即便有了TensorFlow或OpenAI等人工智能框架的支持，相比主流網(wǎng)頁開發(fā)人員，人工智能仍然需要深層知識和理解。如果你已經(jīng)建立了一個工作原型，你就可能是這個房間里最聰明的人。恭喜你，你成了高級俱樂部的成員。
在Kaggle上，你甚至可以通過解決現(xiàn)實世界的項目賺到可觀的收益。總而言之，這工作不錯，但光憑它是否足以讓你創(chuàng)辦一家企業(yè)？畢竟，你不可能改變市場機制。從商業(yè)角度來看，人工智能只是現(xiàn)有問題的另一種實施方式。客戶并不關(guān)心采取怎樣的實施方式，他們只關(guān)心結(jié)果。這意味著你不能僅僅通過人工智能來坐享其成。蜜月期結(jié)束后，你必須要創(chuàng)造價值。從長遠來看，只有客戶才最重要。
雖然你的客戶可能并不關(guān)心人工智能，但風(fēng)投對此很關(guān)心。新聞媒體也同樣關(guān)注。很多行業(yè)都是如此。這種關(guān)注度上的差異可能會給創(chuàng)業(yè)公司制造一個危險的現(xiàn)實扭曲力場。但你不要被騙了：除非你創(chuàng)造了通用的多用途人工智能，否則就沒有免費的午餐。即使你是風(fēng)投的寵兒，你也必須為你的客戶走到終點。因此，讓我們也當一回駕駛員，看看我們?nèi)绾螢槲磥淼膱鼍白鰷蕚洹?/p>
“主流人工智能列車”
人工智能似乎與其他大趨勢不同，比如區(qū)塊鏈、物聯(lián)網(wǎng)、金融科技等。當然，它的未來是不可預(yù)測的。但幾乎所有技術(shù)都是如此。不同之處在于，我們作為一個人的價值主張似乎正處于危險之中——不只是其他行業(yè)。我們作為決策者和創(chuàng)意者的價值正在被重新評估。這引起了人們的情感反應(yīng)。我們不知道如何定位自己。
基礎(chǔ)技術(shù)的數(shù)量非常有限，大部分都可以歸類為“深度學(xué)習(xí)”，這構(gòu)成了幾乎所有應(yīng)用的基礎(chǔ)：卷積神經(jīng)網(wǎng)絡(luò)、長短時記憶網(wǎng)絡(luò)、自動編碼器、隨機森林、梯度增強技術(shù)，以及少數(shù)其他應(yīng)用。
人工智能還提供了許多其他的方法，但這些核心機制最近已經(jīng)取得了壓倒性的成功。大多數(shù)研究人員認為，人工智能技術(shù)的進步將來自于這些技術(shù)的改進（而不是那些與之有本質(zhì)區(qū)別的方法）。出于以上原因，我們可以把這稱為“主流人工智能研究”。
任何真實的世界解決方案都由這些核心算法和非人工智能外形組成，來準備和處理數(shù)據(jù)（例如數(shù)據(jù)準備、功能工程、環(huán)境建模）。人工智能這一部分的改進往往會讓非人工智能的部分變得多余。這是人工智能的本質(zhì)，也幾乎是它的定義——讓解決特定問題的方法過時。但是，這種非人工智能的部分通常是以人工智能為驅(qū)動的公司真正的盈利來源。這是他們的秘密武器。
人工智能的每一個改進，都使得這種競爭優(yōu)勢更有可能開源，而且每個人都可以使用。但也會帶來災(zāi)難性的后果。就像弗雷德里克？耶利內(nèi)克曾經(jīng)說過的：“每次我解雇一位語言學(xué)家，語音識別器的性能就會提升。”
機器學(xué)習(xí)基本上已經(jīng)引入了下一階段的裁員：代碼被簡化為數(shù)據(jù)。幾乎所有基于模型、概率和規(guī)則的識別技術(shù)都是在2010年被深度學(xué)習(xí)算法淘汰。
現(xiàn)在只要用幾百行腳本（加上相當數(shù)量的數(shù)據(jù)）就能打敗領(lǐng)域?qū)I(yè)知識、功能建模以及成千上萬行代碼。正如上面所提到的：這意味著，在主流人工智能列車的軌道上，專有代碼不再是一種可防御的資產(chǎn)。
重大貢獻極其罕見。真正的突破或新進展，甚至是基本組成部分的新組合，這些只有非常有限的研究人員才有可能做到。正如你可能想到的那樣，這個內(nèi)部圈子的規(guī)模要小得多（開發(fā)者人數(shù)肯定少于100）。
這是為什么呢？也許這根植于它的核心算法：反向傳播。幾乎每一個神經(jīng)網(wǎng)絡(luò)都是通過這種方法訓(xùn)練的。最簡單的反向傳播形式可以在第一個學(xué)期的微積分課程中學(xué)到，完全不復(fù)雜（——但也不是小學(xué)水平的知識）。雖然這似乎很簡單——或者可能是出于這個原因——在50多年豐富多彩的歷史中，只有少數(shù)人能看到難點所在并質(zhì)疑其主要架構(gòu)。
如果反向傳播能像今天這樣具有可見性，我們的成就可能會比現(xiàn)在的階段領(lǐng)先10年（計算能力除外）。
從70年代的普通神經(jīng)網(wǎng)絡(luò)到再循環(huán)網(wǎng)絡(luò)，到今天的長短期記憶網(wǎng)絡(luò)，都震動了人工智能領(lǐng)域。并且，它還只需要幾十行代碼！數(shù)代學(xué)生和研究人員經(jīng)過數(shù)學(xué)計算，計算出了梯度下降法，證明了它的正確性。但最后，大多數(shù)人點了點頭，說“這只是一種優(yōu)化形式”便繼續(xù)努力。分析理解是不夠的。你需要某種形式的“發(fā)明家直覺”來使之與眾不同。