'學習人工智能 100 天后，我得出 5 個結論'
2019 年 1 月底，我突然意識到，自己對人工智能瞭解非常有限。目前，人工智能對我們的影響越來越大。它保護我們的郵箱免受垃圾郵件的干擾，提供 Alexa 天氣信息更新，為亞馬遜消費者推薦更精準的商品或者為 Netflix 用戶提供觀影建議。每次當我們打開 Twitter 或 Facebook 都是一次人類與人工智能的較量，人工智能比我們更瞭解我們自己。而我——一個所謂的技術專家，對人工智能的瞭解竟如此有限。
《連線》雜誌創始人 Kevin Kelly（凱文·凱利）在播客上參加一個叫“未來思想家”的節目，他在節目中討論了 AI 相關的話題。他強調，一切才剛開始，如果有人願意花點時間稍微深入學習一下人工智能和機器學習，他們就會發現，真正瞭解人工智能的人並不多。那天下班回家後，我就開始了為期 100 天的人工智能“深度潛水”。
我把所有東西都列在了 Trello 上（ https://trello.com/b/g1cS5K0O/100-days-of-ai ）。雖然時間不是很充裕，但我還是在 100 天內完成了近 200 小時的學習。我看了 9 本書，上了 2 門 Coursera 課程（現在開始上第三門），聽了很多播客節目，還儘可能多地學習其他教程。
下面是我在那段時間裡總結出的 5 個結論。
1. 人工智能不是新事物，但有新突破
“人工智能”一詞並非來自科幻小說。1956 年，在達特茅斯學院舉辦的一個夏季研討會上，一群聰明人聚在一起討論如何讓機器具備思考的能力。這次聚會的目的就是要提出這個概念。雖然他們沒有留下會思考的機器，但是他們的一些想法和技術卻為現代人工智能奠定了基礎。
研討會之後，人們對人工智能的不同子領域產生了濃厚興趣。神經網絡現在看起來似乎很有前途，但在當時卻一片空白，大多數研究最終放棄了它。這一時期被稱為“人工智能的冬天”，並持續幾十年。但近年來，隨著計算能力和可用數據呈指數級增長，再加上深度學習的突破，極大提高了機器學習的效率，以至於連吳恩達都稱人工智能是“新電力”。
2. 人工智能相當於機器學習，但不是終結者
2019 年 1 月底，我突然意識到，自己對人工智能瞭解非常有限。目前，人工智能對我們的影響越來越大。它保護我們的郵箱免受垃圾郵件的干擾，提供 Alexa 天氣信息更新，為亞馬遜消費者推薦更精準的商品或者為 Netflix 用戶提供觀影建議。每次當我們打開 Twitter 或 Facebook 都是一次人類與人工智能的較量，人工智能比我們更瞭解我們自己。而我——一個所謂的技術專家，對人工智能的瞭解竟如此有限。
《連線》雜誌創始人 Kevin Kelly（凱文·凱利）在播客上參加一個叫“未來思想家”的節目，他在節目中討論了 AI 相關的話題。他強調，一切才剛開始，如果有人願意花點時間稍微深入學習一下人工智能和機器學習，他們就會發現，真正瞭解人工智能的人並不多。那天下班回家後，我就開始了為期 100 天的人工智能“深度潛水”。
我把所有東西都列在了 Trello 上（ https://trello.com/b/g1cS5K0O/100-days-of-ai ）。雖然時間不是很充裕，但我還是在 100 天內完成了近 200 小時的學習。我看了 9 本書，上了 2 門 Coursera 課程（現在開始上第三門），聽了很多播客節目，還儘可能多地學習其他教程。
下面是我在那段時間裡總結出的 5 個結論。
1. 人工智能不是新事物，但有新突破
“人工智能”一詞並非來自科幻小說。1956 年，在達特茅斯學院舉辦的一個夏季研討會上，一群聰明人聚在一起討論如何讓機器具備思考的能力。這次聚會的目的就是要提出這個概念。雖然他們沒有留下會思考的機器，但是他們的一些想法和技術卻為現代人工智能奠定了基礎。
