在人類社會發展的進程中，工具、技術一直都是非常重要的推動力。尤其是在18世紀中葉進入工業文明時代以來，在工業革命、技術革新的推動下，社會發生了巨大的變革，機器生產代替了手工勞動，手工業逐漸消失，大批種類繁多的自動化機器不斷出現。這種現象在計算機出現之後變得更加嚴重。
1946年，第一臺計算機誕生，自此，計算機在人類的生產、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，後來隨著計算機技術的發展和互聯網的出現，計算機不僅為人類提供了搜索、儲存、遊戲、娛樂、控制等服務，還催生了很多工種，如軟件工程師、計算機系統工程師等，提供了諸多就業崗位。
現如今，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展方向也有了諸多可能。目前，谷歌、英特爾、聯想等公司在人工智能產品開發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4-1所示。
圖1 人工智能的三種設計模式
“訓練數據”模式
目前，有監督的機器學習領域是人工智能技術應用最為廣泛的領域，有監督就代表算法需要通過學習從訓練數據中獲得，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，在很大程度上取決於訓練數據的質量和數量。訓練數據的蒐集是一項非常具有挑戰性的工作，即便是諸如谷歌這樣的大公司也不得不小心謹慎，谷歌每年在蒐集整理訓練數據方面需要耗費的時間和精力都非常大。
但顯然，訓練數據的蒐集和整理工作是一項“無底洞”。例如，Facebook推出一個新表情，為了瞭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，蒐集訓練數據需要大量的人工勞動。
“人工參與的循環鏈”模式
自計算機出現之後，藉助計算機，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點，就是對其優劣勢非常清楚。對於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“人工參與的循環鏈”模式，其具體內容是對於某個問題，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“人工參與的循環鏈”模式只是一種美好的想象而已，與現實有很大的差距，但事實上，這種模式的發展速度非常快，超乎人類想象，其典型產品有Facebook M等。
Facebook研發了一款人工智能助手服務，名為M，它能夠聽懂人類發出的語言指令，並根據指令去完成某些工作，如幫主人訂花、購買商品、安排約會等。而對於一些複雜的、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自動泊車，能在好的路況條件下實現自動駕駛，但是遇到複雜的路況條件，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，對於那些有汙漬、破損、零散的鈔票還需要到人工櫃檯上進行處理。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“訓練數據”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的用工數量，但也有可能創造出很多新的就業崗位。
主動學習模式
主動學習模式是訓練數據模式和人工參與的循環鏈模式的結合。人工參與的循環鏈模式收集了很多訓練數據，這些數據能反饋到機器學習算法中使其性能得以有效提升。對於那些機器學習算法不能解決的複雜問題，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，並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製的，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，現如今，隨著計算能耗的持續降低和機器學習算法產品的增多，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家企業發佈了雲機器學習平臺，給眾多小企業使用機器學習提供了機會。總之，隨著機器學習應用門檻的降低，機器學習的應用範圍正在迅速擴展。
閱讀更多 智能舌診 的文章
