全民聊AI的時代，還有這些未開荒的領(lǐng)域等待我們?nèi)ヌ剿靼l(fā)現(xiàn)...
利用機器智能處理非常復雜的問題如今已經(jīng)又十分標準的流程。首先需要收集十分巨量的訓練數(shù)據(jù)，數(shù)據(jù)量的大小也許超出了人類感知范圍；隨后對數(shù)據(jù)進行預(yù)處理，使得其中包含的關(guān)系可以較為容易的進行處理（結(jié)構(gòu)化以及特征工程）。最后，將這些數(shù)據(jù)喂到高性能的并行計算機中并利用各種標準的機器學習算法來進行處理，包括邏輯回歸、深度神經(jīng)網(wǎng)絡(luò)、k均值聚類雖然名字有點拗口，但重點是這些算法在高質(zhì)量的開源包中廣泛存在的。
Google作為這一領(lǐng)域的先驅(qū)，將機器智能用于廣告投放、機器翻譯、垃圾郵件過濾以及Youtube上的視頻推薦，甚至應(yīng)用到了目前的自動駕駛汽車中去，創(chuàng)造了數(shù)十億美元的價值。
Google令人驚訝的成功，不僅在于其實現(xiàn)的規(guī)模和多樣性，更在于將傳統(tǒng)智慧與人工智能與機器學習領(lǐng)域進行結(jié)合后所爆發(fā)出的驚人力量。很多聰明人小心求證并論證如何建立AI的理論再一次被證明是錯的（這在歷史上不止一次的發(fā)生）。
從而人們開始注意到數(shù)據(jù)有效性中不合理的方面：通過對一簡單的模型供給龐大的數(shù)據(jù)將傳統(tǒng)的經(jīng)驗理論實現(xiàn)方式壓得粉碎，而這些方法在大數(shù)據(jù)之前是世界處理這類問題的主要手段。
在很多實際情況中，Google將很多曾被認為需要強AI才能解決的問題成功的通過結(jié)合人類智慧和弱AI得以解決，利用新的匹配的輸入取代上文提到的龐大數(shù)據(jù)。而這一點金術(shù)的魔力來自于大型的中心化云服務(wù)的誕生。
如今谷歌在這一方向走得更遠，他們提出了一個偉大的公司使命：重構(gòu)世界的信息，并讓信息的接入無處不在發(fā)揮作用。它成功的將網(wǎng)絡(luò)世界中的規(guī)則和可能性遷移到了我們現(xiàn)實生活的物理世界中來。這一切都反映在其機器學習和人工智能的實現(xiàn)重。
我們不禁要問這難道就是AI唯一可行的途徑嗎？谷歌和其他技術(shù)巨頭都在瘋狂的購買AI和機器人公司，系統(tǒng)的向機器學習能帶來更高競爭力的利于轉(zhuǎn)型并雇傭了大批的機器學習專家，他們仿佛想要表達游戲已經(jīng)結(jié)束了。但是在這一切的背后是我們知之甚少的大量未公開的研究計劃，我們依然可以樂觀了做出假設(shè)，這一領(lǐng)域依然有很多方向充滿機會，至少沒有形成壟斷的格局。
筆者認為這些方向具有下面三個方面的特征：
1.數(shù)據(jù)集規(guī)模本身就很小，庫卡機器人驅(qū)動器維修，進一步收集數(shù)據(jù)要么會觸碰到法律紅線，要么需要高昂的成本，甚至進一步收集數(shù)據(jù)是不可能的。但需要注意一條上限：有的時候數(shù)據(jù)收集的僅僅只需要等待合適的投資和努力，例如將地圖車開到地球每一個角落的大街小巷。
2.不用復雜精準的模型就無法進行解釋的數(shù)據(jù)。當然其中表現(xiàn)出的數(shù)據(jù)有效性可以由大數(shù)據(jù)下一大堆模型的簡單統(tǒng)計計算就可以得到。
3.由于法律、政治、合同等原因無法從用戶和客戶上采集的數(shù)據(jù)。這造成了很多小數(shù)據(jù)而不是大數(shù)據(jù)的問題。
基因數(shù)據(jù)就具有上述1、2兩個特征。將基因序列稱為小數(shù)據(jù)你可能會感到奇怪，但你需要明白，地球上只有幾十億人，每一個人都攜帶有幾十億的編碼。這意味著大多數(shù)基因（包括很多完美的基因）我們將永遠沒有機會觀測到。另一方面，我們根據(jù)采集到的數(shù)據(jù)，來對如此豐富的編碼分析出的模式很可能會面臨過擬合的錯誤。
全基因組關(guān)聯(lián)分析得到了這個令人失望的結(jié)果，但對于基因序列相對直接的統(tǒng)計學分析代表了第一次通過基因識別和預(yù)測疾病的努力，這也強化了這一領(lǐng)域需要更多關(guān)于細胞對于基因變化的轉(zhuǎn)錄和翻譯機制知識的合作需求。
另一個有趣的例子是關(guān)于在未知環(huán)境中的感知和自動導航的內(nèi)容。谷歌目前的無人車是通過預(yù)置的高精度地圖來幫助它進行定位和導航的。
沒有預(yù)先的信息，機器人將會完全迷失在喧囂的世界中。未來將會有成千上萬的自動駕駛汽車和機器人進入我們的生活，他們中的大多數(shù)都需要一套可以實時進行感知和定位的系統(tǒng)來幫助他們工作。但如果將自動駕駛設(shè)備放到一個它完全沒有到過的地方（就像火星車一樣），或是面對迅速變化甚至與靜態(tài)地圖完全相反的情形，機器人將為怎么樣呢？我們需要明白，機器人維修，在真實世界中，有很多地方是不可測量或者谷歌的無人車無法輕易進入的。
其他的例子包括通過公開數(shù)據(jù)和財報來解讀和預(yù)測公司的表現(xiàn)（第一和第二種特征）；直接通過傳感器數(shù)據(jù)來理解制造業(yè)或者其他商業(yè)流程，并提出改進建議（第二第三種特征）；通過真實信息進行優(yōu)化和決策，這個領(lǐng)域還遠遠沒有成熟（以上三種特征都有）。
這個領(lǐng)域還有很長的路要走，KUKA機器人維修，但是我確實在其中看到了一些機會。這并不是這些大公司不能夠研發(fā)這方面的應(yīng)用，而是因為這些問題與這些公司根深蒂固的文化、組織結(jié)構(gòu)以及現(xiàn)有的能力不匹配，才使得更多的市場參與者有了發(fā)展和進步的空間。這將正是AI領(lǐng)域未被發(fā)掘的新機會！