“在交流越容易出现的情况下，变化就会发生得更快。”——ScienceHistorian专栏作者詹姆斯·伯克
在2015年10月的新闻发布会上，特斯拉展示了他们研发的ModelS的自动驾驶功能，该功能允许汽车能够进行半自主驾驶，而特斯拉首席执行官埃隆·马斯克也提到，每个车辆的拥有者将成为每个ModelS这款车的“私人***教练”。事实上，每辆ModelS可以通过从驾驶员身上来学习改善自主特征，但更重要的是，当一个特斯拉汽车从自己的驾驶员身上学到知识时，就可以与其他所有的特斯拉汽车共享知识。
正如FredLambert不久之后在Electrik上报道的那样，ModelS型车主都注意到这款车的无人驾驶功能改进的速度有多快。举一个例子，这款特斯拉汽车刚开始在高速公路上总是下错了出口，这也迫使他们的主人只能通过手动驾驶汽车使其行驶在正确的路线上。但在短短的几个星期后，车主们注意到他们的汽车已经在自动驾驶的情况下不会走错出口。
一位特斯拉ModelS汽车的车主说：“我发现它非常迅速地改善了这一点。”
智能系统，如***新一代机器学习软件的智能系统，不仅变得更加智能，它们在智能化的基础上其适应能力更加迅速。了解这些系统发展的速度可能对于导航技术变革是一项特别具有挑战性的项目。
雷·库兹维尔（RayKurzweil）在他所谓的技术变革的“直观线性”观点和现在正在发生的“指数级”变化率之间，广泛地描述了人类在这两项观点之间理解的差距。在他发表了所谓的“加速回报定律”的这一篇十分有影响力的***近二十年之后，一个与速度相关的演化变化理论诞生了——互相连接的设备在能够相互分享知识的情况下，它们发展进化的速度会不断被提高。
哥伦比亚大学机械工程和数据科学***HodLipson***近接受采访时说：“我认为这也许是对于
人工智能演变进化带来的***大指数趋势的增强。”
“所有的指数技术趋势都有不同的”指数“，”Lipson补充道。“但是它将拥有***大的潜力。”
根据Lipson的说法，我们可以称之为“机器教学”，它代表的是当设备之间能够相互传递获得并获取知识时，会使这些设备的系统改进速度得到指数量的进步。
他还说道，“有时候它们会进行合作，例如，当一台机器像***一样利用其相通的方式从另一个机器学习。但是这有时候是对抗性的，就像在两个互相下棋的系统之间不断进行比赛一样。”
Lipson认为，这种开发人工智能的方式是一个大的发现，部分原因是因为它可以绕过人类为它设计训练数据的需要。
“数据是机器学习的燃料，但是即使对于机器来说，一些数据也很难获得，例如一些数据可能是有风险的，缓慢的，稀缺的或昂贵的。在这种情况下，机器可以分享经验或为彼此创造综合体验来增加或替换数据。事实证明，这不是一个小的影响，它实际上是利用自身的条件来扩散到四面八方的，因此我们说它的增长是指数级的。“
Lipson认为Google的DeepMind（一个名为AlphaGoZero的项目）***近取得了突破性进展，这也是一个没有训练数据的AI学习的***例子。许多人都熟悉AlphaGo，它是人工智能利用机器学习的代表，在学习了由数百万人的围棋棋局组成的大规模训练数据集之后，它成为***厉害的棋手。然而，AlphaGoZero甚至可以通过学习游戏规则和自己不断通过玩游戏练习来击败AlphaGo，而它也没有通过训练数据来增强能力。***后，为了让大家看到它的实力，它从零开始只通过八个小时的训练之后，它在国际象棋对弈中击败了***好的国际象棋游戏软件。
现在我们可以想象，有数以千计或更多的AlphaGo在不断的分享它们获得的知识。
它不仅仅在游戏中得到价值体现，而且我们已经想到，它将会对企业提高设备性能的速度产生重大影响。
GE的新型工业数字孪生技术就是一个例子，现在仅仅通过一台机器的软件模拟便可以模拟设备在未来将要工作的项目，我们可以把它看作是一台具有自我形象的机器，它也可以与技术人员分享数据。
例如，一台带有数字孪生技术的蒸汽轮机可以测量蒸汽温度，转子速度，冷启动以及其他数据来预测故障，并提前警告技术人员以防止事情发生后昂贵的维修费用。数字孪生技术可以使它们通过研究它们自己的表现来做出这些预测，但是它们也依赖于其他已经投入工作的汽轮机模型的表现。
随着机器开始以新的和强劲的方式在周围的环境中自主学习，它们能够通过沟通他们彼此学习的东西来加速他们的发展。遍布***的GE汽轮机能够在每台机器之间加速它们各自的预测能力。同样我们之前提到的，刚开始可能只有一辆无人驾驶汽车在学习如何掌握驾驶在特定城市的一个目的地所需的时间，而现在，类似的一百辆在同一城市行驶的无人驾驶汽车可以全部共享他们学习的内容，因此它们可以在更短的时间内改进它们的算法。
热线电话：
