optex官网撰文说，来越多的传感与连接技术被添加到产品上，正在快速改变着我们感知这些技术、学习和使用它们的方式。反过来，同样的技术也在改变我们设计产品的方式。可以肯定的是，这想法并不新鲜。神经元网络和统计建模已经成为追求真正的机器学习的关键工具。早在近20年前，Mark Weiser——施乐帕洛阿尔图研究中心的首席科学家就预言，我们有朝一日将生活在这样一个世界：“我们必须与电脑共同居住，而不仅是与它们进行交互而已。”今天的技术已经赶上了Weiser的愿景，基于连接技术的产品已经远远不只是提供远程访问、数据搜集而已，它们正在日常生活中扮演着越来越重要的角色。

越来越多地，我们正在与产品们进行着这样的“智能”交互：它们能够在各种微妙的情景下转变、行动、根据上下文做出回应，并且拥有了自己的行为模式。我们已经开始用最能代表生物智能的词汇来描述这种新兴产品了：学习。毕竟，学习是一个非常有效的应对变化的方式。

当我们出生时，我们并不知道该怎么行走，我们实验、失败、学习，周而复始，不断改变身体，适应环境。学习型产品的崛起是前往下一个创新时代的重要标志——在这个时代，产品都将向着个性化的方向不断调整和进化，而随着时间的推移，它们将变得原来越直观可见，并最终完全融于环境中。当学习能力已经逐渐成为产品的标配时，我们的下一个挑战就将是完美地呈现一个过程——成功地、可靠地设计这类新兴的、自适应的产品。数字根基机器学习的起源可以回溯到半个多世纪以前，这是早期的人工智能作品。

如今，神经元网络和统计建模已经成为追求真正的机器学习的关键工具。通过海量数据的收集，算法已经能够检测各种数据并生成多种输出——如动作和分析，正是这些输出让电脑显示出一定的智能：然而到目前为止，这种方式产生结果的步伐依然缓慢，部分原因是计算机运算能力的瓶颈，但更为重要的，是人类需要对计算机的“学习”过程施加更多的指导，推动它们向正确的方向进化。迅猛发展的技术已开始应对这一挑战。我们收集数据和处理它们的能力近年来呈指数级增长，对巨大数据集的整合分析也已经不再是难题。事实上，随着传输、存储、数据处理的硬件成本的急剧下降，如今，每一个基于互联网络生态系统的交互过程都被记录跟踪着，这能保证系统实时、不断地进化。