1樓：寒亦唱
It's not who has the best algorithms that win. It's who has the most data.
2樓：
我覺得制約機器學習根本原因是很多資訊都沒有量化，或者不規整的量化。
機器學習的根本在於資料本身，而不是高深演算法。
近年來機器學習的快速發展是建立在收集，儲存資料成本快速下降的基礎上的。
如果那天我們把生活中的一切都規整的量化了，資料資訊像空氣一樣普遍，機器可以像人類一樣被訓練了，估計我們理想中的人工智慧就出現了。
3樓：顧笑群
個人比較淺薄的直覺，現在機器學習/人工智慧和真正的人的智慧型比，在於還只是在表面上仿生了一些人的意識、記憶、神經元相互溝通等人的機能，還是沒有和一般的電腦程式區別開來——人指定其資料/計算過程或路徑，讓計算機重複這些。
機器學習/人工智慧和真正的人的智慧型的區別，還在於乙個能拉自己頭髮能讓自己飛起來的關鍵——要在乙個看似封閉自迴圈的的維度裡，而迴圈的動因要在其他維度找。
我說的不嚴謹，只是想把直覺說出來。
4樓：小白菜
feature與語義之間的語義鴻溝，這就好像地基和高樓的關係，feature沒表達好，後面再怎麼搞一堆複雜的模型，效果提公升也是極為有限的，這幾年很火的深度學習也是為了更好的對特徵進行表達。
5樓：
機器學習現今的主要困難是難以正確限制和搜尋複雜的函式空間。
簡單的機器學習演算法，比如線性回歸，線性分類器，只能搜尋簡單的函式空間(比如空間中的所有直線或超平面)，且只有簡單的限制(比如l2 regularization)。但是現實生活中，feature的關係大都是非線性的，複雜的。這就需要我們的演算法能優化複雜的目標函式。
近來機器學習的研究大都在朝這個方向努力。例如，深度學習可以搜尋整個布林函式空間(可以學習任何布林函式)，但是其訓練複雜度也極大，近來相關的研究(比如卷積神經網路，分布式深度學習)都旨在增加限制條件，充分利用資源，使其可行。
另乙個凸優化的重要研究問題，l1 和 l0 regularization，旨在發明新演算法，搜尋以前不可能搜尋的函式空間(目標函式不可微甚至非凸)。而另乙個熱點概率圖模型則致力於發現或限制feature之間的關係，簡化需要搜尋的函式空間。
在機械人或者人工智慧領域如何選擇研究方向？定位建圖 路徑規劃 感知 協作，哪乙個前景更好，更值得去做？
新域構想 個人看法，感知技術做為研究方向比較務實一些。就好比財務管理，要學習會計記賬一樣，基礎核心不可或缺的東西學會了，才有可能進一步拓展。規劃管理協調都不是乙個學生一開始就能做的，懂些知識就可以。企業進來了也不會先讓你做管理，而是參與專案先學習，弄明白熟悉了流程，專案管理協調自然容易領會。 西洲 ...
人工智慧領域如何學習不斷推出的新模型？
金戈老馬 新模型的推出就像程式語言的類庫一樣，隨著時間的推移將會加速，數量越來越多，而且越來越強大。乙個程式設計老司機不會擔心不斷推出的新類庫，而是按需取用。要做到這一點，老司機必須清楚新類庫背後的工作原理 用途和侷限性等。這個能力是如何煉成的呢？平時在動手實踐的過程中，經常去歸納和演繹，同時加強理...
分不清資料分析 機器學習 深度學習 人工智慧的關係和區別，怎麼辦？
深度學習就是指使用深度神經網路的機器學習。所以，所有深度學習都是機器學習，但是機器學習不一定深度學習，比如SVM這種模型算是機器學習，但不是深度學習。機器學習是實現人工智慧的一種方法。人工智慧其實是乙個很模糊的概念。二十多年前深藍擊敗了人類象棋大師，那個時候的深藍也被叫做人工智慧，但是深藍並沒用到任...