同时，他们坐拥大量难以复制却未被充分利用的专有数据集。最新的麦肯锡研究报告《分析时代：数据驱动世界里的竞争力》显示，他们在 2011 年的报告中列举的现代分析技术潜力只有不到 30% 实现了，过去五年里出现的新技术带来的新机会更少。更糟糕的是，这些发展在各个行业中的分布非常不平衡（美国医疗保健行业占比低至10％，智能手机类占比高达60％），分析能力变得比以往任何时候更加与竞争优势息息相关。

　　即使可能隐藏在主流供应商和研究公司的营销演说背后（例如，“认知计算”、“机器智能”，或者甚至是“智能机器”），机器学习这个精灵已经从瓶子中抛出，毫无疑问已经成为企业的具有无限潜力的一个词汇。这意味着更多传统企业和初创公司将在2017年开始他们的机器学习之旅。聪明的人们会从别人的错误中学习经验教训。尽管如此，一些旧的不良习惯仍然很难摆脱，所以，让我们从一些不是太明朗的预测开始，以更积极的预测收尾。

　　以下是我们的预测：

　　预测1：“大数据”不重要，机器学习才是中心

　　对“大数据”本质的深刻思考将打开机器学习大门。在追求“大数据”本质这一运动当中，专家们在一次研讨会上认识到，企业需要综合有用的“大数据”解决方案，以满足他们对技术复杂性水平的需要。在这天结束后得出的结论是，“大数据”不是别的什么，只是“明天的数据”。最近“大数据”被从Gartner技术成熟度曲线（Gartner Hype Cycle）中删除，也同样体现了这点。所有这一切都将加快把机器学习推向注意力的中心，通过用户对智能应用程序的直接接触，从这些项目中收回沉没成本。

　　预测2：风投投资算法初创公司是为了碰运气

　　风险投资的教育过程还将继续，尽管这是缓慢而且需要从失败教训中学习的过程。风险资金将继续投资基于算法的初创公司，关注创始人的学术简历。这将带来一些混乱，例如搞不清机器学习和深度学习，将机器学习算法和机器学习模型完全混为一谈，或者混淆模型训练和利用训练好的模型进行预测。投资界大多数正在寻找可快速成功的点的投资者，缺乏一定的历史视角或对该学科的深入理解。但积极点说，VC社区的一个小子集似乎正在唤醒机器学习呈现的巨大平台机会。

　　预测3：机器学习人才套利将继续加速

　　媒体对 AI 和机器学习的追捧将会持续开足马力，像在 Rocket AI 这类的聚会中，年轻的学者会被追捧并得到上述投资者的资助。投资组合公司会发现很难在算法层面进行竞争，因为很少有算法能在实践中真正的广泛有效，尽管在一些非常小的问题上某个算法会略优于其他算法。大多数竞争聚焦在争夺人才和企业的开发团队，这些企业希望在内部加强机器学习研发。最坏的情况下，收购者将不经明确的分析程序，而是疯狂地追求有话题性的内容，产生一种他们有紧跟 AI/机器学习浪尖的错觉。

　　预测4：自上而下的机器学习注定虎头蛇尾

　　传统公司的高管往往选择向咨询公司支付昂贵的费用获取帮助，形成公司的自上而下的分析策略和/或使复杂的“大数据”技术构件共同起效，然后在使用案例上做功夫，这让他们发现很难有高的投资回报率。部分原因是缺乏正确的数据架构和灵活的计算基础设施，但更重要的是，直播，如果忽视计算能力相对来说会变得多便宜这一点的话，想用一些新的方法超越机器学习社区 36 年来集体取得的成就，会是十分困难的事。

　　预测5：深度学习在商业上成功的案例不会很多

　　深度学习的一些显著的研究成果，如 AlphaGo 等将继续引发媒体和大众的极大兴趣。然而，深度学习在某些实际使用场景下的进步，例如语音识别和图像理解，将是企业及其学习工具箱以及其他成熟技术的真正驱动力。可解释性的问题缺乏经验丰富的专家，依赖于非常大的有标记训练数据和大量计算资源，这将限制大众企业在2017年采纳深度学习。无监督深度学习目前还没有重大的研究突破，大多数传统企业尝试深度学习之后可能得出这样的结论，就是加入他们将注意力放到更容易实现的增强学习或者机器学习，可以更快地得出更好的结果。

　　预测6：研究不确定情况下的推理和规划将带来机器学习新高峰