在我看来，人工智能的现阶段意义在于实现「 低成本的定制化 」，而它的终极价值或许是「 帮助我们思考人类的存在的意义 」。
当我们生产水平受限的时候，我们只能模块化的生产，比如通过尺码来选择衣服。但很多时候到手之后依然会觉得不合身。或者说现在很多医疗也走向了个人化、定制化，但相应的成本也大幅度上升。因此定制化和价格往往是有内在冲突的，这也为啥「纯手工」显得额外昂贵。
而定制化除了丰富我们的业余的生活以外，也可以带来教育、法律方面的改革 。前一阵子我参加了一项相关的研究，主要的想法就是网络上有大量的学习视频，但并不是每个人都需要看完每个部分，我们有没有可能像搭积木一样根据每个人的需求和特性组合网络视频成学习内容，给每个人提供不同的学习内容。在这个项目中，我们尝试做到低成本的「因材施教」，从而帮助每个学习者都可以用适合自己的方式进行学习。不难看出，实现低成本定制化会大幅度的提升我们所有人的生活品质。
但我们必须承认的是，现阶段的定制化还远远不够好 。但不知道你有没有想过在现在（未来）的世界里的场景：
而如何低成本的为每个人高度化定制内容和服务，我觉得是人工智能正在发力的地方，也是最有潜力的未来，也是它的意义。而这一切的答案， 可能就是元学习（meta-learning），即「学习怎么学习」。
2021年的当下我们其实处在一个半智能化的时代，正在经历从绝大部分决策靠人工到让机器来做一部分决策，而这个过程中我们也遇到了很多问题，比如最突出的问题就是「 这些决策是基于大部分人的特征做出的 」，比如我们大部分人都爱看长腿小姐姐、8块腹肌的小哥哥，因此低风险的推荐总是这类内容，但那些喜欢看科普的呢？那些喜欢小众艺术的人呢？那些喜欢拼图魔方的人呢？
而推荐只是一个最最基本的定制化案例，在绝大部分需要用到人工智能的场景下，我们现有的解决方案就是训练一个模型，然后对所有人无差别的进行预测。在大部分情况下，效果都不错，但里面却很容易造成对少数事情和群体的忽视。
那我们能不能拿出一个解决方案，给每一个个体、每一个需要预测的样本都提供专属的「智能模型」呢 ？举个简单的例子，当你去做健康检查时，智能模型会根据你的个人特征来选择你需要做的项目，而你的健康评估只取决于你该做的这些项目。是不是听着很耳熟？没错，这就是我们人类医生在做的事情。 和机器不同，人类有很强的学习能力，可以很好的举一反三，因此可以提供非常定制化的决策 。而现阶段的机器（学习）还不行，依然依赖于大量的数据才能学习到符合大部分人的方案，而每个人定制化的模型一是数据不够，二是成本过高。
而「元学习」的目的就是能不能针对不同任务（比如不同的患者特性） ，学习如何选择一个好的智能模型（ 比如选择什么检测来进行健康评估 ），尤其是在样本量非常小（ 比如一个新医生 ）任务类型差异大（ 患者的求诊各不相同 ）的前提下。换个更简单的比喻，就是我们怎么让「医生」更好的去学会「看病」，怎么让「司机」更快的学会驾驶不同「种类的汽车」。这和现阶段单纯教医生看一种疾病不同，我们的终极目的是希望提高医生的学习能力，能够快速在各种新任务上达到高效的诊断。
而现阶段的元学习还停留在比较基础的阶段，试图解决的问题也仅仅是例如「学习一大类任务中的不同小任务」，因此跟迁移学习（transfer learning），多任务学习（multi-task learning），小样本学习（small sample learning），domain adaptation，推荐系统等领域都息息相关。
而我直觉上认为真正的元学习应该有更强的跨领域能力，这可能需要更强的硬件，更多的数据收集，和更精巧的学习模式，现有的无论是深度学习还是传统方法还远远不够 。
如果再开一点脑洞，医生除了学看病，也可以学习开车，也可以学炒菜。 因此也有人说「元学习」是通往「通用人工智能（AIG）」的一条方案。而当智能机器学会「学习」时，才算是有了真正的智能 。而这一切的关键，就在于推理能力，如何关联多个事物进行分析。
这时候你一拍大腿，这他喵的不就是我们人类吗！
因此说到人工智能终极意义，在（通过低成本定制）提升我们生活品质以外， 更多是我们的存在的意义会被重新审视 。当智能模型自己可以做到举一反三、联想和推理，那我们人类存在意义又是什么？
因此在我看来，人工智能发展的终极意义，就是在某个时刻让我们思考自己存在的意义 。我其实对那一刻充满了好奇。
