考虑将内存结构作为一种经济功能来管理。（将数据构成的资源放在哪里以及如何管理。）这是计算机可以比任何人做得更好和更快的事情。原因是做出经济决策的系统是完全定义的。

包裹路由是一种类似的经济功能，计算机比人类做得更好。

这些功能过去没有被机器学习处理过，但是，在 AlphaGo 里程碑之后不久，谷歌发现了机器学习的经济应用。 谷歌的 DeepMind 训练人工智能将其能源费用削减 40% (Wired)

所以它完全取决于上下文。

随着模型的复杂性和细微差别的增加，实用性将降低。（在前一种情况下，这是与计算复杂性相关的时间和空间问题，而在后一种情况下，通常是信息不完整或无法定义参数的函数。）

但随着机器学习算法的复杂性增加，模型不断完善，算法在管理难处理性和不完整信息方面会越来越好。

在这个时候，作为开源 - 不是。

我猜：

• 为了做出决策，我们需要一个广泛的数据流输入层，
• 我们需要 20 000-200 000 层神经网络或更复杂和动态的架构
• 我们需要深入研究历史数据流的日期时间影响

我们目前拥有的：

• 仅传感器 - opencv 和对象识别、nlp 标记、数据预测

所以，传感器不是人工智能，传感器和机器学习是以前的经验。它还没有准备好进行变更分析。