关于机器学习，你所知道的，可能都是错的

举例来说，我们的投资公司 Instacart 就打造了一套系统，专门用来优化个人买家通过分散渠道进行投资的路径。这套系统直接将效率提升了 50%，而且开发团队只有三名工程师（用了谷歌的开源工具）。

2. 同时，机器学习还能让你在数据中找到新问题的答案。举例来说，一位正在为打官司做准备的律师可以搜索到包含“愤怒”、“忧虑”或“反常”意味的邮件，这样就比单纯的关键词搜索高效多了。

3. 机器学习打开了新大门，给了我们可以分析的新数据类型。从前计算机无法真正的读懂音频、图像或视频，但未来这一切都有可能成真。

在这三种数据类型中，我发现图像最有趣。计算机诞生伊始，就能处理文本和数字，但图像和视频却是它们的软肋，现在它们不但能读，还能看了。这就意味着图像传感器和麦克风成了一种全新的输入机制，它们摄像头的属性被机读数据流生成器属性盖过。所有的事都会成为计算视觉问题，但这里的计算视觉问题又与当下的计算视觉问题有所不同。

这又与识别“猫片”无关。最近我参观了一家汽车座椅供应商，它们就在自家的廉价 DSP 芯片中灌入了神经网络，而与其配合的则是廉价的智能手机图像传感器。它们搭建这套系统，是为了查找座椅织物中的褶皱。将这套系统称为“人工智能”有些言过其实了，它只不过是将某种此前无法自动化的任务自动化了而已。

这种自动化的感觉是我们思考有关机器学习问题的第二种工具。对人来说，找找织物中的褶皱可用不了二十年的经验积累，因为它太简单了。事实上，我的同事就认为，那些无论如何训练，狗狗都学不会的能力，机器学习都能掌握。这有益于我们思考有关 AI 偏见的问题，但还是有自己的局限性。因为狗狗可没有一般智力和常识，而神经网络可不同。吴恩达就指出，机器学习能在一秒钟之内学走你的能力。

五年之前，如果你给计算机一堆图片来辨认，它们能做的只是区分这些图片的尺寸，而十岁的小孩很轻松就能分辨出照片中的男人和女人，而十五岁的小孩则能看出照片里的面孔酷不酷，而再长大几岁去实习时，人甚至能看出照片中的隐晦的意味。有了机器学习后，计算机的能力马上就提升到十岁孩子的级别，它们甚至能冲击下十五岁的智商。机器学习可能永远达不到实习生的水平，但如果你手上有 100 万个十五岁孩子来保管数据呢？你会命令他们做什么？听什么电话？看什么图片？审查什么文件或信用卡支付呢？

换言之，机器学习不需要成为拥有几十年经验的“老司机”，我们也不是要让专家成为自动化的“牺牲品”。相反，我们对机器学习的主要要求是“接听所有电话并挑出那些生气的人”，“阅读所有邮件并找出那些满是焦虑的邮件”，“看遍成千上万张照片并找到那些照片中的炫酷人类”。

在某种意义上，这就是自动化的惯例。Excel 没给我们人工会计员，PS 也没给我们人工图片设计师。相反，我们大规模自动化了离散的任务。

在某些领域，机器学习可能找不到人类已经认识到的东西，但它们却能找到我们认识不到的或者范式、推论或暗示，就像 Deepmind 的 AlphaGo 那样。AlphaGo 并不会像围棋运动员那样下棋，而是先学会规则随后进行不断的左右互搏。如果机器学习充当着实习生的角色，它们不会一开始就告诉你某张照片很好看，而是在看到第三百万张图片时，发现其中的范式。那么，到底哪个领域小到让我们能告诉机器学习系统具体的规则，以便它们能在数据中挖掘出新的成果呢？

我花了很多时间遍访各家公司以寻找它们的技术需求，在机器学习上显然它们已经有许多即将成熟的果实。