這家公司沒有做任何會導致股票下跌的事情，事實上，該公司一直致力于將自己的技術創(chuàng)造新的應用于人工智能或學習型機器上。然而，作為一家技術公司，英偉達成為了人工智能時代的象征。其股票崩盤的原因是投資者們接受了科學家和工程師們的說法：學習型機器對人類來說所確實很有用，但它并不能取代人類的思維模式，甚至在某種程度上來說，它甚至無法取代很多動物或者昆蟲的思維。

自2012年之后學習型機器確實在迅猛發(fā)展，它在視覺設備，自然語言處理，語音識別和大數據分析領域實現了質的飛躍。但在過去的一兩年里，其發(fā)展勢頭已經大不如前。人工智能的發(fā)展就是這樣：先是呈現爆炸式的增長，隨之而來的是數年更為清醒的，循序漸進的工作模式。

目前，該行業(yè)的迅猛發(fā)展使得半導體圖形加速器芯片快速發(fā)展，例如英偉達制造的芯片。在該公司成為游戲顯卡生產商之前，它已經憑借著芯片技術成為了人工智能設備和比特幣行業(yè)的巨頭。

隨著精心設計的反向傳播算法和快速廉價的GPU技術發(fā)展，學習型機器從業(yè)者也開始擁有由社交媒體和搜索公司生成的更大且注釋良好的數據集。這些公司和政府組織通過這些數據集，致力于開發(fā)學習型機器，以實現其商業(yè)價值。

正是如此，人工智能和學習型機器的經濟泡沫開始膨脹。但是，從一開始，數據科學家就試圖指出該技術的局限性。

例如，學習型機器的一個致命弱點就是不可解釋性，和其他類型的算法相比，學習型機器更像是一個黑盒子，人們很難反推出機器是如何做出決定的。

模糊的推理過程使得學習型機器的決策很難被驗證，你可能也注意到了，銀行用來檢驗信用欺詐的學習型機器就經常出錯。

另一方面，與自然思維不同，學習型機器很難處理簡化的數據集。例如，它可以很好的分析下國際象棋時的策略，因為它可以運行數百萬的棋局來創(chuàng)建自己的數據集。但當涉及到交通狀況和天氣的時候，它就很難做出正確的決策了。

雖然并非總是正確的，但人類可以根據簡化的數據來做出決策。基于此，可以說自動駕駛汽車是人工智能經濟泡沫的重要組成部分。

金融世界總是急于求成，卻并沒有真正促進這一行業(yè)的發(fā)展。也許關于人工智能的價格變化，對于剛從金融系畢業(yè)的學生來說其競爭是非常激烈的，但事實上和視頻圖像技術相比，它們還排不上號。另外，快速的金融交易創(chuàng)造了更多的數據點。