应用机械智能处置异常庞杂的成绩现在曾经又非常尺度的流程。起首须要搜集非常巨量的练习数据，数据量的年夜小或许超越了人类感知规模；随后对数据停止预处置，使得个中包括的关系可以较为轻易的停止处置（构造化和特点工程）。最初，将这些数据喂到高机能的并行盘算机中并应用各类尺度的机械进修算法来停止处置，包含逻辑回归、深度神经收集、k均值聚类…固然名字有点拗口，但重点是这些算法在高质量的开源包中普遍存在的。
Google 作为这一范畴的前驱，将机械智能用于告白投放、机械翻译、渣滓邮件过滤和Youtube上的视频推举，乃至运用到了今朝的主动驾驶汽车中去，发明了数十亿美元的价值。
Google使人惊奇的胜利，不只在于其完成的范围和多样性，更在于将传统聪明与人工智能与机械进修范畴停止联合后所迸发出的惊人力气。许多聪慧人当心求证并论证若何树立AI的实际再一次被证实是错的（这在汗青上不止一次的产生）。
从而人们开端留意到数据有用性中不公道的方面：经由过程对一简略的模子供应宏大的数据将传统的经历实际完成方法压得破碎摧毁，而这些办法在年夜数据之前是世界处置这类成绩的重要手腕。
在许多现实情形中，Google将许多曾被以为须要强AI能力处理的成绩胜利的经由过程联合人类聪明和弱AI得以处理，应用新的婚配的输出代替上文提到的宏大数据。而这一点金术的魔力来自于年夜型的中间化云办事的出生。
现在谷歌在这一偏向走得更远，他们提出了一个巨大的公司任务：重构世界的信息，并让信息的接入无处不在施展感化。它胜利的将收集世界中的规矩和能够性迁徙到了我们实际生涯的物理世界中来。这一切都反应在其机械进修和人工智能的完成重。
我们不由要问这岂非就是AI独一可行的门路吗？谷歌和其他技巧巨子都在猖狂的购置AI和机械人公司，体系的向机械进修能带来更高竞争力的利于转型并雇佣了年夜批的机械进修专家，他们似乎想要表达游戏曾经停止了。然则在这一切的面前是我们知之甚少的年夜量未地下的研讨筹划，我们仍然可以悲观了做出假定，这一范畴仍然有许多偏向充斥机遇，至多没无形成垄断的格式。
笔者以为这些偏向具有上面三个方面的特点：
1. 数据集范围自己就很小，进一步搜集数据要末会触碰着司法红线，要末须要昂扬的本钱，乃至进一步搜集数据是弗成能的。但须要留意一条下限：有的时刻数据搜集的仅仅只须要期待适合的投资和尽力，例如将地图车开到地球每个角落的年夜街冷巷。
2. 不消庞杂精准的模子就没法停止说明的数据。固然个中表示出的数据有用性可以由年夜数据下一年夜堆模子的简略统计盘算便可以获得。
3. 因为司法、政治、合一致缘由没法从用户和客户上收集的数据。这形成了许多小数据而不是年夜数据的成绩。
基因数据就具有上述1、2两个特点。将基因序列称为小数据你能够会觉得奇异，但你须要明确，地球上只要几十亿人，每小我都携带有几十亿的编码。这意味着年夜多半基因（包含许多完善的基因）我们将永久没无机会不雅测到。另外一方面，我们依据收集到的数据，来对如斯丰硕的编码剖析出的形式极可能会见临过拟合的毛病。
全基因组联系关系剖析获得了这个使人掉望的成果，但关于基因序列绝对直接的统计学剖析代表了第一次经由过程基因辨认和猜测疾病的尽力，这也强化了这一范畴须要更多关于细胞关于基因变更的转录和翻译机制常识的协作需求。
另外一个风趣的例子是关于在未知情况中的感知和主动导航的内容。谷歌今朝的无人车是经由过程预置的高精度地图来赞助它停止定位和导航的。
没有事后的信息，机械人将会完整迷掉在喧哗的世界中。将来将会有不计其数的主动驾驶汽车和机械人进入我们的生涯，他们中的年夜多半都须要一套可以及时停止感知和定位的体系来赞助他们任务。但假如将主动驾驶装备放到一个它完整没有到过的处所（就像火星车一样），或是面临敏捷变更乃至与静态地图完整相反的情况，机械人将为怎样样呢？我们须要明确，在真实世界中，有许多处所是弗成丈量或许谷歌的无人车没法随意马虎进入的。
其他的例子包含经由过程地下数据和财报来解读和猜测公司的表示（第一和第二种特点）；直接经由过程传感器数据来懂得制作业或许其他贸易流程，并提出改良建议（第二第三种特点）；经由过程真实信息停止优化和决议计划，这个范畴还远远没有成熟（以上三种特点都有）。
这个范畴还有很长的路要走，然则我确切在个中看到了一些机遇。这其实不是这些年夜公司不克不及够研发这方面的运用，而是由于这些成绩与这些公司根深蒂固的文明、组织构造和现有的才能不婚配，才使得更多的市场介入者有了成长和提高的空间。这将恰是AI范畴未被挖掘的新机遇！
