MIT IDE部门的负责人Erik Brynjolfsson 2017年11月在自己的Twitter上曾经发布了这样一条信息，“AI is a GPT and that's good news for future growth”，他认为AI是一种GPT，General Purpose Technology。GPT有三个重要特点，一是普遍性，二是能够不断改进，三是能够催生互补创新。显然，能够称得上GPT的技术并不多，它们的出现都带来了颠覆性的意义，例如蒸汽机，电力。而Brynjolfsson认为AI与它们一样，正在制造一场颠覆性的变革。
这也正是AI在人类世界产生影响的真实写照。
如果你对AI行业不太了解，可能会对频繁出现的不同术语感到疑惑，例如人工智能（Artificial Intelligence, 简称AI）和机器学习（Machine Learning, 简称ML）。机器学习其实是实现人工智能的手段之一，也是目前最主流的人工智能实现方法。机器学习能够通过数据训练出可以完成一定功能的模型，例如垃圾邮件识别系统，就是通过学习大量的邮件，包括正常邮件和垃圾邮件，建立模型，实现过滤垃圾邮件的功能。
另一个出现频率很高的单词就是深度学习（Deep Learning, 简称DL）了，深度学习其实是机器学习的一个分支，根据维基百科的定义，它是一种以人工神经网络为架构，对数据进行表征学习的算法。当下的深度学习在计算机视觉、自然语言处理领域取得了重大突破，所以成为了媒体关注的焦点。这篇文章不会过多单独关注这个概念，但我们需要了解除了深度学习之外，还有许多其他实用的算法，例如基于树型的算法，统计学方法等等。
尽管机器学习被公众熟知是近些年的事情，但其实它在数十年前就已经在一些行业中得到应用，当然如今更是深入到各行各业，对几乎所有人的生活产生影响。我们总结了最为典型的一些机器学习的应用案例，或许对于不太了解机器学习以及正在考虑使用机器学习来帮助自己获得业务增长的厂商们会有启发。
击败围棋职业选手
1997年，IBM的超级计算机深蓝打败了国际象棋世界冠军加里·卡斯帕罗夫。同样的历史2016年又在围棋界重演，Google制造的人工智能程序AlphaGo战胜了韩国围棋名将李世石。不止在棋类比赛中，人工智能横扫人类高手，在2017年电子竞技游戏DOTA2的比赛中，人工智能也完成了对人类职业战队的胜利。
AlphaGo的负责人Demis Hassabis在一次演讲中曾经这样说到，“我们发明AlphaGo，并不是为了赢取围棋比赛，…………我们的最终目的是把这些算法应用到真实的世界中，为社会所服务。”（引用自腾讯科技：https://tech.qq.com/a/20170414/011359.htm）
不管AlphaGo是否已经实现了自己的目的，至少它成功让人类社会掀起了一场关于人工智能的大风暴。
自动驾驶
自动驾驶其实最早在飞机上就已经实现了，驾驶员只需要在起飞和降落阶段介入。在汽车上实现自动驾驶相对要复杂很多，因为在实际情况下，在路上行驶的车辆更多，路况更复杂。不过，自动驾驶也在不断取得新的进展，虽然在如何评估自动驾驶安全性上大家还没有达成一致，但是从数据上看来，自动驾驶在某些方面或许已经超越了人类。
导航系统也是机器学习的另一个应用案例。例如，谷歌地图能够从你的手机获取位置信息，知道你从一个地点到达另外一个地点的时间，从而计算出你的行驶速度，了解目前实时的路况，同时它还能够综合用户上传的事故信息，构建出实时交通路况图，推荐到达目的地的最优路线，避开拥堵。
这一技术目前已经非常成熟，不过也依然有很多需要完善的方面。最近就出现了一个非常有趣的小故事，一位名为Simon Weckert的德国艺术家，用一辆小拖车以及装在车上的99部智能手机，成功欺骗了谷歌地图，让其误以为一条本来空空如也的街道发生了交通堵塞。
当然，除了自动驾驶与导航系统，在物流行业中，无人货仓，智能分拣系统，客服系统也都已经有了AI的身影。
替代人类完成重复乏味和危险的工作
在很多行业中都有一些需要花费大量时间去完成的重复性工作，这些岗位通常薪水低，但要求又非常高，甚至有些岗位还有一定的危险性，人工智能恰恰是取代人类完成这些工作的最佳选择。例如汽车装饰件工厂的质检员，他们的工作就是检查每一个生产出来的产品是否有划痕、气痕、短射和黑点，而通过图像识别技术，机器就能很好地完成这项工作，并且提升准确率，这项技术目前已经在很多工厂开始使用了。
又比如，像焊接这样的工作，对于人类来说就有一定的危险性，而通过计算机视觉和深度学习技术，也可以利用机器人来完成任务。
环境分析
再优秀的人类也无法在头脑中存储像计算机中那么多的数据，人工智能则可以获取成千上万个传感器中的数据来分析环境，预测天气以及污染情况，为城市决策者们提供帮助，减轻环境灾害带来的影响，而这还仅仅只是开始。
医疗健康
人工智能在健康领域的潜能是很多人最为期待的，例如，随着世界范围内出现的老龄化现象，老年人的护理是很多家庭面临的难题，他们通常需要借助外部的帮助。AI则可以为许多家庭做到这一点，包括使用热传感器这样的设备来监测老人在家中是否跌倒，等等。
不只是面向用户的AI，在很多医院，AI也已经被用来协助医生进行诊断。让计算机学习大量的影像和诊断数据，提取重要信息，最后给出建议，辅助医生进行决策，可以大大提高诊断效率，与此同时可有效减少漏诊、误诊的现象。
金融、保险
金融行业拥有大量的数据，他们的烦恼是人工根本无法及时完成对这些数据的审核。AI正是他们的救星。目前的AI已经可以帮助银行发现欺诈行为，找出用户交易的模式，在发现可疑行为的时候提醒用户或者银行。有些公司甚至能利用AI来预测股票市场，以达到买低卖高的梦想境界。
例如，Trading Technologies公司拥有一个可以实时从多个市场中大规模识别复杂交易模式的AI平台，该公司正是通过将机器学习技术与大数据处理能力相结合，为客户提供持续的合规风险评估。
智能家居
智能家电和智能安防系统是很多公司正在努力的方向，让家中的设备完全脱离人工控制自行运作虽然是比较长远的目标，但是眼下AI已经在这个领域获得了不少的成果。
例如，过去几年中科技公司眼中的宠儿—智能音箱。亚马逊，谷歌，苹果，百度，阿里等科技公司都推出了自己的智能音箱，用户可以通过语音交互来控制它或者家中其他智能设备。如果没有深度学习近些年的发展，以及语音识别相关技术的成熟，这一产品很难推向市场。
不过，真正让万物互联的梦想有了实现的可能性的，是边缘AI 的出现，有了边缘AI，我们生活环境中无数的传感器数据就可以发挥出巨大的价值，以前并不智能的边缘设备就可以变得智能。这也是近两年，边缘AI这一概念获得越来越多关注的原因。
以上这些机器学习的案例只是眼下发生在我们身边的一小部分事实，正如文章开头我们提到的，机器学习正在全社会范围内制造颠覆性的变革。如果你或者你的企业想要在这股潮流中走在前头，那么接下来最重要的问题就是，如何确定机器学习是否对自己的业务有帮助，以及如何让机器学习发挥出应有的作用，这个部分我们会在后续的博客中详细探讨。
更多关于Qeexo AutoML的信息，请可以访问https://automl.qeexo.com/
