機(jī)器學(xué)習(xí)應(yīng)用于人工智能領(lǐng)域，賦予計(jì)算機(jī)系統(tǒng)自動(dòng)學(xué)習(xí)（執(zhí)行任務(wù)）的能力。例如，我們可以訓(xùn)練計(jì)算機(jī)從成千上萬輛不同顏色的車中識(shí)別出藍(lán)色的車，或是從一堆新鮮果蔬中挑出變質(zhì)的部分。

該技術(shù)廣泛運(yùn)用于各個(gè)行業(yè)，其中包括視頻監(jiān)控系統(tǒng)、社交媒體平臺(tái)的相關(guān)功能（含臉部識(shí)別以及類似微博的“可能認(rèn)識(shí)的人”等），我們甚至可以訓(xùn)練電腦識(shí)別出郵箱中帶有明顯“垃圾”特征或低質(zhì)量的郵件內(nèi)容，并將其過濾。

為此，人們在機(jī)器學(xué)習(xí)和人工智能行業(yè)投入了數(shù)十億美元的資金。2016年，互聯(lián)網(wǎng)數(shù)據(jù)中心（IDC）發(fā)布了一份全球半年度認(rèn)知/人工智能系統(tǒng)開支指南。該報(bào)告預(yù)測，由于認(rèn)知系統(tǒng)和人工智能的廣泛應(yīng)用，到2020年，全球收入將從2016年的近80億美元上升至470多億美元，相當(dāng)于高達(dá)55%的年增長率。

透過這些驚人的數(shù)字，人工智能和機(jī)器學(xué)習(xí)的潛在益處顯而易見。但是將之運(yùn)用到實(shí)際中所需的龐大數(shù)據(jù)等潛在問題并未具體說明，目前仍然困難重重。

InfoWorld發(fā)布的行業(yè)數(shù)據(jù)表明，當(dāng)前機(jī)器學(xué)習(xí)行業(yè)所面臨的“最大挑戰(zhàn)”是缺乏培訓(xùn)數(shù)據(jù)。據(jù)估計(jì)，全球99%的數(shù)據(jù)還未經(jīng)過分析，且非結(jié)構(gòu)化數(shù)據(jù)超過80%，這意味著即使人工智能公司能夠獲取這些數(shù)據(jù)，他們還得花費(fèi)大筆資金雇傭工作人員查看和標(biāo)記數(shù)據(jù)，分析標(biāo)記完的數(shù)據(jù)才能導(dǎo)入計(jì)算機(jī)，其過程十分耗時(shí)費(fèi)財(cái)。IDC報(bào)告指出，鑒于人工智能行業(yè)發(fā)展迅速，價(jià)值匪淺，各個(gè)企業(yè)亟需趁熱打鐵，踴躍加入。

數(shù)據(jù)（人工制造而非直接獲得或收集的數(shù)據(jù)）可以解決數(shù)據(jù)訪問問題，但是為確保人工智能和機(jī)器學(xué)習(xí)模型正確，需要大量的計(jì)算能力對(duì)計(jì)算機(jī)進(jìn)行培訓(xùn)。例如，DeepMind團(tuán)隊(duì)的分布式AlphaGo之所以能夠戰(zhàn)勝世界圍棋冠軍李世石，是因?yàn)樗?202個(gè)CPU和176個(gè)CPU，該CPU量是單個(gè)計(jì)算機(jī)版本AlphaGo算法的25倍。