據外媒報道，目前正在幫助推動人工智能浪潮的深度學習技術有一個缺點，那就是它需要大量的數據才能運作，那么問題來了：到底多少數據才足夠呢？

谷歌高級研究員杰夫-迪安（Jeff Dean）在加州伯克利的VB峰會上接受訪問時說：“我想說的是，任何有數萬或數十萬客戶互動的企業都有足夠的數據規模，可以開始考慮使用深度學習技術。如果你只有10個例子，那就很難進行深度學習。如果你有10萬個例子，你就應該真正開始考慮大規模使用深度學習技術。”

迪安是谷歌大腦（Google Brain）團隊負責人，對深度學習有著比較深的了解。谷歌大腦是一個專注于計算機科學和人工智能領域的研究小組。自上個世紀九十年代以來，迪安一直在研究神經網絡，當時他大學本科畢業時寫了一篇關于人工神經網絡的論文。

在他看來，機器學習技術有可能會影響到各個行業。當然，這種情況發生的速度取決于各個行業的不同情況。

盡管如此，在能夠將所擁有的數據轉化為機器智能之前，人類仍有許多障礙需要解決。人們必須對數據進行處理，然后才會對機器學習有用，但這需要時間和（至少在一開始的時候）重要的人工干預。

迪安說：“在機器學習系統中，有很多工作實際上不是機器學習。所以你仍然需要做很多這樣的工作。你必須把數據收集起來，也許你必須人工貼標簽，然后編寫一些數據處理管道來生成數據集，然后你就可以做機器學習方面的工作了。”

為了幫助讓創建機器學習系統的過程變得更容易，谷歌希望解決的一個領域是使用機器學習來確定解決特定問題的正確系統。這是一個很難解決的問題，但迪安說早期的工作進展很順利。

例如，今年早些時候，谷歌建立了一個能夠自己學習的網絡，它能夠識別ImageNet數據集上的圖片并發布最新的識別結果。此外，谷歌旗下的DeepMind團隊剛剛發表了一篇關于AlphaGo的論文，AlphaGo可以通過自己跟自己對弈來提高棋力。