圈T社区
机械进修从如今起15到20年后会是什么模样？最初显现在Quora：获取和分享常识的处所，使人们可以向他人进修并更好地认识世界。谜底由基诺菲舍尔，CTO在朱莉娅较量，对Quora的：
机械进修是一个非常快速成长的范畴，是以很难在6个月后对现有手艺进行展望，更不消说15到20年了。然则，我能够凭据我如今看到的情形供应一系列有凭据的猜测。
我们离AGI还很远。 当前一代的机械进修系统距离能够正当称为人工“智能”的器材还很遥远。我们如今拥有的系统在大量数据的模式识别方面非常超卓（甚至强化进修系统首要是记忆和识别在练习时代运作精巧的模式）。这当然是需要的一步，但距离智能系统还很远。与人类认知类比，我们如今所拥有的雷同于潜意识过程，当您的周边视觉检测到捕食者接近或前一个主要的其他转弯时，许可您的交感神经系统瞬间激活 - 换句话说，基于模式，半主动的决意，我们的大脑“硬件”。
传统节目不会消散。 我有时会听到大多数传统节目将被机械进修系统庖代的说法。我对这一主张持高度猜忌立场，部门原因是前一点的必然究竟，但更遍及的原因是绝大多数义务都不需要机械进修。机械进修在处理实际世界的杂沓，可用的大量数据以及没有合理的根基模型的情形下示意优异。若是个中任何一个都不成立，那么您平日不必知足于机械进修模式 - 传统的替代方案是优胜的。一个有趣的体式来思虑它是人类是最进步的天然通用谍报，但我们发现了较量机来做某些我们太慢的特别义务。我们为什么要盼望人工智能有所分歧？
机械进修将增加大多数传统义务。话虽如斯，只要个中一个传统系统需要与人交互，就有机会进行基于机械进修的扩充。例如，查察错误新闻的法式员能够使用机械进修系统查察错误新闻并建议把持过程。较量机比人类更耐烦。你不克让人类旁观数百万小时的编程会话来记住问题的常看法决方案，然则你能够让机械进修系统做同样的事情。此外，机械进修系统能够非常快速地在全球局限内从大量数据中进修（若是机械进修系统的任何实例碰到过特定情形，它几乎能够立刻在全球局限内共享这些常识，不限于人类交流的速度）。我认为我们还没有起头意识到这种影响，但我们或者会在5到10年后再看到它。
我们会从小型或嘈杂的数据中进修。今朝，机械进修系统大多需要大量相对清洁，精选的数据集。存在各类有进展的方式来在一个或另一个偏向上放松该要求（或许小的，精心谋划的数据集的组合以起头更大的更嘈杂的数据鸠合）。我进展这些在不久的未来可以完美。
我们将看到ML系统与传统方式相连系。今朝，看到完全由神经收集试图解决端到端问题的ML系统似乎相当遍及。这平日能够正常工作，因为您能够从这些构建博客中恢复很多传统的旌旗处理手艺（例如傅里叶变换，边缘检测，朋分等），但这些变换的进修版本在较量上或者比根蒂方式加倍昂贵。看到这些原语有点回来（作为神经收集架构的一部门），我不会感应诧异。同样，我对基于物理的ML方式感应非常兴奋，在这种方式中，您将神经收集与根蒂物理模型的常识相连系
