深度学习算法的进步推动了AI。深度学习算法可以在没有特征的先前定义的情况下检测模式。它们可以被看作是一种混合形式的监督学习，因为仍然需要使用大量的示例训练网络，但不需要预先定义示例的特性（features）。深度学习网络由于算法本身的改进和硬件能力的提升（尤其是GPU）而得到了巨大的进步。

　　最后，从广义上说，机器学习这个术语意味着可以应用于数据集以找到数据中的模式的任何算法应用。包括有监督，无监督，分割（ segmentation），分类或回归等算法。

　　12类AI问题

　　在上述背景知识的基础上，我们现在讨论12种类型的 AI 问题。

　　1. 领域专家：涉及基于复杂知识体系的推理问题

　　包括基于学习法律、金融等知识体系的任务，然后构想在该领域中机器可以模仿专家的过程。

　　2. 领域扩展：涉及对复杂知识体系进行扩展的问题

　　在这个问题中，机器学习一个复杂的知识体系，如有关药物的信息，然后向这个领域本身提出新的见解——例如治疗疾病的新药。

　　3. 复杂计划者：涉及计划的任务

　　当前的算法（非AI）能够完成许多物流和调度任务。但优化变得越来越复杂，AI可以解决这个问题。一个例子是在物联网中使用AI技术处理稀疏数据集。在这个场景下AI的优势是，因为数据集非常大而且复杂，人类无法检测到数据中的模式，但机器可以很容易做到。

　　4. 更好的沟通者：设计改善现有的沟通任务

　　AI 和深度学习对多种沟通模式有帮助，如自动翻译，智能代理等。

　　5. 新的感知：设计感知的任务

　　AI和深度学习使更新的感知形式成为可能，如自动驾驶车辆。

　　6. 企业 AI：AI与企业再造相符合。

　　AI将被部署在几乎所有的经济部门，例如自动驾驶车辆等得到了媒体的大力关注。有一个原则能适用各种场景，即通过深度学习，AI将被用于自动特征检测（automatic feature dection）以得出新的洞见，这将有助于优化、改进或改变业务流程（比传统机器学习带来的改变更大）。从更广泛的意义来说，这是令AI与企业再造（Re-engineering the Corporation）相符合。

　　7. 企业AI将非结构化的数据和认知能力添加到ERP和数据仓库

　　非结构化数据为深度学习和AI提供了巨大的机会。正如 Forbes 在对2017年的技术趋势进行预测时所说：“绝大多数组织能得到的数据是非结构化的，例如通话日志、电子邮件、会议记录、视频和音频数据，虽然这些数据很有价值，但不容易进行一致的格式化以供直接进行定量分析。随着图像识别、情感分析和自然语言处理等领域的进步，这些信息开始开放，因此挖掘这些数据中的信息将是2017年的越来越大的业务。”我非常同意这个观点。在实践中，这意味着通过认知系统增强 ERP 和数据仓库（Data warehosing）系统的功能。

　　8. 由于AI的二阶后果影响领域的问题

　　MMC Ventures 投资总监 David Kelnar 在有关第四次工业革命的文章中写道：“机器学习的二阶后果（second-order consequences）将超过其直接影响。深度学习改进了计算机视觉，例如，使得自动驾驶使车辆成为可能。但这些进步带来的影响是什么呢？今天，全英国90％的人和80％的货物通过公路运输。自动驾驶车辆将影响：安全（90％的事故是由于驾驶员注意力不集中引起的）；就业（全英国有220万人从事运输和物流行业，年薪约为570亿英镑）；保险（自动驾驶车辆将导致预期的汽车保险收入降低63％）；部门经济学（消费者可能更多使用按需运输服务来代替私家汽车）；车辆吞吐量；城市规划；规章制度等。”

　　9. 在不远的将来可能从改进的算法中受益的问题

　　得益于更好的算法或更好的软件，在不远的将来，过去不可能的一些事物将变得可能。例如，语音识别的准确度将继续提高，目前语音识别已经达到人类的最高水平了。2012年谷歌使用LSTM驱动安卓系统上的语音识别。一个半月前，微软的工程师发布报告说，他们的语音识别系统的错误率已经降到5.9％，这个数字恰是人类的最佳水平。

　　10. 专家系统的演变