除了人工神经网络以外，这些学者还尝试了一些其他方法，在对比这些方法的时候，他们发现人工神经网络给出的结果比任何其他方法都要准确。

　　然而当他们检查一种可以学习规则的机器学习系统的输出时，他们发现了这样一件事——它输出了一条规则，让所有已经患有哮喘的肺炎患者出院。

　　可实际上，哮喘患者非常容易患上肺炎的严重并发症。

　　这个奇怪的结果，来自于一项机器无从得知的规定：为了避免有哮喘的肺炎患者出现严重并发症，医院规定要对这些病人极为关注，也就造成了最后这些病人真正患上严重并发症的数量非常少。

　　要说机器错了，它按照已知信息已经给出了准确的结果；然而要是按照它的建议来处理，“我们可能会不小心害死一些病人。”学者总结道。

　　最重要的是，假如没有基于规则的方法，而是仅仅采用了人工神经网络的话，人们大概只能知道这一部分人被它标记“可以出院”，然后在一段时间后通过急剧升高的肺炎并发症数量而意识到这一切……

　　“人工智能只能分析数据，而数据建模与真实生活之间很难直接划上等号。”硅谷投资人郭威这样跟记者说。

　　当然，这也许并不会是一个永远的缺陷。已经有学者在研究人工神经网络的“行为习惯”（对就是像研究野生动物一样），希望能通过这个过程找到“解读”人工神经网络的方法。

　　同时，如今的深度学习技术还有另一个问题——它需要大量的数据作为训练基础，而训练所得的结果却难以应用到其他问题上。

1997年，国际象棋世界冠军Garry Kasparov对阵Deep Blue

　　比如说，我们花很多时间训练一个电脑打DOTA2，它对各大英雄掌握极其熟练，随随便便就可以虐翻天梯9000分选手之后，再让它去玩一把王者荣耀（手机版MOBA游戏），它可能又会再次变成小学生……

　　再比如，曾经虐翻中日韩围棋天才的AlphaGo，在跳棋赛场上可能就束手无策了……

　　这也意味着花费了很大精力、数据来训练的模型，很难跨行业、甚至只是跨项目的应用。

　　同质化竞争，AI创业面临洗牌

　　虽然深度学习还不是一个完美的技术，但在它成功地“吸引了全世界的注意力”之后，工业界的进展正不断加速。

　　“如今人工智能行业正处于一个‘四处开花’的阶段，能看到不同方向上的创新。”华盛顿大学人工智能博士徐宥向记者介绍道。他曾在FitBit领导机器学习团队，离职后也加入了AI创业浪潮，做了一个用AI帮助程序员更好地写代码的公司。

　　比如上文中提到的Google翻译，就在某种程度上实现了类似人类的迁移学习能力。毫无疑问，这也是一个未来很有希望的AI创业方向。

　　除此之前，我们还能在模型架构、训练方法等方面看到各类创新。比如DeepMind就提出了完全人工的神经网络架构，“这可能不是受生物启发，但是对这个问题理解很深刻才能做到。”徐宥说。

　　训练方法则意味着让机器找到“学习的方法”（learning to learn）。在人们训练自己家的小狗时，不同训练的方法会带来不同的结果；在训练机器的时候，这仍然成立。

　　虽然此刻我们很难预测深度学习乃至人工智能的未来，但是行业内有一个共识——“它会持续给市场带来惊喜，atv，而如今以深度学习技术为主的人工智能创业生态也将面临洗牌。”郭威对记者说道。他是一个硅谷有名的早期投资人，在CBInsights刚刚发布的100家变革人工智能产业的创业项目榜单里，他投中的就有Skymind，Mode，Atomwise和TalkIQ。

　　根据VentureScanner今年发布的数据，全球范围内的人工智能公司数量达到1464家，其中有超过三分之一都是机器学习。

　　在任何一个对人类极其重要、竞争又面临同质化的行业而言，这个未来并不难以想象——在某个节点，巨头入场，end of story。

　　在那一天到来之前，AI创业者们可能需要多想想，如何抓住痛点，让技术与产业紧密结合，真正做出拥有商业价值的产品。