该技术广泛运用于各个行业，其中包括视频监控系统、社交媒体平台的相关功能（含脸部识别以及类似微博的“可能认识的人”等），我们甚至可以训练电脑识别出邮箱中带有明显“垃圾”特征或低质量的邮件内容，并将其过滤。

 

　　为此，人们在机器学习和人工智能行业投入了数十亿美元的资金。2016年，互联网数据中心（IDC）发布了一份全球半年度认知/人工智能系统开支指南。该报告预测，由于认知系统和人工智能的广泛应用，到2020年，全球收入将从2016年的近80亿美元上升至470多亿美元，相当于高达55%的年增长率。

 

　　透过这些惊人的数字，人工智能和机器学习的潜在益处显而易见。但是将之运用到实际中所需的庞大数据等潜在问题并未具体说明，目前仍然困难重重。

 

　　InfoWorld发布的行业数据表明，当前机器学习行业所面临的“最大挑战”是缺乏培训数据。据估计，全球99%的数据还未经过分析，且非结构化数据超过80%，这意味着即使人工智能公司能够获取这些数据，他们还得花费大笔资金雇佣工作人员查看和标记数据，分析标记完的数据才能导入计算机，其过程十分耗时费财。IDC报告指出，鉴于人工智能行业发展迅速，价值匪浅，各个企业亟需趁热打铁，踊跃加入。

 

　　数据（人工制造而非直接获得或收集的数据）可以解决数据访问问题，但是为确保人工智能和机器学习模型正确，需要大量的计算能力对计算机进行培训。例如，DeepMind团队的分布式AlphaGo之所以能够战胜世界围棋冠军李世石，是因为它的1202个CPU和176个CPU，该CPU量是单个计算机版本AlphaGo算法的25倍。