尽管事情的进展让机器学习变得更加容易上手，但这一领域在过去一直因为技术门槛而受到限制。

在消费级应用中，机器学习的复杂性常常让人望而却步。例如，数据库的建立过程对不同背景的人来说有着截然不同的实现方式。对于Postgres的开发者来说，这可能意味着编写大量的C语言代码；而对于Rails开发者来说，只需执行简单的命令即可完成任务。这种差异反映了软件开发中的抽象层次，每个工程师可以根据自己的专业背景选择最适合的方式。

然而，长期以来，机器学习的抽象层相对匮乏，这限制了它的广泛应用。但现在，情况正在改变。新的项目专注于使机器学习更加易于使用。

首先，模型需要一个对开发者友好的界面。为了在实际应用中运用机器学习，开发人员需要具备设计模型的专业知识、足够的数据和资金来训练模型，以及对机器学习基础设施的理解来部署模型。这通常需要多个领域的专家共同协作，这是一个需要解决的瓶颈。

对于不具备机器学习背景的开发者来说，应该能够像使用哈希库那样轻松地使用机器学习，无需深入了解其背后的复杂性。幸运的是，现在这种情况正在逐步实现。

要让机器学习真正普及，开发人员需要掌握机器学习的基本概念，并能够利用现有的抽象层来构建应用程序。许多关键的抽象已经在研究中形成，这些抽象主要集中在以下几个方面：

1. 简化模型训练：理想的状况是，对于许多机器学习应用场景，开发者不需要从零开始训练模型。借助迁移学习，开发者可以从少量数据出发，微调已有的开放源码模型。例如，使用gpt-2-simple库，开发者可以通过简单的命令行界面微调GPT-2模型： $ gpt_2_simple finetune your_custom_data.txt

   类似的工具，如Google的Cloud AutoML，提供了图形用户界面，使用户可以选择数据集并自动训练模型，无需编写代码。

2. 简化模型预测生成：一旦获得了经过训练的模型，如何快速生成预测也是一个重要的问题。有许多项目提供了模型服务功能，例如TensorFlow的TF服务和ONNX的ONNX Runtime。此外，一些独立的开源项目也在解决这一问题，如Bert Extractive Summarizer，它允许用户轻松地生成文本摘要： python from summarizer import Summarizer body = 'Text body that you want to summarize with BERT' model = Summarizer() model(body)

3. 简化模型部署：最后，基础架构的设置是部署模型时的主要瓶颈。大型模型如GPT-2需要较大的服务器和更多的资源。为了解决这个问题，一些项目如Cortex提供了配置文件和命令行接口，使模型部署变得更加简便。

总之，机器学习背后的基础数学仍然是复杂的，但并不意味着开发者需要成为机器学习专家才能使用它。随着更多简化工具的出现，机器学习将逐渐变得更容易被广大开发者接受和使用。