Google，微软，亚马逊，Facebook和Salesforce这样的科技巨头正在进行人工智能(AI)的“军备竞赛”，他们以惊人的速度不断吸收着各种各样机器学习的人才及创业公司，疯狂筹备未来人工智能技术战的资本，以求在未来获得更大的竞争优势。
今天，你可以在线观看一部30分钟的深度学习教程，周末启动一个“10节点集群”进行实验，完成后在周一关闭，这个过程大概要花上几百块钱。
现如今云计算提供商都把宝押在了人工智能身上，集中资源和改进机器学习以寻找那些新的“云客户”。
这使得技术获得野蛮生长的土壤，人工智能基础层面的相关创新也获得了更多的机会。20世纪90年代互联网曾发生过类似的“技术民主化”情景，如果AI的技术发展和创新能够延续这种轨迹，那么我们的世界在五年内将会出现焕然一新的效果。
首先，计算技术(尤其是GPU芯片和云计算)的进步使得工程师能够以之前从未尝试过的方法解决问题。例如，芯片制造商NVIDIA，一直在扩大专为提升机器学习而设计的GPU处理器的生产规模，并被像Microsoft和Google这样的云计算提供商用于机器学习服务。
当然，这些进展的意义可并不只是单纯地开发出了一个更快，更便宜的处理器而已。低成本的计算和更加简单的访问云管理集群方式，使我们以一种全新的方式进一步实现AI技术的民主化。
这如果放在过去，建立一个计算机集群来打造一个深层神经网络，需要资本的介入以及大学里的专业的研究设施。甚至还需要那些，具有数学博士学位的人参照关于卷积神经网络等科目的学术研究论文进行研究。
虽然大部分人都觉得，CPU / GPU的改进是AI创新的主要驱动力，但实际上这只答对了一半。
20世纪80年代中期的人工智能算法的进步打破了20世纪70年代的AI缓滞期。诸如Geoffrey Hinton和Yann LeCun这样的深度学习的先驱工作者们，解决了一大批困扰早期算法的关键性问题。
在许多方面，像Hinton的B-P反向传播这样的算法，为未来的算法创新开辟了新的途径，但随后的进展却都相对缓慢。
例如，DeepMind的AlphaGo计划将深度学习与强化学习相结合，使计算机能够在2017年击败李世石成为世界排名前列的棋手——虽然很令人兴奋，但这却已是计划执行整整20年之后的事情了。
从历史上看，人工智能的判定依据是通过图灵测试出的计算机能力，所以除非公众拥有一台走路说话的机器人，否则他们是不会对现阶段的人工智能觉得满意的。
虽然我们距离打造出这样的AI还很遥远，但是我们已经在着手解决一部分机器学习的高级问题，这是AI领域的一个重要子集部分，也是我们迈出的关键性的一步。
机器学习算法不同于一般的计算机智能，它是通过提高使用数据执行特定任务的能力来进行工作的。那些原本应该让人类焦头烂额的问题，如计算机视觉，语音识别，自动驾驶等等，现在正在通过机器学习算法进行解决。
如今，机器学习已经成为了一个受到广泛关注和聚焦的领域，实际上，机器学习一词已经成为了AI的代名词。我想最终这一定会是一件好事。
越来越多的消费者和公司，开始试着把AI与自动驾驶汽车等机器学习在现实世界的应用，联系在一起，他们越发觉得AI是一件距离我们很真实的事物。久而久之，这项技术也一定会继续延续下去，并且在接下来的几年内一定会重新塑造出一个新的技术格局。
企业应该通过利用云技术与顶尖AI的供应商合作来扩大优势
人工智能领域内的寡头趋势未来将会变得越来越明显，因此，选择合适的技术供应商就显得至关重要。
比如，一个非人工智能的CRM系统可以让你的销售团队在最后一次联系的基础上找到潜在客户，这可以帮助销售人员寻找到很多不错的潜性线索。
但是，一个人工智能的CRM系统却可以实时地引导销售代表，使用可以最大限度地提高销售可能性的算法，至始至终都在尝试打破客户、公司和销售代表之间的信息壁垒。在这种情况下，选择合适的CRM供应商可以对收入产生直接并且非常显著的影响效果。
根据对将来形势的判断，上述的一些想法，如果今年还没能够实现的话，我们就会发现，如果我们现在不发展强大的内部机器学习能力，将来很有可能会误入歧途或是茫然不知所措。
所以，我们不应该再循规蹈矩，像人工智能第一次浪潮中的科技巨头那样只是单纯的雇佣一些AI技术团队。今天的科技公司，应该利用好微软和谷歌等AI技术平台提供的某些机器学习工具，来开发和打造属于他们自己的人工智能战略部署。
最后由于我们对人工智能技术的需求在不断扩大，同时，由于机器学习人才在劳动力储备中的短板，这在将来都必定会使得数据科学走上民主化道路。
然而，谷歌和微软在这个趋势上的动作就显得不甚明朗，实际上，他们现在是在把更多的精力投入在了培养发育或是等待更好的机会，这就是他们舍得在机器学习教育和简便AI工具上花费巨大投资的原因。
(来源：venturebeat.com 作者：JAKE BENNETT 云端大字报 译)