在人類社會發(fā)展的進程中，工具、技術一直都是非常重要的推動力。尤其是在18世紀中葉進入工業(yè)文明時代以來，在工業(yè)革命、技術革新的推動下，社會發(fā)生了巨大的變革，機器生產(chǎn)代替了手工勞動，手工業(yè)逐漸消失，大批種類繁多的自動化機器不斷出現(xiàn)。這種現(xiàn)象在計算機出現(xiàn)之后變得更加嚴重。

1946年，第一臺計算機誕生，自此，計算機在人類的生產(chǎn)、生活中扮演的角色越來越多。起初，計算機只是單純地幫助人類解決計算難題，后來隨著計算機技術的發(fā)展和互聯(lián)網(wǎng)的出現(xiàn)，計算機不僅為人類提供了搜索、儲存、游戲、娛樂、控制等服務，還催生了很多工種，如軟件工程師、計算機系統(tǒng)工程師等，提供了諸多就業(yè)崗位。

現(xiàn)如今，人工智能也面臨著與計算機相似的境況，在其引導下的人類發(fā)展方向也有了諸多可能。目前，谷歌、英特爾、聯(lián)想等公司在人工智能產(chǎn)品開發(fā)方面取得了很多成就，在這些成就的影響下，未來，人工智能的設計模式有三種，如圖所示。

圖人工智能的三種設計模式

“訓練數(shù)據(jù)”模式

目前，有監(jiān)督的機器學習領域是人工智能技術應用最為廣泛的領域，有監(jiān)督就代表算法需要通過學習從訓練數(shù)據(jù)中獲得，這與人類的間接學習方法有很大的不同。

在這種情況下，機器學習算法的效果如何，在很大程度上取決于訓練數(shù)據(jù)的質量和數(shù)量。訓練數(shù)據(jù)的搜集是一項非常具有挑戰(zhàn)性的工作，即便是諸如谷歌這樣的大公司也不得不小心謹慎，谷歌每年在搜集整理訓練數(shù)據(jù)方面需要耗費的時間和精力都非常大。

但顯然，訓練數(shù)據(jù)的搜集和整理工作是一項“無底洞”。例如，F(xiàn)acebook推出一個新表情，為了了解這個新表情的使用情境，機器學習算法需要大量的例子。所以，在機器學習算法中，搜集訓練數(shù)據(jù)需要大量的人工勞動。

“人工參與的循環(huán)鏈”模式

自計算機出現(xiàn)之后，借助計算機，很多問題都能得到快速解決。但是，又有很多看似簡單的問題而計算機卻難以提出解決方案，例如，如何使用計算機引導類人機器人走路的問題。在人工智能領域，也有一些類似的問題存在，例如，針對某個問題，人工智能算法預測的精確度能夠達到80％，卻難以提升到90％。

但機器學習算法有一個很大的優(yōu)點，就是對其優(yōu)劣勢非常清楚。對于不能做出精確判斷的問題，機器學習算法能清楚地告知工程師，由工程師予以解決。在這種情況下，形成了一種“人工參與的循環(huán)鏈”模式，其具體內(nèi)容是對于某個問題，當機器難以解決時，可以交由人類解決。

在以前，我們總認為這種“人工參與的循環(huán)鏈”模式只是一種美好的想象而已，與現(xiàn)實有很大的差距，但事實上，這種模式的發(fā)展速度非�？欤�超乎人類想象，其典型產(chǎn)品有Facebook M等。

Facebook研發(fā)了一款人工智能助手服務，名為M，它能夠聽懂人類發(fā)出的語言指令，并根據(jù)指令去完成某些工作，如幫主人訂花、購買商品、安排約會等。而對于一些復雜的、難以完成的指令，M則交由人類自行解決。

自動駕駛與ATM（自動取款機）也是如此。到目前為止，自動駕駛難以脫離人工控制，雖然自動駕駛能夠實現(xiàn)自動泊車，能在好的路況條件下實現(xiàn)自動駕駛，但是遇到復雜的路況條件，就必須人工操控。ATM的自助存取款服務也有一定的限制，只能處理完整的、清晰的、整額的鈔票，對于那些有污漬、破損、零散的鈔票還需要到人工柜臺上進行處理。這些例子都表明，機器能夠幫助人類解決一些問題，但仍有很多問題需要人類自行解決。

從這個角度來看，該設計模式與“訓練數(shù)據(jù)”的設計模式有很大不同，只是用機器學習算法對部分工作進行了替換，使工作效率得以有效提升。該設計模式可能會縮小企業(yè)的用工數(shù)量，但也有可能創(chuàng)造出很多新的就業(yè)崗位。

主動學習模式

主動學習模式是訓練數(shù)據(jù)模式和人工參與的循環(huán)鏈模式的結合。人工參與的循環(huán)鏈模式收集了很多訓練數(shù)據(jù)，這些數(shù)據(jù)能反饋到機器學習算法中使其性能得以有效提升。對于那些機器學習算法不能解決的復雜問題，人類對該問題的解決方法和思路能給機器提供學習機會。這也就意味著，人類在解決機器不能解決的問題時培養(yǎng)了一批“對手”，同時，這些“對手”實力的增強也在很大程度上減輕了人類的工作負擔，并使工作效率得以有效提升。

在過去，機器學習算法之所以遲遲得不到有效應用，是因為場景不同，所需要的機器算法也不同，機器學習算法是需要定制的，這需要一大筆費用。受高成本的影響，只有大公司才有能力引進機器學習模式，使用機器學習算法。

但是，現(xiàn)如今，隨著計算能耗的持續(xù)降低和機器學習算法產(chǎn)品的增多，機器學習算法的應用成本正在逐漸降低。例如，在2015年，僅一年的時間就有4家企業(yè)發(fā)布了云機器學習平臺，給眾多小企業(yè)使用機器學習提供了機會�？傊�，隨著機器學習應用門檻的降低，機器學習的應用范圍正在迅速擴展。