27岁的计算生物学博士 Gabriel Otte 创建了他的公司 Freenome。该公司的目标是从血样中检测出癌症，他们可以检测出血液中细胞死亡时释放出的 DNA 片段。通过深度学习，他命令计算机寻找无细胞DNA和一些癌症之间的相关性。Otte 说道：“我们将看到还未被癌症学家发现的新的癌症特征。”

　　安德森·霍洛维茨基金考虑对 Freenome 增加投资时，负责人 Pande 给Otte 五个盲选样本，其中两个正常，三个为癌症样本，Otte 的判断全部正确，最终Pande决定对其进行投资。

　　一个放射学专家一生也许能看到几千张医学影像，但是一台计算机可以观察数百万张影像。所以 Pande 说：“也许图像问题交由计算机来解决更好的想法其实并不夸张。因为计算机可以处理完一个人一辈子也无法完成的庞大数据。”

　　技术的潜在优势不仅仅在于更好的精确性和更快的分析速度，还有自治化的服务。当技术变得越来越标准，每个病人最终都可以受益于此。

　　我们感受到的深度学习最深刻的影响恐怕是当它以我们从未想过的方式被嵌入到其他人工智能的工具箱中进行使用的时候。比如谷歌的 DeepMind 已经完成了惊人的工作：将深度学习和一个名叫增强学习的相关技术相结合，他们用着这两项技术创造出 AlphaGo，去年三月，它打败了围棋世界冠军，这被公众视为人工智能技术的一个里程碑。不同于在1997年打败了国际象棋冠军 Garry Kasparov 的IBM 深蓝（Deep Blue），AlphaGo 在编程中，并未使用决策树方法，或是评价所在位置的方程方法，或是 if-then 规则。DeepMind 的总裁 Demise Hassabis说：“AlphaGo是通过自我博弈和观察大型专业比赛来学习如何下围棋的。”（在训练中，AlphaGo 自我对战次数高达百万次）

　　一个游戏也许更像是一种人为设定，但是 Hassabis 认为，相同的技术可以应用在真实世界的问题中。今年 7 月，谷歌的报告显示，使用与 AlphaGo 相似的技方法，DeepMind 可以将谷歌数据中心的能耗效率提高 15%。Hassabis 说：“数据中心中大约有 120 个不同的变量，你可以调节风扇、打开窗户、关闭计算机系统电源来减少电力消耗。你可以从传感器、温度计等等中获取数据。这很像围棋游戏，通过反复试验和试错，你将学习到怎样做是对的。这个方法非常棒，每年可以节约几千万美元，同时也保护了环境。因为全世界的数据中心消耗了很多能源，我们希望在更大范围使用这个技术，甚至推广到国家电网系统中。”

　　聊天机器人都是非常不错的，但是它将变得更加酷炫。