在這種環(huán)境下，F(xiàn)acebook和Google等網(wǎng)絡巨頭都發(fā)布大型數(shù)據(jù)集，以吸引更多的人從事諸如對新應用領域或者視頻等數(shù)據(jù)類型進行識別的前沿問題。

先鋒者們拓展了應用前沿

隨著算法的發(fā)展，研究人員也在推動深度學習的應用前沿。
Google正在系統(tǒng)地將深度神經(jīng)網(wǎng)絡運用于從自動字幕照片混合到讀取MRI掃描以及監(jiān)測工廠車間質(zhì)量控制等方方面面的問題。谷歌人工智能研發(fā)負責人Jia Li在IEEE研討會上表示：“人工智能不是單一的技術或產(chǎn)品。我們從理解一個領域開始，然后收集數(shù)據(jù)，找到算法，并提出解決方案。每一個新問題我們都需要一個不同的模型。”

的確，深度神經(jīng)網(wǎng)絡正在被用于幾乎所有領域，包括設計和制造芯片。英特爾列舉了超過40種可能的用途，從面向消費者的網(wǎng)上購物助手，到華爾街自動交易程序。

現(xiàn)在在Target公司擔任數(shù)據(jù)科學家的一位IBM前研究人員對應用領域給予了更加清醒的認識。大部分零售商的數(shù)據(jù)都是關系型數(shù)據(jù)，而不是最適合神經(jīng)網(wǎng)絡的非結構化數(shù)據(jù)。Shirish Tatikonda在一次大會后的簡短采訪中表示，Target公司的業(yè)務問題中只有大約10％適用于深度神經(jīng)網(wǎng)絡。盡管如此，該公司正在積極開拓這一領域，其系統(tǒng)中約有10％是面向訓練神經(jīng)網(wǎng)絡模型的GPU服務器。

為了擴展這樣大規(guī)模的努力，谷歌的研究人員正在探索他們所謂的AutoML，其想法是使用神經(jīng)網(wǎng)絡自動生成模型，而不需要數(shù)據(jù)科學家手動調(diào)整這些模型。

盡管最近很多公司試圖減少內(nèi)存占用量，但深度神經(jīng)網(wǎng)絡模型在尺寸上仍然差別很大。來源：高通

機器人技術先驅Rodney Brooks擔心，預期可能會失控。他在最近的一次談話中說：“深度學習是好的，但它正在成為人們用來打擊一切的工具。”

對Patterson而言，他仍然很樂觀。他說，雖然廣泛的人工智能領域沒有兌現(xiàn)過去的承諾，但在機器翻譯等領域的成功是真實存在的。“可能所有低處的果實都摘下來了，所以沒有什么更令人興奮的事情，但是你幾乎每個星期都會看到有進展......所以我認為我們會發(fā)現(xiàn)更多的用途。”