与窃取工作的机器人相比，唯一能让人类产生更多恐惧、不确定和怀疑的新兴信息技术，就是比我们聪明人工智能。

然而，传感器、系统和软件可以增强和自动化决策，然后根据答案采取行动，这对于在早期试点测试之外扩展许多所谓的智能解决方案至关重要。这适用于从城市停车引导应用程序到节能照明装置再到自动驾驶汽车转向控制系统的方方面面。

原因很简单:任何一个应用程序背后的信息量都是惊人的——有些人甚至认为是惊人的在未来十年内，可能会有1500亿个“东西”被连接到互联网上，创造了无数的解释资源。我们谈论的话题无所不包，从天气预报，到特定地点的交通更新，到楼宇入住率统计，再到数十亿张收录在我们周围世界的图片，不一而足。

没有一个人能迅速解释所有这些数据点，如果有的话。然而，通过对机器进行编程以适应特定条件下的行为，社会和企业可以向前迈进一步，使可持续经营更加系统化。上周，这个主题被反复提及边缘2015。

“大数据让人头疼;深度学习是解决办法，”备受尊敬的风险投资家说斯蒂夫他是德丰杰(Draper Fisher Jurvetson)的合伙人，也是SolarCity、特斯拉汽车(Tesla Motors)和Twitter等价值数十亿美元的公司的早期投资者。

在接受VERGE网站的现场采访时，尤尔韦特森表示，仅仅在数据中寻找模式已经不够了，很多软件应用程序已经做得很好了。下一个命令是教软件建立人类无法感知的复杂连接，这个领域通常被称为“机器学习”。

“你生成的计算机程序本身就能学习一些东西，”他说。“这是关于适应。”

为了说明这一点，尤尔韦特森列举了数以百万计的传感器，这些传感器已经致力于收集有关哪些灯是亮着的，哪些灯是关着的，以及何时温度急剧上升或下降的信息。例如，利用这些数据，一栋大楼的电梯可能会被“训练”在特定条件下对特定楼层进行优先排序，比如在特定时间段内特定比例的办公室停电时。

机器学习还可以帮助优先处理首先收集的数据。尤尔韦特森说:“随着时间的推移，你的算法将指导你关掉什么……从所有这些系统中收集到的图像和数据数量惊人。”

如果世界上最聪明的人不能解决世界上最大的问题呢?尤尔韦特森认为，或许将数据输入“盒子里的大脑”会有所帮助。

上周的科技博客VERGE上重点介绍了几个项目，让我们得以一窥这种可能性。

其中一个例子是由旧金山设计公司未来城市实验室(Future Cities Lab)宣传的交互式“灯光温暖”(Lightswarm)。这项技术在该市的Yerba Buena艺术中心展出，它能对听觉提示做出反应，当一个人经过时，它能打开或关闭灯光。它既能感知脚步声，也能感知说话的声音，它只在特定的时间点上需要照明的地方才会集中照明。

另一个证明点是一个项目，它使用公开的交通事故数据来标记那些特别容易发生事故的地方。

“我们感兴趣的是，一栋建筑的人工智能如何真正开始利用社交媒体和已经存在的预测数据等东西，”建筑师Jason Kelly Johnson最近告诉GreenBiz。“这不仅仅是一个建筑的响应和即时反应。它是关于一座建筑变得具有预测性和进化性。”

在设计机器学习系统时，最重要的考虑因素可能是确定值得模拟的理想行为或环境条件。这是智能汽车公司Nauto的一个目标该公司使用车载摄像头来记录司机的面部表情，并将这些图像与正在发生的事情联系起来。

Nauto首席执行官Stefan Heck用“增强智能”来形容他公司的系统，该系统已经在23个城市进行了测试。除了与车队管理机构对技术进行微调外，Nauto还将与保险公司合作，更好地了解可能导致司机分心的情况。这些数据最终可能被用于为自动驾驶或其他车辆注入更好的安全和效率指标。

赫克说:“通过与优秀的人类驾驶员合作，这是一种升级人类驾驶员的方法。”