話雖如此，將這波機器學習稱為人工智慧其實還是滿值得商榷的，因為這波機器學習說穿了就是把各種結構的數據圖像化，然後再用神經網路去逼近，這種類型的人工智慧還對於前後文（context）的感受力還很弱，當然也遠遠無法無中生有地創造出新的典範來。有許多機器學習的專家認為，在可見的一段未來中，我們在人工智慧上的進展都會停留在機器學習上，距離能產生真正智慧的人工智慧，還有一個很大的未知障礙要跨越。
但是光是機器學習的持續進步，就足以把我們現有的經濟生產力或社會福祉再往上提升幾個檔次，所以我們將持續看到創業家和風險資本家在機器學習上下注。
而和此息息相關的，則是如何和把更多實體世界的資料搜集起來，餵入永不知足的機器裡面，這裡我們就得靠各種新型感測器和協助它們連到網路的無線通信了。其中在新型感測器上我們特別看到歐洲的新創有著大好的機會，這是因為歐盟一直提供大量的資金給研究機構和學校做基礎研究，而歐洲也或多或少錯過了精實新創的浪潮，這表示在人才庫上歐洲並沒有出現人才都跑去做手機APP 的現象，現在資金再度回流到深度科技的結果，是我們看到越來越多矽谷的風險資本家出現在巴黎、倫敦甚至慕尼黑尋找新創。
將感測器和機器學習放在一起，除了可以處理環境大數據以外，更重要的是我們的機器人技術又向未來邁進了一步：各種感測器用來取代人類五感，機器學習則提供大腦功能。工業機器人的市場高速成長早已經是有目共睹的，在不遠的未來我們也預期會看到越來越多消費者機器人，來代替人類執行乏味或者危險的工作。
機器學習應用在醫療上則有立即而廣泛的應用空間。過去一個癌症專科醫生可能需要累積幾年經驗看幾千張的切片照片，才勉強能出師。現在機器不用吃飯睡覺，幾週內就能夠從一萬張癌症切片照片中學習完成，取得和這個癌症專科醫生一樣的癌症辨識率。在醫療這種原本就是高度統計學和圖像的領域中，機器學習幾乎可以說是如魚得水，進一步地如果結合新開發的低價聯網量測裝置，將有機會真正實現遠端預防醫療。
食物科技（foodtech）是另一個其實已經悄悄成長幾年的領域，最有名的當數投資人包含Khosla Ventures和Horizon Ventures的Hampton Creek，這間公司的核心技術是用植物萃取成分來合成各種不同食物，其中又以合成雞蛋最有名。
食物科技的新創大多主張世界人口爆炸，食物供給不足，所以要用更有效率的方式生產食物，因此比起「土長稻米、稻米餵雞、雞生蛋」這樣轉了好幾圈的生產方式，直接從植物去合成出雞蛋是更有效率的，同樣的邏輯也被開發著合成牛肉之類的新創主張著。
