机器学习开端迸发现已四五年，这个概念越来越盛行，不只造成了一批创业公司的呈现，还对大型科技公司造成了影响，纷繁使用机器学习进行自我改造，媒体也对机器学习进行了许多的报导，学术界也在进行相关研讨。机器学习能够说是下一个大事件（Next Big Thing）。
咱们对机器学习的了解基本上都停留在理论层面上，机器学习和神经网络有关，与模型和数据有关。机器学习处理了一些曾经“电脑无法做到，但人做起来十分简略”的问题，或许“人很难向电脑描绘”的工作。此外，咱们还看到了一些很帅的（或令人担忧的，取决于你怎么看）演和解视觉演示。
机器学习终究意味着什么，咱们还没有一个清晰的答案：机器学习对科技企业或更广泛的公司来说意味着什么？它将带来什么新事物？机器学习对咱们每个人来说意味着什么？它能够处理什么重要的问题？
人工智能这个归于对咱们了解这一切并没有什么协助，说到人工智能，咱们的评论往往就跑偏了，咱们一说人工智能的时分，就像电影《2001太空周游》中的黑色石碑呈现了相同，咱们就像电影中的猿人，尖叫着手足无措，彻底无法了解。
有一堆对了解机器学习毫无总用的议论方法：
或许，与此比较，更有用的论题可能是：
为什么是联系数据库？这是一个新的根底支撑层，改动了核算的才能。在联系数据库呈现之前，假如你想让数据库显现“一切购买这种产品并居住在这个城市的客户”，一般需求定制一个工程项目。数据库的结构不行以使任何随意的穿插引证查询。假如你想问一个问题，有必要有人往来不断构建它。数据库是记载保存的体系；联系数据库的呈现，将其转变为商业智能体系。
这改动了数据库的一些重要用处，发明了新的用例和价值数十亿美元的新公司。联系数据库带来了甲骨文公司，但带来了SAP，SAP等公司带来了全球即时供应链，由此带来了苹果和星巴克。到20世纪90年代，简直一切的企业软件都是联系数据库——PeopleSoft和CRM以及SuccessFactors，还有数十个相似的软件都运行在联系数据库上。没有会说由于甲骨文具有一切的数据库，所以SuccessFactors或Salesforce永久不会成功。相反的是，联系数据库技能成为了一个支撑层，成为了一切公司的一部分。
这是考虑机器学习的一个好的方法。机器学习是一个过程，改动人类用核算机做的工作。它将是不同公司不同产品的一部分。终究，简直一切的东西里都会有机器学习，没有人会介意它们的存在。
虽然联系数据库具有规模经济效应，但网络效应或“赢家通吃”效应十分有限。机器学习是根据数据的，可是数据不是通用的，也是根据特定的使用。更多的手写数据将会使手写辨认更好，更多的燃气轮机数据也将使猜测燃气轮机毛病的体系更好，但一个使用的数据对另一个使用没有协助。数据是不行代替的。
这就机器学习时最常见的误解，机器学习不是单一、通用的东西，谷歌或微软各自有各自的路途，谷歌“有许多的数据”；IBM有技能渠道技能沃森。
这种视角是过错的：在自动化的每一波浪潮中，咱们都梦想咱们正在发明一些拟人的或许具有通用智能的东西。在上世纪20、30年代，咱们梦想未来钢铁机器人会拿着锤子在工厂里走来走去，在50年代，咱们梦想人形机器人在厨房里做家务。但现在咱们并没有机器仆人，咱们有清洗的机器。
清洗机器也是机器人，但它不是“智能的”。它不知道什么是水，什么是衣服。并且，即使是在笔直的清洗范畴，它也不是通用的，你不能用洗衣机洗碗，也不能用洗碗机洗衣服。相同，机器学习能够让咱们处理核算机曾经无法有用处理的问题，但每一个问题都需求不同的完成方法、不同的数据、不同的途径，并且往往需求不同的公司。它们都是自动化的一部分。每个都是不同的清洗机器。
因而，议论机器学习的正确方法，就是在机械解说和对通用人工智能的梦想之间找到平衡。机器学习不会发明通用人工智能，但也不只仅是统计数字。
关于机器学习，一家一般的公司应该怎么做呢？正如前不久美国一家媒体公司对我所说:“咱们知道能够用机器学习来索引十年来咱们采访运动员的视频，可是索引来干嘛呢？”
关于一家公司来说，机器学习中用于实践用处的部分是什么？我以为有两套东西能够协助考虑。首先是从一系列数据类型和问题类型的视点：
我以为剖析影像是最令人兴奋的。曾经核算机能处理文字和数字，而现在核算机能够像“阅览”相同了解图画和视频。图画传感器(和麦克风)变成了一种全新的输入机制，今日看起来不像核算机视觉方面的问题都将变成核算机视觉方面的问题。
机器学习不只能找到人类现已能辨认的东西，并且能找到人类无法辨认的东西，最好的比如是Deepmind 的 AlphaGo。AlphaGo并不像国际象棋核算机那样下棋，而是经过顺次剖析一切可能的状况。
我访问了许多大公司，了解它们的技能需求，一般有一些十分显着的的机器学习效果。有许多清楚明了的剖析和优化问题，还有许多图画辨认问题或音频剖析问题。
相同，咱们议论自动驾驶轿车和混合实际的仅有原因是由于机器学习能使它们成为可能，机器学习为轿车供给了一条途径，去了解周围状况和人类驾驶员可能会做什么，假如我正在戴一副能够显现任何东西的眼镜，这就会为混合实际供给了一条了解我应该看到什么的途径。但这些公司的相关人员往往会停下来问，“还有什么呢？”机器学习还能完成哪些其他功用，以及它将发现哪些未知数？咱们大约还有10到15年的时刻去见证未来的改变。
——————【THE END】——————
内容来历 腾股创投
图片来历 腾股创投
修改 / 财富君
