Dziedzina programowania komputerowego rozpoczęła się od kilku niezwykłych pionierów. Ale nie osiągnął statusu dużej branży, dopóki nie rozwinęła się praktyka inżynierii oprogramowania, z potężnym zbiorem szeroko dostępnych narzędzi i kwitnącym ekosystemem nauczycieli, studentów, praktyków, przedsiębiorców, inwestorów i klientów. Branża AI nie osiągnęła jeszcze tego poziomu dojrzałości. Posiadamy wiele potężnych narzędzi i frameworków, takich jak TensorFlow, Keras, PyTorch, CAFFE, Scikit-Learn i SCIPY. Jednak wiele z najbardziej obiecujących podejść, takich jak GAN i głębokie uczenie ze wzmacnianiem, okazało się trudne w obsłudze — wymagają one doświadczenia i pewnego stopnia manipulacji, aby prawidłowo trenować w nowej domenie. Nie mamy wystarczającej liczby ekspertów do zrobienia dotyczy to wszystkich dziedzin, w których tego potrzebujemy, a nie mamy jeszcze narzędzi i ekosystemu, aby pozwolić mniej doświadczonym praktykom odnieść sukces. Jeff Dean z Google widzi przyszłość, w której będziemy chcieli, aby uczenie maszynowe obsługiwało miliony zadań; nie będzie możliwe rozwijanie każdego z nich od podstaw, więc sugeruje, że zamiast budować każdy nowy system od podstaw, powinniśmy zacząć od jednego ogromnego systemu i dla każdego nowego zadania wyodrębnić z niego te części, które są istotne do zadania. Widzieliśmy kilka kroków w tym kierunku, takich jak modele języka transformatorów (np. BERT, GPT-2) z miliardami parametrów i „niezwykle duża” architektura sieci neuronowej, która skaluje do 68 miliardów parametrów w jednym eksperymencie. Wiele pozostaje do zrobienia.