由 dawei
在Quora论坛上研究编程语言的Tikhon Jelvis回答说:我发现，机器学习在很多方面都被高估了，无论是经验不足的人，还是更有害的，人们都对这一领域投入了大量的资金。
最普遍的看法是，机器学习比实际我们认为的更强大。机器学习只擅长于进行机器学习，而在其他领域的表现都很糟糕。但如果你听一些人的话之后，你会相信只要装入一个神经网络，你可以在任何问题上得到一个可靠的解决方案。
我主要把这类问题归咎于人们对机器学习领域缺乏经验以及错误认知之后产生的热度，但这也是那些对于较常人掌握机器学习更好的人大肆宣传的结果。Karpathy的最近像病毒般传播的软件2.0就是一个很好的例子：他提出了一些有趣的观点以给人留下深刻的印象，例如他说深度学习是电脑编程的未来。这篇文章从某种程度上忽略了一些利基市场（未来愿景、演讲、NLP、机器人技术）以外的问题，而我说到的这些问题不太适合采用深度学习这种方法。不仅仅是系统软件能处理的问题，大多数有经验的电脑工程师能通过写几百行代码甚至都要比机器学习更有效的得到业务逻辑领域的解决方案。
如果说垃圾收集和高级语言可以代表“软件2.0”的话，那深度学习甚至不能算是“软件3.0”。神经网络是“你的机器学习工具箱里的另一个工具”，但更重要的是，机器学习只是你的编程工具箱中的另一个工具！
它有它的真正的后果。我看到人们将大量资源投入到机器学习的系统中，从而得到更简单、更有效的解决方案。让我们来探讨关于商店里的商品需求预测问题。你可以试着把这个问题当作一个纯粹的机器学习系统来做，但是这个系统将会出现挣扎并最终失败，因为它需要从你的数据中提取出你需要的所有结构。有很多因素都很重要，但有些因素不会在你可以实际操作的数据中观察到。我们最好在实验上结合这样明确地分析一堆事情（基于价格和促销的弹性）并依赖于他人的经验（消费者时尚的变化）等进行模型设计并作出总结。