研討會之後，人們對人工智能的不同子領域產生了濃厚興趣。神經網絡現在看起來似乎很有前途，但在當時卻一片空白，大多數研究最終放棄了它。這一時期被稱為“人工智能的冬天”，並持續幾十年。但近年來，隨著計算能力和可用數據呈指數級增長，再加上深度學習的突破，極大提高了機器學習的效率，以至於連吳恩達都稱人工智能是“新電力”。
2. 人工智能相當於機器學習，但不是終結者
終結者，超智能文化的縮影
人工通用智能（AGI）是一種可以像人類一樣思考的機器。比如終結者，或者 HAL 9000 ，或者《機械姬》裡的機器人。這麼說來，超智能就是超越了人類思考能力的機器。但目前並不存在這些東西。到目前為止，AGI 仍然是一種幻想，是遙不可及的未來。但這並不意味著沒有人在做這件事情，也不意味著像 Max Tegmark 或 Ray Kurzweil 這些聰明人不會談論和期待它們的出現（它們會的，而且很快）。但目前 AI 的主要形式幾乎就是機器學習——人工智能的一個子領域。
2019 年 1 月底，我突然意識到，自己對人工智能瞭解非常有限。目前，人工智能對我們的影響越來越大。它保護我們的郵箱免受垃圾郵件的干擾，提供 Alexa 天氣信息更新，為亞馬遜消費者推薦更精準的商品或者為 Netflix 用戶提供觀影建議。每次當我們打開 Twitter 或 Facebook 都是一次人類與人工智能的較量，人工智能比我們更瞭解我們自己。而我——一個所謂的技術專家，對人工智能的瞭解竟如此有限。
《連線》雜誌創始人 Kevin Kelly（凱文·凱利）在播客上參加一個叫“未來思想家”的節目，他在節目中討論了 AI 相關的話題。他強調，一切才剛開始，如果有人願意花點時間稍微深入學習一下人工智能和機器學習，他們就會發現，真正瞭解人工智能的人並不多。那天下班回家後，我就開始了為期 100 天的人工智能“深度潛水”。
我把所有東西都列在了 Trello 上（ https://trello.com/b/g1cS5K0O/100-days-of-ai ）。雖然時間不是很充裕，但我還是在 100 天內完成了近 200 小時的學習。我看了 9 本書，上了 2 門 Coursera 課程（現在開始上第三門），聽了很多播客節目，還儘可能多地學習其他教程。
下面是我在那段時間裡總結出的 5 個結論。
1. 人工智能不是新事物，但有新突破
“人工智能”一詞並非來自科幻小說。1956 年，在達特茅斯學院舉辦的一個夏季研討會上，一群聰明人聚在一起討論如何讓機器具備思考的能力。這次聚會的目的就是要提出這個概念。雖然他們沒有留下會思考的機器，但是他們的一些想法和技術卻為現代人工智能奠定了基礎。
研討會之後，人們對人工智能的不同子領域產生了濃厚興趣。神經網絡現在看起來似乎很有前途，但在當時卻一片空白，大多數研究最終放棄了它。這一時期被稱為“人工智能的冬天”，並持續幾十年。但近年來，隨著計算能力和可用數據呈指數級增長，再加上深度學習的突破，極大提高了機器學習的效率，以至於連吳恩達都稱人工智能是“新電力”。
2. 人工智能相當於機器學習，但不是終結者
終結者，超智能文化的縮影
人工通用智能（AGI）是一種可以像人類一樣思考的機器。比如終結者，或者 HAL 9000 ，或者《機械姬》裡的機器人。這麼說來，超智能就是超越了人類思考能力的機器。但目前並不存在這些東西。到目前為止，AGI 仍然是一種幻想，是遙不可及的未來。但這並不意味著沒有人在做這件事情，也不意味著像 Max Tegmark 或 Ray Kurzweil 這些聰明人不會談論和期待它們的出現（它們會的，而且很快）。但目前 AI 的主要形式幾乎就是機器學習——人工智能的一個子領域。
