一个时代的来临刚好在十多年前学的excel和计算机，最近也关心了这个热门话题。另外苹果face id令人印象深刻，建议去看下他们的demo。
短期实际效用可能不会很明显（或者如一部分人期待的大革命和大冲击），但是以更长时间看10年-20年，大概率是巨大革新。 有三个观察
1）AI和ML并非新技术， 而是一个技术积累后的厚积薄发，以及实用性/应用性和性价比的提高。 有很多类似的例子 - touch 屏幕最先Nokia就有，Apple手中发扬； PC机80年代就有，直到90年代后爆发；太阳能技术60年到就有，直到21世纪才爆发； 90年代末的生物科学发现，在10-20年后开始很多药理应用。
2）条件已经具备。 Excel/VBA的普及和跨越离不开硬件；同样AI/ML的硬件已然具备。 就像下面有同学说的，计算机能力提高， 各种sensor带来的数据，移动云能力（随时随地access 同一个数据库），这些让AI 和ML普及奠定了必须基础。
3）科技进步是指数发展的。 我以前曾认为AI短期可能是10甚至20年没有大影响。考虑到当今技术革新的速度（比如，手机CPU比1一年前高25%性能，5G速度对4G宽带倍数提高），很有可能5-10年就会有很明显的影响（注），而一些行业会更早，如上面提到的金融。
其实这个结论似乎是显然的。 对于年级稍大的人来说 (more...)
多谢过来人的高质量回帖
正好以前辈的回帖为契机，来表达一下还没表达清楚的观点。顺便小结一下这个帖子。
1） 工业界和学术界在大潮之中的定位
大数据时代，数据成了最重要的资源。学术界没有像工业界那样拥有第一手的数据，表面上看起来，的确处于劣势。但不要忘记，统计这门科学，本来就是在数据稀缺的时代被发明的。统计的本质就是从有限甚至少量的数据中推断出普遍的规律。只要人或者机器不能达到全知全能，统计这门科学就有意义。
而且，machine learning 能够 work 的两个基本前提是数据有代表性和Chebyshev's Inequality。（当然，大部分数据从业者可能认为自己搞出来的东西能 work 的原因是自己吊。）现实中，数据量不满足Chebyshev's Inequality的情况比比皆是。比如说金融数据，数据量不足和heteroskedasticity 给 machine learning 在金融中的应用带来了巨大的挑战。在这种情况下，开发新的，数据需要量小的/收敛速度快的模型就变得非常有必要。而这种活，一般都是学术界干的比较好。
2）数据科学的前景
大部分人都不会否认，数据科学前景巨大。但到底是什么样的前景，有多巨大，每个人可能都有自己的理解。不管怎么理解，祝大家在新的浪潮中弄潮愉快。
Huasing Association 1999 - 2013