“人工智能”能否做跨界程度高的事？
也能，但时间比上面一条要长。
不知道您身边，有没有这样的朋友，眼光独到、RP大爆发。全国各地房价高涨前靠贷款入手n套房，提前实现了财务自由；全国股价暴跌前，盆满钵满又及时抽身而退。
吃不到酸葡萄的人，往往将原因归到对方走了狗屎运。
如果有幸和这些人聊天，TA可能会告诉你，之所以在大趋势来之前，比其他人先期反应，是因为TA注意到一些看似不相干的事物。比如当时CPI和贷款指数之间的关联变化规律（好高深啊好高深）。
有些人似乎天生具备这种能力，“将已经取得的各种经历相互联系，整合出全新的思想。他们的能力来自于更多的阅历、体验或者来自于对人生经历更多的思考”。
乔帮主把这种能力称为“整合事物”的能力，说它即是创造力。
更多的阅历来自于见多识广，涉及的面越宽，越能发现看似不关联事物之间的隐含关系链。用去年流行过的词汇说，这是一种跨界思维的能力。
人工智能的一大优势在于，在大数据背景下工作，数据提供的信息对AI就是足够的阅历，通过数学模型，AI挖掘不同数据之间的关联，从而在不确定性环境中发现规律，制定正确的决策。
过程中，采用一些处理方法，把复杂的数学问题做简化。在《数》中提到的马尔可夫链、贝叶斯网络、人工神经网络、互信息，虽然看着很专业、很学术，其核心思想都是分解和简化。
就像吴军博士反复强调的，好用的数学模型必然都非常简单，这些朴实又漂亮的数学模型，帮助机器反复训练、深度学习，最终对复杂问题，也能做出合理的反应。
跨界越多、越复杂，其数学模型的设计工作必然也复杂。开发人工智能的研究人员，从想明白算法模型如何设计，到模型训练成熟，所花费的时间，必定比单一领域内创造性工作投入的时间和精力多。
影响跨界AI很快应用的另一个原因来自AI投入。据说谷歌的无人驾驶汽车在扫街的时候，直接通过移动互联网连到谷歌的超级数据中心，短时间内迅速处理大量数据，并对路况做快速判断及处理。
如果仅一辆自动汽车就需要动用这么大的资源。试想，AI要真正走向实用化，这条路有多长，很大程度上还取决于实现的成本。
我们怎么掺和人工智能？
普罗大众只需苦练应用技能，开发的难题交给数据公司。
前一段时间乌镇举行的世界互联网大会上，国内知名的科技和互联网公司大咖们，把互联网定义成除水和空气以外，人类所必需的第三类生存资源。
兴许若干年后，人工智能会成为第四种。
不经意之间，人工智能已经开始悄悄渗透到我们工作生活的方方面面。各大购物或视频网站，会针对单个用户推送感兴趣的商品及服务，3C产品（包括手机、智能手环）和家电，在明的暗的收集着用户的基础信息。
这些都是大数据的积累或应用，算是人工智能应用的初级阶段。
但是放眼全球，尽管人工智能火得一塌糊涂，真正能把AI开发做得风生水起的，还得是资本和技术实力雄厚的大公司，比如google、facebook、微软、IBM...。
一方面，大数据的积累和数学模型训练，本身就是一件呈现马太效应的事，做得越早越有优势；
其次，各种开发人工智能必备的高配服务器、存储器，跟随摩尔定律和数据量激增，需要持续不断的投入银子升级换代；
再则，网罗和留住一大批致力于人工智能的顶级水平科学家和研究人员，并把持续创新的基因根植于一家企业文化中，亦不是普通公司可以做到。
所以绝大多数的人，跟AI发生关系的方式，主要就是使用它了。
例如做实体产品的企业，也许需要和开发人工智能的公司合作，为人工智能在该企业中的应用环境，包括数据采集、算法模型建立，制定相应的设计规则；
或者通过产品系列和产业链规划，在其实现硬件设备、提供给客户的产品中，内置数据采集装置，再聘请相应的数据公司做数据挖掘和分析。当然，我们还可以参与数据产生、传输中的某个环节，为AI的应用提供支持。
从工作职位上来说，仅仅适合人类做，或者仅仅适合人工智能做的事，未来并不存在。
随着人工智能的逐渐发展，人和人工智能可做事情的韦恩图集合，并集和交集的面积都会慢慢扩大。
我们需要关注人工智能技术的进展，及时了解上述韦恩图的边界。在与AI协同工作中充分发挥其优势，而又不被其左右。
并在这个过程中，始终保持一颗终身学习的心。