機器學習基本上是這樣的：
第一步：把問題變成預測問題。換句話說，就是給定輸入參數（特徵），然後預測結果。第二步：定義算法或系統，做出決策。這類算法或系統有很多，從線性迴歸到神經網絡、深度學習、支持向量機、遞歸神經網絡、卷積神經網絡、生成對抗網絡等等。每種算法都是針對一類特殊的預測問題而設計的。要預測一所房子的成本，使用線性迴歸模型就足夠了，預測劇本可以使用遞歸神經網絡（RNN），預測人臉圖像可以使用生成對抗網絡（GAN）。
第三步：獲取大量的訓練數據，越多越好。關於房價，可以獲取包含房子 (標籤) 特徵和實際價格的數據。對字符識別，可以獲取大量包含字符的圖片，並對其進行標記。
第四步：訓練模型。提供訓練數據，計算錯誤，調整並重復，直到錯誤最小化。在這裡，梯度下降和反向傳播是兩個重要的概念。
假設找到了最小誤差，模型就準備好了——為它提供新特徵，它就可以預測結果。結果往往非常準確，通常比人類更準確。
3. 一切都是數學
2019 年 1 月底，我突然意識到，自己對人工智能瞭解非常有限。目前，人工智能對我們的影響越來越大。它保護我們的郵箱免受垃圾郵件的干擾，提供 Alexa 天氣信息更新，為亞馬遜消費者推薦更精準的商品或者為 Netflix 用戶提供觀影建議。每次當我們打開 Twitter 或 Facebook 都是一次人類與人工智能的較量，人工智能比我們更瞭解我們自己。而我——一個所謂的技術專家，對人工智能的瞭解竟如此有限。
《連線》雜誌創始人 Kevin Kelly（凱文·凱利）在播客上參加一個叫“未來思想家”的節目，他在節目中討論了 AI 相關的話題。他強調，一切才剛開始，如果有人願意花點時間稍微深入學習一下人工智能和機器學習，他們就會發現，真正瞭解人工智能的人並不多。那天下班回家後，我就開始了為期 100 天的人工智能“深度潛水”。
我把所有東西都列在了 Trello 上（ https://trello.com/b/g1cS5K0O/100-days-of-ai ）。雖然時間不是很充裕，但我還是在 100 天內完成了近 200 小時的學習。我看了 9 本書，上了 2 門 Coursera 課程（現在開始上第三門），聽了很多播客節目，還儘可能多地學習其他教程。
下面是我在那段時間裡總結出的 5 個結論。
1. 人工智能不是新事物，但有新突破
“人工智能”一詞並非來自科幻小說。1956 年，在達特茅斯學院舉辦的一個夏季研討會上，一群聰明人聚在一起討論如何讓機器具備思考的能力。這次聚會的目的就是要提出這個概念。雖然他們沒有留下會思考的機器，但是他們的一些想法和技術卻為現代人工智能奠定了基礎。
研討會之後，人們對人工智能的不同子領域產生了濃厚興趣。神經網絡現在看起來似乎很有前途，但在當時卻一片空白，大多數研究最終放棄了它。這一時期被稱為“人工智能的冬天”，並持續幾十年。但近年來，隨著計算能力和可用數據呈指數級增長，再加上深度學習的突破，極大提高了機器學習的效率，以至於連吳恩達都稱人工智能是“新電力”。
2. 人工智能相當於機器學習，但不是終結者
終結者，超智能文化的縮影
人工通用智能（AGI）是一種可以像人類一樣思考的機器。比如終結者，或者 HAL 9000 ，或者《機械姬》裡的機器人。這麼說來，超智能就是超越了人類思考能力的機器。但目前並不存在這些東西。到目前為止，AGI 仍然是一種幻想，是遙不可及的未來。但這並不意味著沒有人在做這件事情，也不意味著像 Max Tegmark 或 Ray Kurzweil 這些聰明人不會談論和期待它們的出現（它們會的，而且很快）。但目前 AI 的主要形式幾乎就是機器學習——人工智能的一個子領域。
機器學習基本上是這樣的：
