人工智能成為當下如日中天的新型技術，在當下大數據的時代。機器有望於代替人類從事更多的活動。
據《福布斯》網站報道，從公式翻譯程式語言（FORTRAN）中的穿孔卡片到使用Go語言編寫分佈式系統，這個學科基本上保持相同的思路：深入思考問題，提出一種聰明的方法（即算法），向機器提供一組執行指令。
這種方法可稱為“顯式編程”，從大型機到智能手機，從互聯網熱潮到移動革命，它都不可或缺。它促進了一個全新市場的誕生，使蘋果、微軟、谷歌、Facebook等公司家喻戶曉。
然而，還是少了些東西。早期計算機時代作家設想的智能系統，如，菲利普·迪克《銀翼殺手》中的機器人出租車和喬治·盧卡斯《星球大戰系列》的C-3PO機器人，仍然是科幻小說的內容。看似簡單的任務也頑固地拒絕哪怕最有才華的計算機科學家設計的自動化方法。專家們指責硅谷在面對這些挑戰時，迴避這些基本問題上的進展，卻專注於增量業務或熱門業務。
當然，這即將發生改變。Waymo的自動駕駛汽車最近完成了800萬英里的路測里程。微軟的翻譯引擎在中譯英任務中幾乎接近實現人類譯員的準確程度。初創公司在智能助理、工業自動化、欺詐檢測等領域正不斷取得新突破。
這些新技術有望從不同方面各自影響我們的日常生活。總的來說，它們代表了我們對軟件開發的看法的巨大變化，與顯式編程模式明顯不同。
這些進步背後的核心突破是深度學習，這是一種受人類大腦結構啟發的人工智能技術。它最初只是用途相對較窄的數據分析工具，現在已幾乎發揮著一種通用計算平臺的作用。在廣泛的任務範圍內，它的性能優於傳統軟件，最終可能催生長久以來計算機科學家難以實現的智能系統。媒體有時會誇大其詞地報道人工智能技術的這些前景。
然而，在對深度學習的大肆宣傳中，許多觀察者都遺漏了對其未來持樂觀態度的最大理由：深度學習需要編碼人員編寫非常少的實際代碼。深度學習系統並非依賴預設規則，而是根據過去的範例自動編寫規則。軟件開發人員只需要創建一個“粗糙的骨架”，然後讓計算機完成其餘工作。例如，特斯拉聘請了深度學習和計算機視覺專家安德烈·卡帕斯（Andrej Karpathy），正是希望他在自動駕駛業務中融入深度學習技術。
在這個新世界中，開發人員不再需要為每個問題設計特有的算法。相反，大多數工作的重點是生成反映所需行為和管理訓練進程的數據集。來自谷歌TensorFlow團隊的皮特·沃頓（Pete Warden）早在2014年就指出這一點：他寫道，“我曾是一名程序員，現在我教電腦自己編寫程序。”
當今，驅動最重要的軟件進步的編程模型不需要大量的實際編程。
這對軟件開發的未來意味著什麼？
編程和數據科學將日益趨同。在可預見的未來，大多數軟件將不採用“端到端”學習系統，而是依靠數據模型提供核心的認知能力和明確的邏輯，以便與用戶交互及闡釋結果。一個問題將越來越多地被提出：“我應該使用人工智能還是傳統方法解決這個問題？”實際上，智能系統的設計者將需要精通這兩方面。
人工智能從業者將成為搶手的人才。人工智能技術的研發難度大。普通的人工智能開發人員將成為未來軟件公司最寶貴的資源之一。對傳統的編碼人員而言，這確實有一絲諷刺意味。20世紀50年代開始，他們使其他行業的工作自動化了，而現在他們自己的工作卻被部分自動化了。對他們工作的需求肯定不會降低，但那些想要保持前沿地位的人必須以適度的懷疑態度來試水人工智能。
我們需要構建人工智能工具鏈。Lyft的機器學習主管吉爾·阿爾迪蒂（Gil Arditi）對這個問題闡述得很清楚。他說，“機器學習處於初始階段。它類似於上世紀80年代早期或70年代末期的數據庫。你必須成為全球專家才能讓它們正常運作。”研究還表明，許多人工智能模型很難解釋，很容易被欺騙，容易受到偏見。掌握解決這些問題的工具對於發掘人工智能開發人員的潛力是必要的。
我們都需要接受不可預測的行為。開發人員和用戶都已習慣計算機“指令”這個比喻。“指令”強化了這樣一種信念，即計算機完全按照我們的指令行事，輸入總能產生近似等量的輸出。相比之下，人工智能模型就像有生命的呼吸系統。新型工具將使它們更像顯式編程，特別在關鍵的安全設置中，但如果我們把限制設置得太嚴密，我們就會面臨一種風險——喪失這些人工智能系統的特殊價值，如AlphaGo的意外棋步。我們開發和使用人工智能應用時，需要理解並接受各種概率結果。
希望世界被人工智能接管的可能性幾近為零。
