雷鋒網(wǎng)按：Gartner技術(shù)成熟度曲線（Hyper Cycle）是Gartner著名并受到市場廣泛認可的一項市場評估手段。它通過量化一個技術(shù)從誕生到進行成熟的產(chǎn)業(yè)化應用的階段，形象的評估并比較了各個技術(shù)商業(yè)化的潛質(zhì)的高低。Hyper Cycle將產(chǎn)品的生命周期劃分為五個階段：創(chuàng)新觸發(fā)點（Innovation Trigger）、期望過高的峰值（Peak of Inflated Expectations）、理想破滅的低谷（Trough of Disillusionment）、啟蒙的斜坡（Slope of Enlightenment）、生產(chǎn)力平穩(wěn)發(fā)展期（Plateau of Productivity）。最近幾年，Gartner將人工智能相關(guān)的一些詞匯也加入到了這個表格中，不過在技術(shù)方面，它加入的不是近年來大熱的深度學習，而是機器學習這個總的技術(shù)類別。

Gartner第22次發(fā)布了它一年一度，經(jīng)過了充分討論的新興技術(shù)成熟度曲線報告，這份報告旨在“為商業(yè)戰(zhàn)略家、首席創(chuàng)新官、研發(fā)主管、企業(yè)家、全球的市場銷售人員和新興技術(shù)的研發(fā)團隊等一切需要時刻掌握新興技術(shù)動向的團隊提供一份橫跨整個產(chǎn)業(yè)界的關(guān)于技術(shù)趨勢的透視圖?！?span style="line-height: 1.8;">圖表如下：

在去年的技術(shù)成熟度曲線中，機器學習第一次出現(xiàn)在了圖上，當時福布斯的專欄作者Gil Press評論道：

機器學習今年第一次出現(xiàn)在了這幅圖表上，不過它直接跳過了第一階段并越過了最高期望點。不過，一個很明顯的地方是作為機器學習的一種新的標志性方法和新的思路的“深度學習”并不在這張表上。

去年的圖如下：

可以看到，今年Gartner把機器學習的位置稍微向后挪了一點，把它放在了“期望過高”的最高處，并估計還有2-5年才能實現(xiàn)主流化應用，機器學習是否還是一項新興技術(shù)，還有沒有更好的詞能概括它在當今技術(shù)中的地位？

機器學習是編程的含義從給電腦輸入以一步一步具體的算法和規(guī)則組成的包含特定指令序列的程序到給電腦輸入能夠從數(shù)據(jù)中學到東西并根據(jù)這些東西“自我改善”的程序的轉(zhuǎn)變的最好體現(xiàn)。算法會由被事先標記或分類好的數(shù)據(jù)進行訓練，并且學會分辨新輸入的沒有標記和分類的數(shù)據(jù)屬于之前見過的哪一類。比如說，在經(jīng)過一段時間分析垃圾郵件和非垃圾郵件的訓練之后，一個好的深度學習程序就能做到不用人類介入就能分辨哪些郵件是垃圾郵件而哪些郵件不是了。除了垃圾郵件過濾外，機器學習還在如手寫識別、機器翻譯、詐騙偵測和產(chǎn)品推薦上有許多成功的應用案例。

其實機器學習已經(jīng)出現(xiàn)很長一段時間了。據(jù)維基百科的記載，早在1959年，Arthur Samuel就已經(jīng)給出了機器學習的定義：“一門能讓電腦不用特意編程就能自己學習的學科。”是的，它在1959年就已經(jīng)出現(xiàn)了。很明顯，一般來說，這個年代的東西我們都不太會管它叫“新興技術(shù)”。

“人工神經(jīng)網(wǎng)絡”和“深度學習”（以及其各種變種）是現(xiàn)今技術(shù)圈最新潮熱門的詞，我敢說比其他任何技術(shù)詞匯都要流行。不過這些詞也存在很長時間了，不過，Canadian Mafia和其他人過去十年間在使用專用處理器和大數(shù)據(jù)訓練計算機方面玩出了新的花樣，而其爆發(fā)的臨界點伴隨著兩個突破性進展出現(xiàn)在2012年：谷歌的“Google Brain”團隊的一個由16000臺電腦組成的計算集群在處理了1000萬張從Youtube獲取到的圖片后學會了辨認圖片中的貓。在同一年，深度神經(jīng)網(wǎng)絡的錯誤率降低到了16%，并在ILSVCR（annual Imagenet Large Scale Visual Recognition Challenge，一個研究團隊提交各自程序來識別圖片中的物體和景色的比賽）中獲得了相當大的進步。這種方法的快速進步展現(xiàn)已經(jīng)在過去四年里讓無數(shù)學者將他們的研究精力轉(zhuǎn)移到了這上面，深度神經(jīng)網(wǎng)絡在其他領(lǐng)域的應用要求對未建模的數(shù)據(jù)的分析和處理。

深度學習不是機器學習領(lǐng)域唯一一個正快速進步的領(lǐng)域。Pedro Domingos曾在演講“The Master Algorithm”中提到過五個主要的實現(xiàn)方法，不過其各種各樣的變種其實也很多。深度學習目前得到了最多的關(guān)注，尤其是年初的時候DeepMind Techonogies的圍棋程序擊敗了世界上最厲害的圍棋選手之一。不過事實上，其他的方法在解決其他類型的問題的時候可能表現(xiàn)的會比深度學習更好。所以可能只在這個圖表中寫上“Deep Learning”而忽略其他的方法真的不是個好主意。如果Gartner要用的話，可能用一個類似“先進機器學習（Advanced machine learning）”的詞語來描述這些新興科技，或者其他的屬于機器學習范圍的科技會比較好。

via Forbes

總結(jié)

深度學習的表現(xiàn)確實很好，但很明顯，Gartner也不希望這一種方法壟斷整個機器學習領(lǐng)域（更何況深度學習的運作原理目前還不是很清楚。）。所以Gartner在技術(shù)成熟度曲線中用了“機器學習”這個概括性的詞，也為其他的機器學習方法留出了一種可能性。

而且，公眾目前對人工智能的能力期望確實普遍過高，甚至有很多人認為終結(jié)者那樣的機器人、或者奇點在幾年內(nèi)就會到來。Gartner也是捕捉到了這一點，把Machine learning放在了“期望值過高”的頂點，不得不說確實對市場相當了解。

所以，研究團隊、投資者、創(chuàng)業(yè)者們?nèi)绻胍谶@方面有所建樹，倒不如試著了解一下Machine Learning中的別的方法。說不定，它們中的某些方法在機緣巧合之下，就有成為下一個“Deep learning”的潛力。

題圖來自visualstudiomagazine.com

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。