多年来，机器学习一直被视为一种值得关注的趋势。但我们有充分的理由在2020年的背景下讨论这个问题。这要感谢TensorFlow的发展。这是一个端到端的开放源码机器学习库，能够在web浏览器中直接运行预先训练好的AI。

为什么兴奋?这意味着人工智能正在成为网络中更加完整的一部分;一个看似小而古怪的细节可能会产生深远的影响。

当然，我们已经有了很多使用人工智能的网络工具的例子:语音识别、情感分析、图像识别和自然语言处理已经不再是惊天动地的新事物了。但这些工具通常会将机器学习任务转移到服务器，等待它进行计算，然后返回结果。

对于那些可以原谅小的延迟的任务来说，这是很好的选择(你知道这样的场景:你用英语输入一个文本，然后耐心地等待一到两秒钟，把它翻译成另一种语言)。但是这种浏览器到服务器到浏览器的延迟对于更复杂、更有创意的应用程序来说是致命的。

例如，基于人脸的AR镜头需要实时并持续跟踪用户的面部，因此任何延迟都是绝对不允许的。但是，对于更简单的应用程序，延迟也是一个主要问题。

不久前，我尝试开发一个网络应用程序，通过手机的后置摄像头，不断寻找标识;这个想法是，当人工智能识别标志时，网站解锁。简单,是吧?你是这样认为的。但即便是这个看似简单的任务，也意味着要不断地拍下相机快照，并将它们发布到服务器上，以便人工智能能够识别标识。

这个任务必须以极快的速度完成，这样当用户的手机移动时就不会错过logo。这导致每两秒就有数十千字节的数据从用户的手机上传。完全浪费带宽和性能杀手。

但是因为TensorFlow.js将TensorFlow的服务器端AI解决方案直接带入了web，如果我今天构建这个项目，我可以运行一个预先训练好的模型，让AI在用户的手机浏览器中识别给定的徽标。不需要上传数据，检测每秒可以运行几次，而不是每两秒一次。

机器学习应用程序越复杂和有趣，我们需要的延迟就越接近于零。所以是消除延迟的张力流。js, AI的创作画布突然拓宽;谷歌倡议的实验完美地证明了这一点。它的人类骨骼追踪和表情符号寻宝项目表明，当机器学习成为web的一个适当的集成部分时，开发人员可以变得更有创造力。

骨架跟踪特别有趣。它不仅提供了一种相对于微软Kinect的廉价替代品，还将其直接带到网络上。我们甚至可以开发一个物理装置，使用web技术和标准的网络摄像头对移动做出反应。

另一方面，表情符号寻宝游戏则展示了运行TensorFlow.js的移动网站如何突然意识到手机的用户环境:他们在哪里，他们在面前看到了什么。因此它可以将结果显示的信息上下文化。

这也可能产生深远的文化影响。为什么?因为人们很快就会开始把移动网站理解为“助手”，而不仅仅是“数据提供者”。这一趋势始于谷歌助理和支持siri的移动设备。

但现在，由于真正的网络人工智能，一旦网站——尤其是移动网站——开始执行即时机器学习，这种将手机视为助手的倾向将变得根深蒂固。它可能会引发一场观念上的社会变革，人们将期望网站在任何特定时刻都能提供完全相关的信息，但干预和指导的程度将降至最低。

假设，我们也可以使用真正的网络人工智能来开发适应人们使用方式的网站。通过将TensorFlow.js与Web存储API相结合，一个网站可以逐渐个性化其调色板，以满足每个用户的偏好。网站的布局可以调整得更有用。甚至它的内容也可以调整以更好地满足每个人的需求。一切都在进行中。

或者想象一个移动零售网站，通过摄像头观察用户的环境，然后根据用户的情况调整其产品?还有那些分析你声音的创意网络活动，比如谷歌的弗雷迪·米特(Freddie Meter) ?

随着所有这些诱人的可能性即将成为现实，我们不得不为一个合适的web端机器学习解决方案等待如此之久，真是遗憾。再一次，正是这种移动设备上的人工智能性能不足促使TensorFlow的产品开发(就像服务器端TensorFlow——.js版本的前身)成为真正的web集成部分。现在我们终于有了真正的网络机器学习的礼物，2020年很可能是开发人员释放他们的人工智能创造力的一年。