斯坦福大学人工智能实验室的负责人李飞飞，在去年入职谷歌，并成为谷歌新成立的机器学习部门负责人。几个月的时间，这个由人工智能领域顶级专家们组成的小组，发现了一个社会经济学趋势研究的新方法：

通过谷歌的人工神经网络（neural networks），分析谷歌街景（Google Street View）的5亿张照片中的汽车型号、年份，得出住户的收入、种族、教育程度，以及被民调玩坏了的“投票倾向”。

举个栗子：如果某一住宅区的一条街道上的轿车数量超过皮卡的数量，那么这里的居民在下一场总统选举中投“民主党”的几率有88%；反之，如果皮卡的数量超过的轿车，那么82%的可能性会投给“共和党”。

李飞飞团队发表的论文表示，通过机器学习的方式，可以实时进行人口统计的趋势，降低政府或者调查的人力。虽然论文还处于同行审阅阶段，并未正式发表，但是这一研究已经将机器学习与人们日常最关注的、参与度最高的话题结合在了一起。

这项机器学习的结果，将能够直接替代每年耗资2千5百万美元，由美国商务部人口普查局执行的“社区调查”。

虽然机器学习人就需要一些线下的数据收集工作，为AI提供可参考的基准线。但是绝大多数的程序都能够自动完成。得到完整训练的神经网络，能够比人更加准确、快速地辨认出照片中的车辆的品牌、车型、年份。系统仅需要五分之一秒，就可以辨认出车型。

在线数据和机完全可以有效降低挨家挨户田野调查的人力和费用，更加能够排除人为因素的偏差。同时避免人工调查、总结、分析的流程导致的数据失效，AI的介入，让所有数据的“新鲜程度”得到保障。

不只是谷歌，其他的创业公司、科研团队也在利用机器学习进行经济社会学的研究。

旧金山的一家创业公司Premise，同时世界各地的军人的数据，建立了实时的全球比价系统。Premise让全世界各地的人在居住的城市手机类似罐装咖啡、新鲜的身材等常见的消费品、农产品，并通过机器学习的技术，得出价格的趋势和模板。

硅谷的Orbital Insight和谷歌一样，是通过对照片的分析得出趋势分析。通过人工智能分析卫星拍摄的照片，得出经济形势的趋势。比如他们通过分析96个全美连锁的零售企业的25万个停车场的卫星照片，分析出这家公司的经济现状。

比如，Orbital Insight分析得出百货连锁JCPenney这一季度的停车数量降低了10%，完全符合JCPenny刚刚发布的130个店铺销量下降的声明。

还有一些研究者们从推特和通信记录中，预测失业率和贫困人员比例。类似的方法还可以被应用到各种产业、零售业中，获得更加多面的、精确的经济预测。机器可以探测出人类无法发现的规律，或至少比人类更快地得出结论。

可以预见，机器学习而非单纯的统计学，将绘制一副更加精确人类思考、生活、意识图。而在人类最在意、也最搞不定的政治领域中，他们可以给出一些“中立”的事实推测，希望能给吵得不可开交的人类一些可以依靠的论点。