第一步：把問題變成預測問題。換句話說，就是給定輸入參數（特徵），然後預測結果。第二步：定義算法或系統，做出決策。這類算法或系統有很多，從線性迴歸到神經網絡、深度學習、支持向量機、遞歸神經網絡、卷積神經網絡、生成對抗網絡等等。每種算法都是針對一類特殊的預測問題而設計的。要預測一所房子的成本，使用線性迴歸模型就足夠了，預測劇本可以使用遞歸神經網絡（RNN），預測人臉圖像可以使用生成對抗網絡（GAN）。
第三步：獲取大量的訓練數據，越多越好。關於房價，可以獲取包含房子 (標籤) 特徵和實際價格的數據。對字符識別，可以獲取大量包含字符的圖片，並對其進行標記。
第四步：訓練模型。提供訓練數據，計算錯誤，調整並重復，直到錯誤最小化。在這裡，梯度下降和反向傳播是兩個重要的概念。
假設找到了最小誤差，模型就準備好了——為它提供新特徵，它就可以預測結果。結果往往非常準確，通常比人類更準確。
3. 一切都是數學
來自吳恩達機器學習課程的截圖
在開始 100 天的學習前，我就知道機器學習與數學有關，只是不知道關係有多大。對任何一個入門者來說，瞭解微積分和代數是非常有幫助的。幸運的是，就算不是數學專業的學生也能掌握這些知識，而且機器學習的全民化進程正在不斷推進中。
重要的機器學習框架包括谷歌的 Tensorflow、微軟的 ML.NET 和 PyTorch，它們為程序員添加了一個抽象層，甚至是額外的抽象層，比如位於 Tensorflow 之上的 Keras。
我們還可以將機器學習模型作為一種服務，或者通過創建自動化工具（如 AutoML 和 Auto-Keras）讓機器學習變得更容易。
4. 偏見是個大問題
機器學習模型中的偏見是個大問題。Amy Webb 的偉大著作《九巨頭》(The Big Nine) 有很多章節都提到了這個問題。測試數據的全面性和多樣性是非常重要的，但它們也是文明目前最缺的東西。
2019 年 1 月底，我突然意識到，自己對人工智能瞭解非常有限。目前，人工智能對我們的影響越來越大。它保護我們的郵箱免受垃圾郵件的干擾，提供 Alexa 天氣信息更新，為亞馬遜消費者推薦更精準的商品或者為 Netflix 用戶提供觀影建議。每次當我們打開 Twitter 或 Facebook 都是一次人類與人工智能的較量，人工智能比我們更瞭解我們自己。而我——一個所謂的技術專家，對人工智能的瞭解竟如此有限。
《連線》雜誌創始人 Kevin Kelly（凱文·凱利）在播客上參加一個叫“未來思想家”的節目，他在節目中討論了 AI 相關的話題。他強調，一切才剛開始，如果有人願意花點時間稍微深入學習一下人工智能和機器學習，他們就會發現，真正瞭解人工智能的人並不多。那天下班回家後，我就開始了為期 100 天的人工智能“深度潛水”。
我把所有東西都列在了 Trello 上（ https://trello.com/b/g1cS5K0O/100-days-of-ai ）。雖然時間不是很充裕，但我還是在 100 天內完成了近 200 小時的學習。我看了 9 本書，上了 2 門 Coursera 課程（現在開始上第三門），聽了很多播客節目，還儘可能多地學習其他教程。
下面是我在那段時間裡總結出的 5 個結論。
1. 人工智能不是新事物，但有新突破
“人工智能”一詞並非來自科幻小說。1956 年，在達特茅斯學院舉辦的一個夏季研討會上，一群聰明人聚在一起討論如何讓機器具備思考的能力。這次聚會的目的就是要提出這個概念。雖然他們沒有留下會思考的機器，但是他們的一些想法和技術卻為現代人工智能奠定了基礎。
