盡管斯蒂芬·霍金（Stephen Hawking）和埃倫·穆斯克（Elon Musk）都曾經發出警告，但是與人類為敵的人工智能并不會很快出現并毀滅世界。不過，有一點是可以肯定的，那就是人工智能，即深度學習和機器智能的實際應用將繼續取得進展。科技行業的每個角落都在流傳，大數據的最大組成部分（也是非結構化的那部分）擁有可學習模式，而我們現在擁有計算能力和算法可對其進行識別——并且是在很短的時間內完成。

這項技術帶來的影響將會改變每個行業的經濟狀況。此外，雖然機器學習和數據科學相關人才的市場價值迅速攀升，但大多數人力資源的價值將會急劇下降。這種變化標志著一種真正的顛覆，可以創造財富。而這也會帶來巨大的社會效應，更多快速實現盈利的深度學習創業公司在世界各地（尤其是在舊金山）涌現，它們需要的創造型人才和投資也水漲船高。

舊金山創投基金BloombergBETA的投資者希凡·澤莉斯（Shivon Zilis）制作了下面的圖表，她將之稱為機器智能版圖。BloombergBETA特別專注于“那些改變職場大環境的公司”，因此這類自動化技術是其關注的重要領域。澤莉斯解釋說：“我制作這幅版圖是為了把創業公司放到環境中審視。我是一名以理論為導向的投資者，在版圖經過分類整理后，我們就更加容易看出公司扎堆的領域以及空白地帶。”

希凡·澤莉斯制作的機器智能版圖

這幅版圖的特別之處在于它的排布方式。位于頂部的核心技術，它們為下面的應用提供驅動。諸如谷歌（Google）、IBM、微軟（Microsoft）以及Facebook等美國大公司以及中國的百度，它們都是核心技術的代表。這些公司（尤其是谷歌）同樣也是核心創業公司的主要收購者。很多自稱從事人工智能、深度學習或機器學習的公司，它們致力于研發能夠支持多種類型應用的通用算法。而其他一些公司則擅長自然語言處理、預測、圖像識別以及語音識別。

對那些正在重新思考企業流程（比如銷售、營銷、安全或是招聘）的公司來說，或者是對其他正在改造行業垂直市場的公司而言，可供選擇授權使用的技術令人目不暇接。就像開源數據科學工具包（Data Science Toolkit）創造者皮特·沃登（Pete Warden）在最近一篇關于深度學習的文章中所說的，“我們用來開發……以及訓練網絡的工具沒有理由在生產中被用來執行它們。”進入2015年之后，我們會看到這些研究成果被轉化為實際應用，進一步在普通人中得到使用。“我還認為，最終，開發模型的研究導向人群只是少數，”沃登繼續說，“更多的是對這些模型進行應用的開發者，他們對暗箱之中的工作原理并不怎么了解。”

這些公司將需要更多的人才，他們要能創建、迭代和調試深度學習以及其他類型的機器學習模型。這些公司還將需要規模更大的開發者和設計師隊伍，在屏幕設備上創建可用的體驗，讓所有這些人工智能得以執行。大公司有望成為這里的大贏家，它們顯然擁有吸引和獲取這些人才的資源。更關鍵的是，大公司擁有大數據，并跟大量用戶建立起了長期關系。在機器學習當中，限制性因素往往是數據的質量和數量，而不是算法的智能程度。

那么包括蘋果、谷歌、微軟和IBM在內的大公司，它們最關注什么呢？沒錯，是移動領域，正如澤莉斯指出的，“在移動領域勝出將需要大量的機器智能。”如今，Siri和Google Now能夠在移動端對高度情境化的語音交互做出響應。像亞馬遜（Amazon）FireFly那樣的可視化搜索包含基于地理位置的模式識別來創建一種良好的使用體驗。目前，深度學習之所以能引起人們的熱情，是因為這類問題現在可以用數分鐘或數天得到解決，而不是過去的數年時間。

杰里米·霍華德（Jeremy Howard）是深度學習最熱情的支持者之一，他現在是醫療診斷創業公司Enlitic的創始人兼首席執行官。霍華德之前曾擔任Kaggle的總裁兼首席科學家，這是一個面向機器學習競賽的開放平臺。值得注意的是，霍華德聲稱之前并沒有醫療行業的從業經驗。深度學習的一大賣點就是，它是一種通用技術，創建有效的解決方案并不需要廣泛的相關領域知識。在最近TEDxBrussels活動上發表的演講中（參見視頻），霍華德講述了機器學習的發展歷史。他還解釋了目前機器學習如何能夠提供各種各樣的服務，發達國家80%的就業人口都從事與此相關的工作。

