即便有了TensorFlow或OpenAI等人工智能框架的支持，相比主流网页开发人员，人工智能仍然需要深层知识和理解。如果你已经建立了一个工作原型，你就可能是这个房间里最聪明的人。恭喜你，你成了高级俱乐部的成员。
在Kaggle上，你甚至可以通过解决现实世界的项目赚到可观的收益。总而言之，这工作不错，但光凭它是否足以让你创办一家企业？毕竟，你不可能改变市场机制。从商业角度来看，人工智能只是现有问题的另一种实施方式。客户并不关心采取怎样的实施方式，他们只关心结果。这意味着你不能仅仅通过人工智能来坐享其成。蜜月期结束后，你必须要创造价值。从长远来看，只有客户才最重要。
虽然你的客户可能并不关心人工智能，但风投对此很关心。新闻媒体也同样关注。很多行业都是如此。这种关注度上的差异可能会给创业公司制造一个危险的现实扭曲力场。但你不要被骗了：除非你创造了通用的多用途人工智能，否则就没有免费的午餐。即使你是风投的宠儿，你也必须为你的客户走到终点。因此，让我们也当一回驾驶员，看看我们如何为未来的场景做准备。
“主流人工智能列车”
人工智能似乎与其他大趋势不同，比如区块链、物联网、金融科技等。当然，它的未来是不可预测的。但几乎所有技术都是如此。不同之处在于，我们作为一个人的价值主张似乎正处于危险之中——不只是其他行业。我们作为决策者和创意者的价值正在被重新评估。这引起了人们的情感反应。我们不知道如何定位自己。
基础技术的数量非常有限，大部分都可以归类为“深度学习”，这构成了几乎所有应用的基础：卷积神经网络、长短时记忆网络、自动编码器、随机森林、梯度增强技术，以及少数其他应用。
人工智能还提供了许多其他的方法，但这些核心机制最近已经取得了压倒性的成功。大多数研究人员认为，人工智能技术的进步将来自于这些技术的改进（而不是那些与之有本质区别的方法）。出于以上原因，我们可以把这称为“主流人工智能研究”。
任何真实的世界解决方案都由这些核心算法和非人工智能外形组成，来准备和处理数据（例如数据准备、功能工程、环境建模）。人工智能这一部分的改进往往会让非人工智能的部分变得多余。这是人工智能的本质，也几乎是它的定义——让解决特定问题的方法过时。但是，这种非人工智能的部分通常是以人工智能为驱动的公司真正的盈利来源。这是他们的秘密武器。
人工智能的每一个改进，都使得这种竞争优势更有可能开源，而且每个人都可以使用。但也会带来灾难性的后果。就像弗雷德里克？耶利内克曾经说过的：“每次我解雇一位语言学家，语音识别器的性能就会提升。”
机器学习基本上已经引入了下一阶段的裁员：代码被简化为数据。几乎所有基于模型、概率和规则的识别技术都是在2010年被深度学习算法淘汰。
现在只要用几百行脚本（加上相当数量的数据）就能打败领域专业知识、功能建模以及成千上万行代码。正如上面所提到的：这意味着，在主流人工智能列车的轨道上，专有代码不再是一种可防御的资产。
重大贡献极其罕见。真正的突破或新进展，甚至是基本组成部分的新组合，这些只有非常有限的研究人员才有可能做到。正如你可能想到的那样，这个内部圈子的规模要小得多（开发者人数肯定少于100）。
这是为什么呢？也许这根植于它的核心算法：反向传播。几乎每一个神经网络都是通过这种方法训练的。最简单的反向传播形式可以在第一个学期的微积分课程中学到，完全不复杂（——但也不是小学水平的知识）。虽然这似乎很简单——或者可能是出于这个原因——在50多年丰富多彩的历史中，只有少数人能看到难点所在并质疑其主要架构。
如果反向传播能像今天这样具有可见性，我们的成就可能会比现在的阶段领先10年（计算能力除外）。
从70年代的普通神经网络到再循环网络，到今天的长短期记忆网络，都震动了人工智能领域。并且，它还只需要几十行代码！数代学生和研究人员经过数学计算，计算出了梯度下降法，证明了它的正确性。但最后，大多数人点了点头，说“这只是一种优化形式”便继续努力。分析理解是不够的。你需要某种形式的“发明家直觉”来使之与众不同。