機器學習可以分為監督學習，半監督學習，非監督學習，強化學習，深度學習等。監督學習是先用帶有標簽的數據集合學習得到一個模型，然后再使用這個模型對新的標本進行預測。格物斯坦認為：帶標簽的數據進行特征提取，再生成特征向量，通過機器學習的算法，得到模型。當小朋友遇到一只小狗，老師告訴他這是一只小狗，小朋友下次見到小狗就自然認識了。這個過程就是監督學習。

在AI這塊領域，未來最缺的一是工程能力強的算法人才，過去兩年因為剛興起，所以很多人可能只會調參就能找到工作，但是這兩年資本寒冬，市場不好，只會調參的「調參俠」已經遠遠不能滿足工業界的需求了，對于模型的部署、壓縮、上線等等都需要有非常強的工程能力才行；二是具有落地思維的算法/產品。能夠把空想的、很難落地的項目做到落地，才是真正有價值的有意義的事，沒有任何落地，紙上談兵，撐不了幾年的。

人工智能的發展，相對比較偏應用這方面。大數據是基礎，人工智能是表像。人工智能的應用與物聯網概念聯系的非常緊密，比如說現在市場上有很多智能小物件，比如智能手表、智能音響、智能電視、智能吸塵器、智能冰箱等。就拿智能手表來說，你可以做很多手機上能做的事情。智能小物件，就是在這些小物件上，添加了很多計算功能，然后以此為基礎，這些小的東西上就可以做很多事情。再說說智能吸塵器，現在算是比較好的人工智能產品，市場上賣的非常火熱了，有時候你可能覺得價格貴一點，但是如果你的屋里相對來說不是很亂的話，它可以幫你清洗得還是很不錯的，尤其是在清理灰塵的時候。

當然，它會存在一個噪音的問題，如果你讓它自己啟動，在你人不在家的時候，給你打掃衛生的話，這就可以避免噪音的問題。人工智能領域，家庭是個大應用場景。像類似這樣人工智能產品的開發，需要大量的專業人才。如果你是人工智能專業的話，就有很多的就業機會。人工智能這一塊的發展，可以說未來10年、20年，甚至更長時間，都會是一個熱門，這里面涉及到的專業知識非常多，工作機會也很多。

綜上所述，在大型科技公司外，專注于提升技術能力的重要性被高估了，與之對應，解決問題的態度以及基本的開發技能則被低估了。除了技術研發以外，還有大量枯燥的或者需要人力的工作亟待自動化。這一轉變本應早已完成，并且也不需要突破才能實現。
? ? ?責任編輯:tzh