研討會之後，人們對人工智能的不同子領域產生了濃厚興趣。神經網絡現在看起來似乎很有前途，但在當時卻一片空白，大多數研究最終放棄了它。這一時期被稱為“人工智能的冬天”，並持續幾十年。但近年來，隨著計算能力和可用數據呈指數級增長，再加上深度學習的突破，極大提高了機器學習的效率，以至於連吳恩達都稱人工智能是“新電力”。
2. 人工智能相當於機器學習，但不是終結者
終結者，超智能文化的縮影
人工通用智能（AGI）是一種可以像人類一樣思考的機器。比如終結者，或者 HAL 9000 ，或者《機械姬》裡的機器人。這麼說來，超智能就是超越了人類思考能力的機器。但目前並不存在這些東西。到目前為止，AGI 仍然是一種幻想，是遙不可及的未來。但這並不意味著沒有人在做這件事情，也不意味著像 Max Tegmark 或 Ray Kurzweil 這些聰明人不會談論和期待它們的出現（它們會的，而且很快）。但目前 AI 的主要形式幾乎就是機器學習——人工智能的一個子領域。
機器學習基本上是這樣的：
第一步：把問題變成預測問題。換句話說，就是給定輸入參數（特徵），然後預測結果。第二步：定義算法或系統，做出決策。這類算法或系統有很多，從線性迴歸到神經網絡、深度學習、支持向量機、遞歸神經網絡、卷積神經網絡、生成對抗網絡等等。每種算法都是針對一類特殊的預測問題而設計的。要預測一所房子的成本，使用線性迴歸模型就足夠了，預測劇本可以使用遞歸神經網絡（RNN），預測人臉圖像可以使用生成對抗網絡（GAN）。
第三步：獲取大量的訓練數據，越多越好。關於房價，可以獲取包含房子 (標籤) 特徵和實際價格的數據。對字符識別，可以獲取大量包含字符的圖片，並對其進行標記。
第四步：訓練模型。提供訓練數據，計算錯誤，調整並重復，直到錯誤最小化。在這裡，梯度下降和反向傳播是兩個重要的概念。
假設找到了最小誤差，模型就準備好了——為它提供新特徵，它就可以預測結果。結果往往非常準確，通常比人類更準確。
3. 一切都是數學
來自吳恩達機器學習課程的截圖
在開始 100 天的學習前，我就知道機器學習與數學有關，只是不知道關係有多大。對任何一個入門者來說，瞭解微積分和代數是非常有幫助的。幸運的是，就算不是數學專業的學生也能掌握這些知識，而且機器學習的全民化進程正在不斷推進中。
重要的機器學習框架包括谷歌的 Tensorflow、微軟的 ML.NET 和 PyTorch，它們為程序員添加了一個抽象層，甚至是額外的抽象層，比如位於 Tensorflow 之上的 Keras。
我們還可以將機器學習模型作為一種服務，或者通過創建自動化工具（如 AutoML 和 Auto-Keras）讓機器學習變得更容易。
4. 偏見是個大問題
機器學習模型中的偏見是個大問題。Amy Webb 的偉大著作《九巨頭》(The Big Nine) 有很多章節都提到了這個問題。測試數據的全面性和多樣性是非常重要的，但它們也是文明目前最缺的東西。
從 1956 年以來出現的”AI 之父“
Amy 將 ImageNet 語料庫作為例子。這個語料庫包含 1400 萬張帶標籤的圖片，其中一半以上是在美國創建的。當然，ImageNet 語料庫並不是唯一一個包含偏見的數據集。
如果一個數據集大部分都是女性“護士”或男性“CEO”，會發生什麼？如果一個皮膚癌圖像數據集只包含淺膚色樣本，會發生什麼？如果這些模型真正進入到我們的日常生活，會產生嚴重的後果。隨著機器學習模型全民化進程的繼續，我們使用了很多預先構建的模型，但對用來訓練這些模型的數據一無所知，所以偏見會持續存在，並且可能會放大整個社會的偏見。
研究人員很清楚這個問題的存在，很多大公司都有自己的指導原則，用於減少向工程文化中引入偏見。沒有人故意要向模型中引入偏見，但即使是出於好意，引入偏見也是不可避免的。
