在我看來，人工智能的現階段意義在於實作「 低成本的客製化 」，而它的終極價值或許是「 幫助我們思考人類的存在的意義 」。
當我們生產水平受限的時候，我們只能模組化的生產，比如透過尺碼來選擇衣服。但很多時候到手之後依然會覺得不合身。或者說現在很多醫療也走向了個人化、客製化，但相應的成本也大振幅上升。因此客製化和價格往往是有內在沖突的，這也為啥「純手工」顯得額外昂貴。
而客製化除了豐富我們的業余的生活以外，也可以帶來教育、法律方面的改革 。前一陣子我參加了一項相關的研究，主要的想法就是網絡上有大量的學習影片，但並不是每個人都需要看完每個部份，我們有沒有可能像搭積木一樣根據每個人的需求和特性組合網絡影片成學習內容，給每個人提供不同的學習內容。在這個專案中，我們嘗試做到低成本的「因材施教」，從而幫助每個學習者都可以用適合自己的方式進行學習。不難看出，實作低成本客製化會大振幅的提升我們所有人的生活品質。
但我們必須承認的是，現階段的客製化還遠遠不夠好 。但不知道你有沒有想過在現在（未來）的世界裏的場景：
而如何低成本的為每個人高度化客製內容和服務，我覺得是人工智能正在發力的地方，也是最有潛力的未來，也是它的意義。而這一切的答案， 可能就是元學習（meta-learning），即「學習怎麽學習」。
2021年的當下我們其實處在一個半智能化的時代，正在經歷從絕大部份決策靠人工到讓機器來做一部份決策，而這個過程中我們也遇到了很多問題，比如最突出的問題就是「 這些決策是基於大部份人的特征做出的 」，比如我們大部份人都愛看長腿小姐姐、8塊腹肌的小哥哥，因此低風險的推薦總是這類內容，但那些喜歡看科普的呢？那些喜歡小眾藝術的人呢？那些喜歡拼圖魔術方塊的人呢？
而推薦只是一個最最基本的客製化案例，在絕大部份需要用到人工智能的場景下，我們現有的解決方案就是訓練一個模型，然後對所有人無差別的進行預測。在大部份情況下，效果都不錯，但裏面卻很容易造成對少數事情和群體的忽視。
那我們能不能拿出一個解決方案，給每一個個體、每一個需要預測的樣本都提供專屬的「智能模型」呢 ？舉個簡單的例子，當你去做健康檢查時，智能模型會根據你的個人特征來選擇你需要做的專案，而你的健康評估只取決於你該做的這些專案。是不是聽著很耳熟？沒錯，這就是我們人類醫生在做的事情。 和機器不同，人類有很強的學習能力，可以很好的舉一反三，因此可以提供非常客製化的決策 。而現階段的機器（學習）還不行，依然依賴於大量的數據才能學習到符合大部份人的方案，而每個人客製化的模型一是數據不夠，二是成本過高。
而「元學習」的目的就是能不能針對不同任務（比如不同的患者特性） ，學習如何選擇一個好的智能模型（ 比如選擇什麽檢測來進行健康評估 ），尤其是在樣本量非常小（ 比如一個新醫生 ）任務類別差異大（ 患者的求診各不相同 ）的前提下。換個更簡單的比喻，就是我們怎麽讓「醫生」更好的去學會「看病」，怎麽讓「司機」更快的學會駕駛不同「種類的汽車」。這和現階段單純教醫生看一種疾病不同，我們的終極目的是希望提高醫生的學習能力，能夠快速在各種新任務上達到高效的診斷。
而現階段的元學習還停留在比較基礎的階段，試圖解決的問題也僅僅是例如「學習一大類任務中的不同小任務」，因此跟遷移學習（transfer learning），多工學習（multi-task learning），小樣本學習（small sample learning），domain adaptation，推薦系統等領域都息息相關。
而我直覺上認為真正的元學習應該有更強的跨領域能力，這可能需要更強的硬件，更多的數據收集，和更精巧的學習模式，現有的無論是深度學習還是傳統方法還遠遠不夠 。
如果再開一點腦洞，醫生除了學看病，也可以學習開車，也可以學炒菜。 因此也有人說「元學習」是通往「通用人工智能（AIG）」的一條方案。而當智能機器學會「學習」時，才算是有了真正的智能 。而這一切的關鍵，就在於推理能力，如何關聯多個事物進行分析。
這時候你一拍大腿，這他喵的不就是我們人類嗎！
因此說到人工智能終極意義，在（透過低成本客製）提升我們生活品質以外， 更多是我們的存在的意義會被重新審視 。當智能模型自己可以做到舉一反三、聯想和推理，那我們人類存在意義又是什麽？
因此在我看來，人工智能發展的終極意義，就是在某個時刻讓我們思考自己存在的意義 。我其實對那一刻充滿了好奇。
