当然，机器学习只是AI的一个小的子领域。对研究领域关注的增多，以及在不确定性下的推理和计划领域，来自初创企业的成果的应用，使得学习能力除了能更好地理解模式识别外，还能真正地有利于覆盖全新的领域。毫不奇怪，Facebook 的扎克伯格在他对AI/机器学习当前阶段的评估中得出了类似的结论，他花了将近一年的时间编写出自己的个人助理“Jarvis”，原型来自《钢铁侠》系列中的AI管家“Jarvis”。

　　预测7：尽管机器学习得到进一步采用，人类仍将是决策的核心

　　一些业务将使用机器学习进行基于证据的决策，但人类仍将是决策的核心。早期的一些智能应用的使用案例将出现在某些行业中，由于监管框架、创新管理方法、竞争压力、终端用户的复杂性和对更高质量体验的不同需求，以及某些价值中经济动机的冲突，能力具有不均匀的分布链。尽管有奇点即将来临和机器人将接管世界之类的种种说法，但头脑冷静的人们都指出，距离创造真正的智能系统还需相当长的一段时间。在这期间，企业将慢慢学会信任模型和模型的预测，因为他们将认识到算法确实在很多任务中胜过人类。

　　预测8：更实用、灵活的机器学习将会出现

　　更实用化、更灵活的机器学习方法将在今年悄悄出现。有说服力的企业数据将完全绕过“大数据”的喧闹，仔细挑选可以用云中的成熟算法解决的预测问题，这些算法只需要较小型的具有有利信噪比的样本数据集。当建立了对他们的能力的信心，企业将在他们的产品中部署更多的机器学习应用，增加更多的使用案例。灵活的机器学习让开发者不再受数据接入、复杂而且难以部署的工具等问题的束缚，让从业者不仅开始改进核心的操作，而且开始考虑更高风险回报的预测用例，这可以促成全新的收入来源。

　　预测9：MLaaS 平台将成为传统公司采用机器学习的“AI支柱”

　　MLaaS 平台将成为加速机器学习敏捷开发的“AI支柱”。因此，由于可以在 MLaaS 基础架构上构建的新的应用程序，商业化的机器学习将变得成本更低。云机器学习平台尤其将在以下几个方面促进机器学习民主化：

通过消除发杂兴或前置的供应商合约，显著降低成本；

提供包装有最有效的算法的预配置框架；

从终端用户中抽离架构设置和管理的复杂性；

通过 REST API 和 binding 提供集成、工作流自动化和部署选项。

　　不管是不是数据科学家，更多的开发者将在工作中使用机器学习

　　2017年将是开发者们推进机器学习的一年，这将为数以千计的小型企业缓解人才的瓶颈，这些企业在吸引具有十几年AI/机器学习经验的顶级研究科学家方面无法与Google这样的巨头公司竞争，但这些科学家的研究经验并不能自动转换为能够提供业务价值的智能业务应用程序。开发者们将在 MLaaS 平台上快速构建并扩展这些应用程序，MLaaS 平台将系统中难处理的细节（如集群配置和管理、任务排队、监视和分发等）抽取出来。开发人员只需要一个精心设计并且记录良好的 API，而不需要了解 LR 解析器如何编译和执行它们的 Java 代码，也不需要知道信息增益（Information Gain）或威尔逊得分（Wilson Score）可以怎样用于解决基于决策树的预测用例。