因此，瞭解機器學習原理以及它們如何影響我們——比如如何幫助 Twitter 和 Facebook 向我們推薦那些攪亂我們神經細胞的內容，培養我們對世界的認知，這一點非常重要。
5. 機遇
2019 年 1 月底，我突然意識到，自己對人工智能瞭解非常有限。目前，人工智能對我們的影響越來越大。它保護我們的郵箱免受垃圾郵件的干擾，提供 Alexa 天氣信息更新，為亞馬遜消費者推薦更精準的商品或者為 Netflix 用戶提供觀影建議。每次當我們打開 Twitter 或 Facebook 都是一次人類與人工智能的較量，人工智能比我們更瞭解我們自己。而我——一個所謂的技術專家，對人工智能的瞭解竟如此有限。
《連線》雜誌創始人 Kevin Kelly（凱文·凱利）在播客上參加一個叫“未來思想家”的節目，他在節目中討論了 AI 相關的話題。他強調，一切才剛開始，如果有人願意花點時間稍微深入學習一下人工智能和機器學習，他們就會發現，真正瞭解人工智能的人並不多。那天下班回家後，我就開始了為期 100 天的人工智能“深度潛水”。
我把所有東西都列在了 Trello 上（ https://trello.com/b/g1cS5K0O/100-days-of-ai ）。雖然時間不是很充裕，但我還是在 100 天內完成了近 200 小時的學習。我看了 9 本書，上了 2 門 Coursera 課程（現在開始上第三門），聽了很多播客節目，還儘可能多地學習其他教程。
下面是我在那段時間裡總結出的 5 個結論。
1. 人工智能不是新事物，但有新突破
“人工智能”一詞並非來自科幻小說。1956 年，在達特茅斯學院舉辦的一個夏季研討會上，一群聰明人聚在一起討論如何讓機器具備思考的能力。這次聚會的目的就是要提出這個概念。雖然他們沒有留下會思考的機器，但是他們的一些想法和技術卻為現代人工智能奠定了基礎。
研討會之後，人們對人工智能的不同子領域產生了濃厚興趣。神經網絡現在看起來似乎很有前途，但在當時卻一片空白，大多數研究最終放棄了它。這一時期被稱為“人工智能的冬天”，並持續幾十年。但近年來，隨著計算能力和可用數據呈指數級增長，再加上深度學習的突破，極大提高了機器學習的效率，以至於連吳恩達都稱人工智能是“新電力”。
2. 人工智能相當於機器學習，但不是終結者
終結者，超智能文化的縮影
人工通用智能（AGI）是一種可以像人類一樣思考的機器。比如終結者，或者 HAL 9000 ，或者《機械姬》裡的機器人。這麼說來，超智能就是超越了人類思考能力的機器。但目前並不存在這些東西。到目前為止，AGI 仍然是一種幻想，是遙不可及的未來。但這並不意味著沒有人在做這件事情，也不意味著像 Max Tegmark 或 Ray Kurzweil 這些聰明人不會談論和期待它們的出現（它們會的，而且很快）。但目前 AI 的主要形式幾乎就是機器學習——人工智能的一個子領域。
機器學習基本上是這樣的：
第一步：把問題變成預測問題。換句話說，就是給定輸入參數（特徵），然後預測結果。第二步：定義算法或系統，做出決策。這類算法或系統有很多，從線性迴歸到神經網絡、深度學習、支持向量機、遞歸神經網絡、卷積神經網絡、生成對抗網絡等等。每種算法都是針對一類特殊的預測問題而設計的。要預測一所房子的成本，使用線性迴歸模型就足夠了，預測劇本可以使用遞歸神經網絡（RNN），預測人臉圖像可以使用生成對抗網絡（GAN）。
第三步：獲取大量的訓練數據，越多越好。關於房價，可以獲取包含房子 (標籤) 特徵和實際價格的數據。對字符識別，可以獲取大量包含字符的圖片，並對其進行標記。
第四步：訓練模型。提供訓練數據，計算錯誤，調整並重復，直到錯誤最小化。在這裡，梯度下降和反向傳播是兩個重要的概念。
假設找到了最小誤差，模型就準備好了——為它提供新特徵，它就可以預測結果。結果往往非常準確，通常比人類更準確。
