機器學習是我的主要研究方向之一，也開發過基於機器學習的智慧診療專案，所以我來回答一下這個問題。

機器學習是人工智慧六大研究方向（自然語言處理、自動推理、知識表示、計算機視覺、機器人學、機器學習）之一，隨著大資料技術的發展，機器學習（包括深度學習）成為了重要的受益者，因此機器學習在大資料時代得到了廣泛的關注，基於機器學習的專案也越來越多。從發展的角度來看，機器學習未來的發展空間還是非常大的。

機器學習的目的是在一堆雜亂無章的資料中找到其背後的規律（Machine Learning in Aciton），步驟包括資料收集、資料整理、演算法設計、演算法訓練、演算法驗證和演算法應用，所以機器學習的重點有兩個，一個是資料，另一個是演算法。由於大資料時代能夠提供海量的訓練資料，所以大資料給予了機器學習紮實的支撐。

目前機器學習在實際專案中的應用多以輔助決策為主，比如在我研發的智慧診療系統當中，機器學習的主要作用是為醫生提供幾套診療方案，但是決定權在醫生的手中，醫生也可以在智慧系統提供的方案的基礎上進行相應的調整，隨著系統累積的資料量越來越大，系統的效果在理論上也會越來越好。

由於機器學習目前依然處在發展的初期階段，所以在可靠性和穩定性方面還有較大的提升空間，大部分專案在採用機器學習技術時都會設定相應的使用邊界，以免造成不可挽回的損失。機器學習（包括深度學習）未來的應用空間還是比較大的，所以學習相關知識對於IT行業的從業者來說還是有一定必要的。

機器學習有用肯定是有用的，不過具有一定侷限性，因為機器學習說到底也是統計學方法，能夠處理的一定是具有某種統計學特徵並且可以被統計學描述的問題。

對於具有明顯統計學特徵的問題，機器學習在大量樣本訓練下可以達到遠超過人類識別水平的精度，並且在速度和並行性上具有絕對的優勢。

但是很多實際問題會存在樣本較少和統計特徵不明顯的問題，對機器學習就是不利的，產生的結果準確度也會下降。現在有很多理論去解決小樣本學習問題，不過實際應用效果都沒有大資料那麼理想。

至於穩定性方面，機器學習對於純資料統計的穩定性相對較好，但是影象識別方面的內容，會受限於特徵的方向位置等因素，而受到微小波動影響，也會受到對抗攻擊。