很少有人會去探討腳趾頭的思想價值，這個無可厚非。

也很少有人會去研究半指數函式，但這就不對了，應該有更多的人加入進來才對。

人們經常談論的是大爺式佔座或奧斯卡頒獎典禮上明星的穿著。很多人都對這類話題感興趣，但其實不應該。

也有一些事情，像第二次世界大戰、全球變暖、黑洞或機器學習等，人們對其津津樂道，因為他們本來就應該關心這些事情。

對於第四類話題，我們很難判斷是否出現了“過度炒作”。我們必須把所有天花亂墜的宣傳和重要且真實的資訊收集起來，才能判斷出宣傳炒作是否蓋過了知識本身。即使如此，做出這樣的判斷又有什麼意義呢？

目前，機器學習引發了深層次的科學討論，對人類文明產生的影響也與日俱增。影響最大的就是自動駕駛汽車。如果沒有進入量子計算領域，我自己倒很樂意去機器學習行業工作。實際上，我最先接觸的就是人工智慧和機器學習。在康奈爾大學時，我的導師是巴特·塞爾曼。在柏克萊大學攻讀研究生階段，我的導師又是麥克·喬丹。但後來我認為自己在量子計算領域的“比較優勢”更為突出，才轉行了。

機器學習在過去十年間取得了長足的發展，出現了許多令人驚歎的成就，如IBM Watson和AlphaGo等。我個人認為簡直是天才。我認識了一些機器學習領域的研究員。他們告訴我，上述成就並沒有取得任何新的概念上的突破，只是對七八十年代已經出現的演算法做了進一步完善，然後再將演算法應用於速度更快的計算機，並用海量的資料對它們進行訓練。

從另一個方面來看，我們僅僅是將幾十年前的演算法進行了一下升級最佳化就獲得如此巨大的能量。如果我們再將這些技術應用於更快的電腦並輸入更多的資料，豈不是很快就能開發出不可思議的人工智慧呢！

與此同時，我們還不能忘了，如果我們想要為後幾十年的發展做點貢獻，我們可能需要去找找和七八十年代反向傳播演算法類似的演算法。這些演算法的研究者都是一些古怪的知識分子。雖然演算法十分新奇但卻未經證實，所以既不能吸引風投的目光，也無法登上前沿的科技雜誌。它們被人們忽視的原因不是演算法本身不可行，而只是一些或有或無的理由。

最後，我更關心炒作的內容而不是數量。就像上世紀50年代，每個人都知道計算機將在人們的生活中扮演越來越重要的角色。在這一點上，他們猜得沒錯。至於為什麼會變得重要，卻沒幾個人說得清楚。毫無疑問，30年之後的人們肯定會和我們一樣認識到機器學習的重要性。但說不定他們也會大發雷霆，因為我們忽視了機器學習的某個方面。他們可能還會嘲笑我們，在時機尚不成熟的時候就對機器學習痴心妄想。我不知道這些問題的答案，但這些問題也正是我想弄明白的。

並沒有，機器學習可以說是AI發展的里程碑，讓我們離創造理想的AI或機器人更近了一步。

我們可以把AI分為幾個等級，區域性AI，弱AI，強AI，理想AI。區域性AI可以專業做一些具體的事，比如以前文曲星自帶的五子棋，或者像星際魔獸的電腦，這類AI是透過演算法實現的，簡單一點說就是將一定的規則透過程式設計固化，AI本身不會進步，當你找到演算法的bug或者規律可以很輕易的擊敗他。

弱AI更好一點，比如前一段比較火的銀行自助機器人，或Siri，這類AI已經比較聰明瞭，可以和人簡單對話，但基於的方法論還是演算法為主，有時也會答非所問，有侷限性。

我們經常在電影裡面看到的經典機器人或AI形象比如終結者，可以透過對其他人的講解或者外部事物的變化更新自己的認識，這是理想的AI，這種電影中理想的AI之所以在機器學習之前覺得遙不可及無法實現，主要是方法論的問題，電影中也會偶爾提到，我的程式如何如何，說明以前實現AI的思路都是演算法思維。

直到雲計算，大資料技術的發展，可以實現神經網路的方法，人類可以不透過演算法窮舉所有規則來讓AI變聰明瞭，可以讓機器透過大量資料的試錯，讓機器找到行為和結果的關係，也就是大資料的相關關係思維取代人類的因果關係思維，讓機器“自我學習”，極其迅速的進步，找到最佳解決方案，所以理解機器學習原理的人，搜狗王小川，360周鴻禕在阿法狗與李世石或者柯傑對戰前就堅定的預測機器勝，以前著名AI 深藍擊敗國際象棋大師是靠演算法取勝，但是圍棋這類規則多變且不可能用演算法窮舉獲勝方法的遊戲就成了AI的一座大山，可以說用演算法的方法論很久都不會實現機器勝人。(這裡讚一讚老祖宗的智慧，國外的遊戲弱爆了有沒有)所以機器學習可以說是AI的里程碑，現在阿法狗這類AI可以稱為強AI，與弱AI的邊界在於可以自我進步，與理想AI的邊界在於沒有自我意識，只是相關關係告訴AI這麼做會贏，但是他自己不知道為什麼，或者這麼做的意義是什麼。學界爭論已久的就是會不會有自我意識的理想AI，我的答案是機器透過學習人類的文明和知識是總有一天會實現自我意識或存在的意義，但是距離那一天還需要技術突破下一個天花板，等到了那一天，AI就是變形金剛，可以獨立的形成文明，繼承人類文明的成果並創造新文明，即使人類消失，仔細想想是不是很恐怖，所以現在少放些對抗機器人的電影吧，機器人是人類的好朋友

怎麼說呢，機器學習在很多領域能取得重大成果。瞭解的都知道，人工智慧這個東西在過去幾十年已經被炒了不止一次了，起起落落，這一次是不是過度炒作很難說。主要是因為近十幾年深度學習的算法理論突破、計算能力的大幅提高，使得複雜神經網路的訓練得以實現，並且藉助於當前爆炸量級的資料，神經網路的在影象等領域獲得了驚人的效果。但是神經網路歸根結底是模擬人腦的，人腦研究又有太多的未知。比如說常見的卷積神經網路中的卷積、池化的處理，啟用函式的選擇等等問題，但是有些問題又很難回答其背後的神秘原因，只是在數學求解過程中，我們這樣做能獲得更好的解，所以這個領域還存在著很多的未知，而這些未知可能都得依靠天才們去探索，未來能發展成什麼樣，個人感覺真是說不準。

現在說的炒作，更多的是網際網路圈子裡的泡沫。但是，很多應用類的場景如果有資料和合適演算法支援，是極有可能產生突破性的產品。目前來說，個人感覺最有可能突破的一個熱點是醫學影像。演算法上，深度學習已經被證明在影象方面是非常有效的；資料上，各政府、醫院都有大量的醫學影像資料，因此這方面的技術可行性是非常高的，只要相關的醫學機構不要因為政治或者其他因素封鎖資料，實現突破指日可待。

對於當前很多人工智慧創業公司的前景，個人持保守態度。原因也很簡單，就是獲取資料和創新演算法對於創業公司難度都太大。最有效的資料基本都集中在政府、壟斷性企業、超大型網際網路公司，而最優秀的演算法人才基本上都在各大頂級高校、研究所、各大型網際網路研究院。所以創業公司想要獲得質的飛躍會非常難。