3. 一切都是數學
來自吳恩達機器學習課程的截圖
在開始 100 天的學習前，我就知道機器學習與數學有關，只是不知道關係有多大。對任何一個入門者來說，瞭解微積分和代數是非常有幫助的。幸運的是，就算不是數學專業的學生也能掌握這些知識，而且機器學習的全民化進程正在不斷推進中。
重要的機器學習框架包括谷歌的 Tensorflow、微軟的 ML.NET 和 PyTorch，它們為程序員添加了一個抽象層，甚至是額外的抽象層，比如位於 Tensorflow 之上的 Keras。
我們還可以將機器學習模型作為一種服務，或者通過創建自動化工具（如 AutoML 和 Auto-Keras）讓機器學習變得更容易。
4. 偏見是個大問題
機器學習模型中的偏見是個大問題。Amy Webb 的偉大著作《九巨頭》(The Big Nine) 有很多章節都提到了這個問題。測試數據的全面性和多樣性是非常重要的，但它們也是文明目前最缺的東西。
從 1956 年以來出現的”AI 之父“
Amy 將 ImageNet 語料庫作為例子。這個語料庫包含 1400 萬張帶標籤的圖片，其中一半以上是在美國創建的。當然，ImageNet 語料庫並不是唯一一個包含偏見的數據集。
如果一個數據集大部分都是女性“護士”或男性“CEO”，會發生什麼？如果一個皮膚癌圖像數據集只包含淺膚色樣本，會發生什麼？如果這些模型真正進入到我們的日常生活，會產生嚴重的後果。隨著機器學習模型全民化進程的繼續，我們使用了很多預先構建的模型，但對用來訓練這些模型的數據一無所知，所以偏見會持續存在，並且可能會放大整個社會的偏見。
研究人員很清楚這個問題的存在，很多大公司都有自己的指導原則，用於減少向工程文化中引入偏見。沒有人故意要向模型中引入偏見，但即使是出於好意，引入偏見也是不可避免的。
因此，瞭解機器學習原理以及它們如何影響我們——比如如何幫助 Twitter 和 Facebook 向我們推薦那些攪亂我們神經細胞的內容，培養我們對世界的認知，這一點非常重要。
5. 機遇
Gartner 公司在 2018 年 4 月發佈的全球 AI 驅動商業價值預測報告（單位為十億美元)
Kevin Kelly（凱文·凱利）是對的。我們還處在人工智能和機器學習的早期階段。是的，有很多應用已經滲透到我們的生活中，但在這個領域仍然有很多機會。
機器學習能夠、已經、也將徹底改變一切。在過去 100 天裡，我讀了很多書，Marshall Brian 的《Manna》就是其中之一。它描述了一個近乎烏托邦的世界，在這個世界裡，機器和自動化已經接管了所有工作，人類可以過上自己想要的生活。不需要 AGI，只需要機器學習。但這樣的世界離我們還有多遠？
Instagram 名人和 Youtube 視頻博主的內容甚至可以完全由 GAN 和 RNN 生成。一種由機器學習驅動的娛樂新模式，從電影腳本到逼真的 3D 模型，一切都是由機器學習模型生成的。你甚至都不要再去面試工作了，因為可以通過機器學習將你與空缺職位進行匹配，所以又何必費事去面試呢？從癌症治療到餐館晚餐，再到實時生成音樂，一切都可以實現高度個性化。自動駕駛出租車、基於 RNN 的文案服務、自動化服務協議、自動化法庭裁決、個性化生活改善策略、無人機送貨、基於人工智能的投資，這些例子數不勝數。它們都是實實在在的，而且幾乎都是目前可以實現的。
人工智能和機器學習也可能影響到人類文明，幫助人類降低風險，比如氣候變化、戰爭、小行星撞擊和疾病。
世界即將開始發生變化。我們可能會注意到，也可能不會。人工智能將推動這一切，它已經開始向我們逼近。
正如 Kevin Kelly（凱文·凱利）所說的：
未來緩慢而來，然後突然爆發。