截至 2016 年 3 月，机器学习、数据挖掘、计算机视觉等的泡沫有多大？
谢邀
现在，2016年6月，机器学习、数据挖掘、计算机视觉等应用毫无泡沫，甚至远远没有发挥算法应有的潜力。
从我在
Trulia: Real Estate Listings, Homes For Sale, Housing Data 工作的经验来看，公司几乎每一个产品线都有可以算法化的地方。同时，不少新的算法可以带来全新的产品特性，提升用户体验，提高公司核心指标，拓展出新的营收渠道。
未来3到5年，会是从自动化转向算法化最快的阶段，不少公司将会收益于此，各种核心指标会翻翻，跑得快的公司会吃掉跑的慢的公司。受益于两大原因：一是公司已经积累了大量的数据，为算法化打下了数据基础。而同时，由于现代技术工具和生态系统的发展，对于一个月活千万的产品，一个5到10人的全栈数据科学家团队就可以支撑起一个公司若干核心算法的端到端的所有任务，包括从研发到支撑最后的产品。
但是，对于现在的创业风潮，把各种算法拿出来作为第三方的服务来创业，我个人认为是比较难成功的。核心原因是各种算法需要与公司的核心产品线整合，算法本是就是公司核心产品的一部分。能使用第三方服务的往往也都不会是核心的产品算法。
继续阅读
全部内容如何评价 DeepMind 在星际中的失利，以及 OpenAI 在 Dota 上的成功？
谢邀 两者都很成功，但是 OpenAI 更擅长宣传。 星际哪怕最简单的 1v1 都需要同时控制大量单位，这与 dota 中 1v1 只需要控制一个单位难度差别很大。两者都证明了在复杂游戏中人工智能已经可以完成相对简单的任务，但暂时还无法完成整个游戏：DeepMind 在星际中已经精通挖矿，建造，控兵，但无法正常比赛。O...
谁来颠覆低频刚需?
这篇文章是我2017年写的草稿但一直没有发布，那时候 Google 刚刚提到 AI First 的战略，互联网的迭代重点还是以推荐系统和深度学习为核心。时至今日 LLM 的出现让这个问题有了些许答案，想了想还是把文章发布出来。 推荐系统的胜利 过去五年,机器学习在推荐系统领域的研究,给高科技企业带来了巨大的收益。我们在...
AI and Law, 人工智能与法律（一）：欢迎围观
有人曾经提过这么一个问题：法律是否可能被代码化？ - 计算机 引发了不少的讨论。从开始时的戾气颇重的清一色的“当然不行”类回答，到慢慢的终于出现了“有的行，有的不行”的更为客观的回答。虽然有不少真知灼见，然而并没有看到有资深的专家出来，做出更详尽的回答。 这其实是一个非常好的问题，这背后是一股无法阻挡的新算法、新模型、...