壓得破碎摧毀，而這些辦法在年夜數據之前是世界處置這類成績的重要手腕。

　　在許多現實情形中，Google將許多曾被以為須要強AI能力處理的成績勝利的經由過程聯合人類聰明和弱AI得以處理，應用新的婚配的輸出代替上文提到的宏大數據。而這一點金術的魔力來自于年夜型的中間化云辦事的出生。

　　現在谷歌在這一偏向走得更遠，他們提出了一個巨大的公司任務：重構世界的信息，并讓信息的接入無處不在施展感化。它勝利的將收集世界中的規矩和能夠性遷徙到了我們實際生涯的物理世界中來。這一切都反應在其機械進修和人工智能的完成重。

　　我們不由要問這豈非就是AI獨一可行的門路嗎？谷歌和其他技巧巨子都在猖狂的購置AI和機械人公司，體系的向機械進修能帶來更高競爭力的利于轉型并雇傭了年夜批的機械進修專家，他們似乎想要表達游戲曾經停止了。然則在這一切的面前是我們知之甚少的年夜量未地下的研討籌劃，我們仍然可以悲觀了做出假定，這一范疇仍然有許多偏向充斥機遇，至多沒無形成壟斷的格式。

　　筆者以為這些偏向具有上面三個方面的特點：

　　1. 數據集范圍自己就很小，進一步搜集數據要末會觸碰著司法紅線，要末須要昂揚的本錢，乃至進一步搜集數據是弗成能的。但須要留意一條下限：有的時刻數據搜集的僅僅只須要期待適合的投資和盡力，例如將地圖車開到地球每個角落的年夜街冷巷。

　　2. 不消龐雜精準的模子就沒法停止說明的數據。固然個中表示出的數據有用性可以由年夜數據下一年夜堆模子的簡略統計盤算便可以獲得。

　　3. 因為司法、政治、合一致緣由沒法從用戶和客戶上收集的數據。這形成了許多小數據而不是年夜數據的成績。

　　基因數據就具有上述1、2兩個特點。將基因序列稱為小數據你能夠會覺得奇異，但你須要明確，地球上只要幾十億人，每小我都攜帶有幾十億的編碼。這意味著年夜多半基因（包含許多完善的基因）我們將永久沒無機會不雅測到。另外一方面，我們依據收集到的數據，來對如斯豐碩的編碼剖析出的形式極可能會見臨過擬合的毛病。

　　全基因組聯系關系剖析獲得了這個使人掉望的成果，但關于基因序列絕對直接的統計學剖析代表了第一次經由過程基因辨認和猜測疾病的盡力，這也強化了這一范疇須要更多關于細胞關于基因變更的轉錄和翻譯機制常識的協作需求。

　　另外一個風趣的例子是關于在未知情況中的感知和主動導航的內容。谷歌今朝的無人車是經由過程預置的高精度地圖來贊助它停止定位和導航的。

　　沒有事后的信息，機械人將會完整迷掉在喧嘩的世界中。將來將會有不計其數的主動駕駛汽車和機械人進入我們的生涯，他們中的年夜多半都須要一套可以及時停止感知和定位的體系來贊助他們任務。但假如將主動駕駛裝備放到一個它完整沒有到過的處所（就像火星車一樣），或是面臨敏捷變更乃至與靜態地圖完整相反的情況，機械人將為怎樣樣呢？我們須要明確，在真實世界中，有許多處所是弗成丈量或許谷歌的無人車沒法隨意馬虎進入的。

　　其他的例子包含經由過程地下數據和財報來解讀和猜測公司的表示（第一和第二種特點）；直接經由過程傳感器數據來懂得制作業或許其他貿易流程，并提出改良建議（第二第三種特點）；經由過程真實信息停止優化和決議計劃，這個范疇還遠遠沒有成熟（以上三種特點都有）。

　　這個范疇還有很長的路要走，然則我確切在個中看到了一些機遇。這其實不是這些年夜公司不克不及夠研發這方面的運用，而是由于這些成績與這些公司根深蒂固的文明、組織構造和現有的才能不婚配，才使得更多的市場介入者有了成長和提高的空間。這將恰是AI范疇未被挖掘的新機遇！