不管是神經網絡還是基本的決策樹，亦或是向量機，最根本的算法選擇原則還是能夠解決問題。很多產品處理都使用了熱門的遞歸神經網絡算法，但是如果能用簡單的預設邏輯，貝葉斯算法以及向量機等可以達到很好的效果，也沒有必要本末倒置。深度神經網絡很可能成為未來解決人工智能問題的通用算法，但是神經網絡所需要的大量數據制備整理也是曠日費時。神經網絡相較于其他機器學習算法更像是用應用前的大量數據凈化時間和訓練時間來換取使用時的快速計算。
各種算法的性能比較，神經網絡并不是最優(yōu)解。數據來源：（人工智能，Stuart-Russel）
這里羅列些常用的機器學習算法，由于過于枯燥不做具體展開。以間隔理論分布為基礎：聚類分析和模式識別，人工神經網絡，決策樹，感知器，支持向量機，集成學習AdaBoost，降維與度量學習，聚類，貝葉斯分類器。
以構造條件概率為基礎：回歸分析和統(tǒng)計分類，高斯過程回歸，線性判別分析，最近鄰居法，徑向基函數核。
以概率圖模型為基礎：包括貝葉斯網和Markov隨機場
近似推斷技術：馬爾可夫鏈，蒙特卡羅方法（AlphaGo也用到該算法），變分法。
為何人工智能科學家提出了如此之多的方法？其實答案很簡單，沒有任何一種方法可以在任何場景中達到最優(yōu)解。神經網絡火了，并不意味著未來人工智能就完全走向單一方向。神經網絡配以其他方法輔助可能是更明智的選擇。
人工智能的變現難題
吳恩達2014年被百度招徠至麾下，百度開始了人工智能時代。你可以說百度一直在模仿谷歌，但是在人工智能這件事上，百度真的是挖來了谷歌大腦的核心人物。吳恩達在百度的3年時間里發(fā)表了近20篇論文，每項成果要么融入百度的已有產品線，要么依據成果成立一家初創(chuàng)公司。從吳恩達回到百度第一個開發(fā)的醫(yī)療問診機器人到最近推出的語音識別開發(fā)平臺的喚醒二期產品，百度在人工智能領域的進步有目共睹，雖然沒有Deepmind般驚世駭俗，但也成為業(yè)界執(zhí)牛耳者。
如今借著AlphaGo的東風，各種人工智能公司如雨后春筍般出現。不僅各種大數據公司搖身一變成為AI先鋒，就連依靠數據挖掘的媒體公司今日頭條也對外宣稱自己是一家人工智能公司。從外面看人工智能好似一座寶島，萬人爭過獨木橋只為在島上掘出什么寶貝來。但是橫亙在所有人工智能公司面前的最大問題就是如何變現?；氐浆F實層面，這座島上既沒有金子，也沒有銀子，看起來連塊像樣的石頭都沒有。
就拿百度舉個例子，吳恩達算是人工智能屆圖片識別領域的權威，然而恩達同志從未有過將產品商業(yè)化的成功案例。斯坦福做教授時靠學校養(yǎng)著，谷歌大腦期間當然由廣告商養(yǎng)著，從來沒有任何變現壓力。來到百度之后，當然產品化節(jié)奏有所加快，但也只能是被養(yǎng)著的節(jié)奏。比如2015年就已經推出的百度問診機器人，推廣上遇到的問題還不算是問題，本來靠著百度那一套問診和賣藥的邏輯應該有著不錯的前景，但是去年的魏則西事件基本將百度靠醫(yī)療暴力變現的邏輯徹底粉碎。于是，醫(yī)療事業(yè)部變成百度醫(yī)療大腦，問診機器人產品也只能成為雞肋。當然，百度的一些語音產品在技術層面還是有著很好的toB前景的，但這種前景相比百度的體量和對人工智能的付出，前景也不可能變成錢景。
開復同志說的好，AI創(chuàng)業(yè)的核心是人工智能科學家，但還要有一群懂變現的人圍在旁邊。這個事本身很困難，因為要把兩群完全不同思維，而且成天價值觀不一樣每天打架的人放在一起。目前至少國內的風格是喜歡挖各種名校教授，有的基本不會編程，論文代碼都是下面學生實現的。本來人工智能變現就難，你還弄了一群不行就回學校教書的人那變現就好似天方夜談。