在這種環境下，Facebook和Google等網絡巨頭都發布大型數據集，以吸引更多的人從事諸如對新應用領域或者視頻等數據類型進行識別的前沿問題。

先鋒者們拓展了應用前沿

隨著算法的發展，研究人員也在推動深度學習的應用前沿。
Google正在系統地將深度神經網絡運用于從自動字幕照片混合到讀取MRI掃描以及監測工廠車間質量控制等方方面面的問題。谷歌人工智能研發負責人Jia Li在IEEE研討會上表示：“人工智能不是單一的技術或產品。我們從理解一個領域開始，然后收集數據，找到算法，并提出解決方案。每一個新問題我們都需要一個不同的模型。”

的確，深度神經網絡正在被用于幾乎所有領域，包括設計和制造芯片。英特爾列舉了超過40種可能的用途，從面向消費者的網上購物助手，到華爾街自動交易程序。

現在在Target公司擔任數據科學家的一位IBM前研究人員對應用領域給予了更加清醒的認識。大部分零售商的數據都是關系型數據，而不是最適合神經網絡的非結構化數據。Shirish Tatikonda在一次大會后的簡短采訪中表示，Target公司的業務問題中只有大約10％適用于深度神經網絡。盡管如此，該公司正在積極開拓這一領域，其系統中約有10％是面向訓練神經網絡模型的GPU服務器。

為了擴展這樣大規模的努力，谷歌的研究人員正在探索他們所謂的AutoML，其想法是使用神經網絡自動生成模型，而不需要數據科學家手動調整這些模型。

盡管最近很多公司試圖減少內存占用量，但深度神經網絡模型在尺寸上仍然差別很大。來源：高通

機器人技術先驅Rodney Brooks擔心，預期可能會失控。他在最近的一次談話中說：“深度學習是好的，但它正在成為人們用來打擊一切的工具。”

對Patterson而言，他仍然很樂觀。他說，雖然廣泛的人工智能領域沒有兌現過去的承諾，但在機器翻譯等領域的成功是真實存在的。“可能所有低處的果實都摘下來了，所以沒有什么更令人興奮的事情，但是你幾乎每個星期都會看到有進展......所以我認為我們會發現更多的用途。”