不管是神经网络还是基本的决策树，亦或是向量机，最根本的算法选择原则还是能够解决问题。很多产品处理都使用了热门的递归神经网络算法，但是如果能用简单的预设逻辑，贝叶斯算法以及向量机等可以达到很好的效果，也没有必要本末倒置。深度神经网络很可能成为未来解决人工智能问题的通用算法，但是神经网络所需要的大量数据制备整理也是旷日费时。神经网络相较于其他机器学习算法更像是用应用前的大量数据净化时间和训练时间来换取使用时的快速计算。
各种算法的性能比较，神经网络并不是最优解。数据来源：（人工智能，Stuart-Russel）
这里罗列些常用的机器学习算法，由于过于枯燥不做具体展开。以间隔理论分布为基础：聚类分析和模式识别，人工神经网络，决策树，感知器，支持向量机，集成学习AdaBoost，降维与度量学习，聚类，贝叶斯分类器。
以构造条件概率为基础：回归分析和统计分类，高斯过程回归，线性判别分析，最近邻居法，径向基函数核。
以概率图模型为基础：包括贝叶斯网和Markov随机场
近似推断技术：马尔可夫链，蒙特卡罗方法（AlphaGo也用到该算法），变分法。
为何人工智能科学家提出了如此之多的方法？其实答案很简单，没有任何一种方法可以在任何场景中达到最优解。神经网络火了，并不意味着未来人工智能就完全走向单一方向。神经网络配以其他方法辅助可能是更明智的选择。
人工智能的变现难题
吴恩达2014年被百度招徕至麾下，百度开始了人工智能时代。你可以说百度一直在模仿谷歌，但是在人工智能这件事上，百度真的是挖来了谷歌大脑的核心人物。吴恩达在百度的3年时间里发表了近20篇论文，每项成果要么融入百度的已有产品线，要么依据成果成立一家初创公司。从吴恩达回到百度第一个开发的医疗问诊机器人到最近推出的语音识别开发平台的唤醒二期产品，百度在人工智能领域的进步有目共睹，虽然没有Deepmind般惊世骇俗，但也成为业界执牛耳者。
如今借着AlphaGo的东风，各种人工智能公司如雨后春笋般出现。不仅各种大数据公司摇身一变成为AI先锋，就连依靠数据挖掘的媒体公司今日头条也对外宣称自己是一家人工智能公司。从外面看人工智能好似一座宝岛，万人争过独木桥只为在岛上掘出什么宝贝来。但是横亘在所有人工智能公司面前的最大问题就是如何变现。回到现实层面，这座岛上既没有金子，也没有银子，看起来连块像样的石头都没有。
就拿百度举个例子，吴恩达算是人工智能届图片识别领域的权威，然而恩达同志从未有过将产品商业化的成功案例。斯坦福做教授时靠学校养着，谷歌大脑期间当然由广告商养着，从来没有任何变现压力。来到百度之后，当然产品化节奏有所加快，但也只能是被养着的节奏。比如2015年就已经推出的百度问诊机器人，推广上遇到的问题还不算是问题，本来靠着百度那一套问诊和卖药的逻辑应该有着不错的前景，但是去年的魏则西事件基本将百度靠医疗暴力变现的逻辑彻底粉碎。于是，医疗事业部变成百度医疗大脑，问诊机器人产品也只能成为鸡肋。当然，百度的一些语音产品在技术层面还是有着很好的toB前景的，但这种前景相比百度的体量和对人工智能的付出，前景也不可能变成钱景。
开复同志说的好，AI创业的核心是人工智能科学家，但还要有一群懂变现的人围在旁边。这个事本身很困难，因为要把两群完全不同思维，而且成天价值观不一样每天打架的人放在一起。目前至少国内的风格是喜欢挖各种名校教授，有的基本不会编程，论文代码都是下面学生实现的。本来人工智能变现就难，你还弄了一群不行就回学校教书的人那变现就好似天方夜谈。