在人类社会发展的进程中，工具、技术仍然都是十分最重要的推动力。特别是在是在18世纪中叶转入工业文明时代以来，在工业革命、技术革新的推展下，社会再次发生了极大的变革，机器生产替换了手工劳动，手工业渐渐消失，大批种类多样的自动化机器大大经常出现。

这种现象在计算机经常出现之后显得更为相当严重。1946年，第一台计算机问世，自此，计算机在人类的生产、生活中扮演着的角色更加多。最初，计算机只是全然地协助人类解决问题计算出来难题，后来随着计算机技术的发展和互联网的经常出现，计算机不仅为人类获取了搜寻、储存、游戏、娱乐、掌控等服务，还促成了很多工种，如软件工程师、计算机系统工程师等，获取了诸多低收入岗位。

现如今，人工智能也面对着与计算机相近的境况，在其引领下的人类发展方向也有了诸多有可能。目前，谷歌、英特尔、误解等公司在人工智能产品开发方面获得了很多成就，在这些成就的影响下，未来，人工智能的设计模式有三种，如图所示。

图人工智能的三种设计模式“训练数据”模式目前，有监督的机器学习领域是人工智能技术应用于尤为普遍的领域，有监督就代表算法必须通过自学从训练数据中取得，这与人类的间接自学方法有相当大的有所不同。在这种情况下，机器学习算法的效果如何，在相当大程度上各不相同训练数据的质量和数量。训练数据的收集是一项十分具备挑战性的工作，即便是诸如谷歌这样的大公司也被迫小心谨慎，谷歌每年在搜集整理训练数据方面必须花费的时间和精力都十分大。但似乎，训练数据的收集和整理工作是一项“无底洞”。

例如，Facebook发售一个新的表情，为了理解这个新的表情的用于情境，机器学习算法必须大量的例子。所以，在机器学习算法中，收集训练数据必须大量的人工劳动。

“人工参予的循环链”模式自计算机经常出现之后，利用计算机，很多问题都能获得较慢解决问题。但是，又有很多看起来非常简单的问题而计算机却无法明确提出解决方案，例如，如何用于计算机引领类人机器人走路的问题。在人工智能领域，也有一些类似于的问题不存在，例如，针对某个问题，人工智能算法预测的精确度需要超过80％，却无法提高到90％。但机器学习算法有一个相当大的优点，就是对其优劣势十分确切。

对于无法作出准确辨别的问题，机器学习算法能确切地告诉工程师，由工程师不予解决问题。在这种情况下，构成了一种“人工参予的循环链”模式，其具体内容是对于某个问题，当机器难以解决时，可以交由人类解决问题。在以前，我们总指出这种“人工参予的循环链”模式只是一种幸福的想象而已，与现实有相当大的差距，但事实上，这种模式的发展速度十分慢，惊人人类想象，其典型产品有FacebookM等。Facebook研发了一款人工智能助手服务，取名为M，它需要听不懂人类收到的语言指令，并根据指令去已完成某些工作，如掌门人订花、出售商品、决定约会等。

而对于一些简单的、难以完成的指令，M则交由人类自行解决。自动驾驶与ATM（自动取款机）也是如此。到目前为止，自动驾驶无法瓦解人工控制，虽然自动驾驶需要构建自动泊车，能在好的路况条件下构建自动驾驶，但是遇上简单的路况条件，就必需人工操纵。

ATM的自助存取款服务也有一定的容许，不能处置原始的、明晰的、整额的钞票，对于那些有污渍、损坏、零散的钞票还必须到人工柜台上展开处置。这些例子都指出，机器需要协助人类解决问题一些问题，但仍有很多问题必须人类自行解决。从这个角度来看，该设计模式与“训练数据”的设计模式有相当大有所不同，只是用机器学习算法对部分工作展开了更换，使工作效率以求有效地提高。

该设计模式可能会增大企业的用工数量，但也有可能建构出有很多新的低收入岗位。主动自学模式主动自学模式是训练数据模式和人工参予的循环链模式的融合。人工参予的循环链模式搜集了很多训练数据，这些数据能对系统到机器学习算法中使其性能以求有效地提高。

对于那些机器学习算法无法解决问题的简单问题，人类对该问题的解决问题方法和思路能给机器获取自学机会。这也就意味著，人类在解决问题机器无法解决问题的问题时培育了一批“输掉”，同时，这些“输掉”实力的强化也在相当大程度上减低了人类的工作开销，并使工作效率以求有效地提高。

在过去，机器学习算法之所以如期得到有效地应用于，是因为场景有所不同，所必须的机器算法也有所不同，机器学习算法是必须自定义的，这必须一大笔费用。受高成本的影响，只有大公司才有能力引入机器学习模式，用于机器学习算法。但是，现如今，随着计算出来能耗的持续减少和机器学习算法产品的激增，机器学习算法的应用于成本正在渐渐减少。例如，在2015年，仅有一年的时间就有4家企业公布了云机器学习平台，给众多小企业用于机器学习获取了机会。

总之，随着机器学习应用于门槛的减少，机器学习的应用于范围正在很快拓展。

本文来源：九游官网-www.sdyunzi.com