不要覺得霍華德和其他深度學習從業者是一心想統治世界的無情技術控，這個領域其實也有著積極的人性化的一面。吸引霍華德進入醫療診斷領域的原因之一就是這類服務存在巨大的市場需求。目前，在向大多數人口提供足夠的醫療保健服務方面，發展中國家經過培訓的醫生只有所需數量的不到十分之一。而使用目前的方法來培訓所需數量的醫生則要耗時300年！

從廣義上講，機器智能是一組將會解決一些問題并引發其他一些問題的技術。在如今所開發的所有企業流程和行業應用當中，我們并不清楚真正的“殺手級應用”會是什么。就像杰夫·霍金斯（Jeff Hawkins）最近在接受科技博客記者GigaOM德里克·哈里斯（Derrick Harris）采訪時所說的，“從歷史經驗來看，那些顯眼的應用成不了殺手級應用……殺手級應用往往是出人意料的，沒有人預見它們的到來。”霍金斯是Palm Pilot的創造者，他現在是人工智能公司Numenta的首席執行官。

Numenta本身就與深度學習熱形成了一個對比，可以幫助我們理解。雖然深度學習使用了神經網絡，但霍金斯表示，Numenta的方法更接近于大腦的運作方式。區別在于，Numenta的方法使用了分層式即時記憶（Hierarchical Temporal Memory），可以識別時間模式以及計算空間。該公司使用這種技術的第一款商業產品是Gork，它被用于檢測服務器以及亞馬遜網絡服務（AWS）上應用的異常現象。

當霍金斯談到大腦時，他在更精確地描述大腦皮質，這是高層次人類能力的核心。而自上世紀40年代以來一直在開發的神經網絡只是跟大腦的實際工作方式松散相關。事實上，機器智能從業者開發的皮質架構和人類進化得到的更復雜大腦系統之間還存在著巨大的鴻溝。

機器智能根本就不需要模仿人類的大腦。就像杰里米·霍華德在最近Reddit的一場問答活動（Ask Me Anything）上所說的，“更有趣的問題是：機器可以做什么？而不是‘它們是不是真的智能？’機器‘智能’跟人類智能存在很大的區別，我并不認為這樣的類比有助于事。”通過神經科學和認知心理學，我們可以了解到大腦哪部分系統和回路負責執行哪類任務。

舉例來說，深度學習非常適合于進行問題的分揀和分類，而人類做這些事情的時候根本就意識不到。這類功能就是丹尼爾·卡尼曼（Danial Kahneman）所謂的“系統1”，即思考較快的那部分（直覺判斷系統——譯注）。Numenta的方法強調基于時間的異常現象，它可以說更接近于大腦的威脅檢測系統，即“系統2”，是思考中較慢的那部分（邏輯思維系統——譯注），它負責對新皮層的迅速判斷提出質疑。但這也無妨，它可以在大腦的語言系統中擁有一個更加皮質性的指涉。神經學家丹尼爾·列維京（Daniel Levitin）發現，位于太陽穴邊上的布羅德曼47區（Brodmann area 47）是我們處理對語言和音樂的暫時感知的地方。就像他在《迷戀音樂的腦》（This is Your Brain on Music）這本書中寫到的，音樂帶來的大部分快感跟它處理這些感知的方式有關，音樂常常使用異常讓我們感到歡愉或是讓我們感到暫時沮喪。

需要強調的是，盡管最近機器智能所做的一些展示令人印象深刻，但是要把這項技術轉化為對人們有用的產品，我們還有很多的工作要做。在很大程度上，這與人們對哪些事情可以輕易做到（快速思維）或需要更多的時間（慢速思維）的認識有關。在圖片分類上面，深度學習甚至已經做到比人類更精確（你可以在霍華德的演講視頻中看到有多出色），但它還是無法處理特定的語言任務。很多預測性算法現在已經十分擅長一般情感分析，但是在諷刺以及某些類型的否定和模棱兩可的表達上面仍然力有不逮。

機器智能，尤其是深度學習，將對未來一年的科技行業產生顯著影響。掌握大量數據的大型科技公司將有極大的動力去挖掘這些數據當中蘊藏的價值，因為目前已經有了一種可擴展的方法來做這件事。在另一端，應用開發者將通過吸引人們使用智能手機應用來收集大量數據，因為這些數據現在具有了明顯的價值。機器學習和數據科學人才將繼續從學術機構向谷歌那樣的大公司流動，目的就是為了能使用所有這些數據。在2015年，機器智能不會奪走發達世界國家80%勞動者的飯碗，但它會很快開始弄清如何能實現這個目標。這些技術能夠幫助我們重新定義和使用人類的價值，而實現那些價值我們也將需要用到機器智能。

上一篇：盤點2014改變人們生活的八大教育技術

下一篇：大師之談：科技該如何影響教育？