人工智能和机器学习模式被建模的系统的特征或特点而训练的。这些特征被提取出来用于人工智能和机器学习引擎以预测该系统的行为或将新信号分类为所需的类别以从系统中推荐特定的行为。人工智能模式的消费者和集成商不仅要很好地理解应该选择什么特征来开发人工智能模式，而且还要理解为什么有的考虑了的特征没有被选择。此外，过程的可见性以及被用于确定训练特征的见解也将需要归档和共享。

去除盲点

由于模式内置的偏差和假设，人工智能和机器学习引擎可能会在某些情况、环境中受到限制。

盲点报告和反馈循环

用于人工智能和机器学习的开源模式应该具有的又一特征是不仅能够探知特定模式是否具有盲点，同时具有提供用于消除盲点的反馈信息的能力（真实世界的例子）。这与用户的垃圾邮件报告非常相似——用户标记垃圾邮件的例子，过滤器从中学习规则。

协作去除盲点

在理想情况下，开源协议需要允许用户共享数据，更有效地消除盲点。就像谷歌自动驾驶汽车和特斯拉一样。谷歌 Waymo 已经积累了 200 万英里的自动驾驶数据，而特斯拉收集了 5000 万英里的高速公路驾驶数据。这些数据包含大量的避免崩溃/驾驶者/乘客/行人安全的信息，如果这两家公司展开合作分享数据的话，它们就可以利用他人的数据改善自身产品的安全。或许，这些数据应该被开源，atv，为行业和用户提供更多安全保障。

结论

人工智能和机器学习正在切实地改变我们的生活方式，为人类提供更好、更简单、更安全和愉快的体验。人工智能和机器学习在很多行业以不同形式不断被应用。但是，如果想加速这些应用，仅仅开源用于构建人工智能和机器学习引擎的框架是不够的。我们需要新的开源模式，让各家公司不仅能够贡献和改进人工智能/机器学习框架，而且可以将这些框架应用于新的环境中去，在标准模式的基础上构建新的模式。

此外，人工智能模式中的假设和偏差信息（在数据和特征层面）可以让用户不断提出反馈，为改进产品提供依据。如果没有开源这样的模式，科技领域之外的公司将难以真正得到人工智能带来的好处。

©本文为机器之心编译，转载请联系本公众号获得授权。

　　?------------------------------------------------

加入机器之心（全职记者/实习生）：[email protected]

投稿或寻求报道：[email protected]

广告&商务合作：[email protected]