Andreessen Horowitz 在考虑对 Freenome 进行投资时，Pande 给OTTE 设置了5个盲样，其有两个是正常的，另外三个是患癌的。Otte 五个检测全正确了，然后获得了投资。

　　一个放射科医生一生可能会看上万张扫描图像，但是，一台计算机可能会看上千万张。“让计算机来解决图像的问题，这听起来并不疯狂”，Pande说，“因为他们能处理的数据远比人类多得多”。

　　计算机的潜力不仅在于更准确、更快的分析，而是能带来服务的民主化。随着技术标准化，最终每一位患者都能受益。也许在以一种人们还没有想到的方式，与其他的人工智能技术进行融合，形成一个完整的工具箱，人们才会感受到深度学习最大的影响力才。例如，谷歌的 DeepMind 通过把深度学习与相关的技术——增强学习相结合，已经取得了一些震撼的成功。结合这两种技术，他们创造了AlphaGo，让这一程序在今年3月份击败了围棋世界冠军，这被认为是 AI 领域具有里程碑意义的事件。与 1997 年击败国际象棋冠军的 IBM 深蓝不一样，AlphaGo 没用使用决策树进行编程，也没有使用如何评估棋盘位置的等式，没有使用 if-then 规则。“AlphaGo 学习下围棋主要是从自我对弈和观察其他专业棋手的对弈中进行”，DeepMind 的 CEO Demis Hassabis 说。

　　一个游戏可能看起来像是人工设置的环境。但是 Hassabis认为，游戏的技术可以被用到现实世界的难题中。事实上，8月份的时候，谷歌报告说，通过使用与 AlphaGo 类似的方法，DeepMind 能够将谷歌数据中心的能源效率提升 15%。在数据中心，可能有 120 种变量在影响电力消耗，Hassabis 说，“你可以换风扇、开窗户、调整计算机系统等等，这些都是电力消耗的地方。从传感器、温度计之类的地方，你可以获取数据。这和围棋棋盘类似。通过试错，你可以知道正确的方向是哪里”。

　　“这很好，”他继续说，“每年，你可以省下上千万美金，并且对环保来说也是好事。世界上的数据中心消耗了大量的能源。我们非常希望能大量地减少这些消耗，甚至是在国家电网的层面”。

　　聊天机器人是挺好。但这个，才是真正厉害的应用。

　　编译来源：

- - - - - - - -

　　【更正说明】《财富》原文发布之处内容有误，现其网站已将错误更正，原文中“最初革命的花火开始于 2009 年，那年夏天微软的 Lee 邀请了神经网络先驱，多伦多大学的Geoffrey Hinton 来参观。钦佩于 Hinton 的研究，Lee 的团队用神经网络做了语言识别方面的实验。Lee说：‘我们对结果非常震惊，我们得到了比原型高 30% 的准确率。’”

　　事实应为：最初的革命火花开始于 2009 年。那年夏天微软的 Li Deng 邀请了神经网络先驱、多伦多大学的 Geoffrey Hinton 来参观并合作。钦佩于 Hinton 的研究，Li Deng 的团队用神经网络做了大量语言识别方面的实验。微软的 Peter Lee说：“我们对结果非常震惊，我们得到了比原型高 30% 的准确率。”