只要有巨大的样本库来进行训练，CNN 在识别图像、视频、音乐甚至文本等自然信号上就会特别有用。为了训练出一个良好的神经网络，你需要提供大量经过了人类标注的图像。卷积神经网络能够学会将每一张图像与其对应的标签关联起来。而让我们感兴趣的地方是它还能够生成其之前从未见过的标签。最终我们能得到一个能梳理大量不同 影像并识别图片内容的系统。在语音识别和文本识别上，这些网络也特别有用，也是自动驾驶汽车以及最新一代的医疗图像分析系统的关键组成部分。

什么是可学习的？

人工智能也解决了人类所面临的核心问题之一：什么是智能？哲学家和科学家们一直在努力解决这个问题。但其答案一直是难以捉摸而又玄之又玄的，然而正是因为这个重要的特性才使得我们成为独一无二的人类。

同时，人工智能也揭露出一个大的哲学和理论性的问题：什么是可学习的（learnable）？因为数学定理告诉我们单个的学习机器不能有效地学习所有可能的任务，那么我们就会感到：不管你投入多少资源，总是有东西不能被学习。

在这个方面，人工智能机器和人类非常类似。我们不总是擅长学习。尽管我们的大脑有明显的适应性，但是它们有着非常强的专业性。而当代的人工智能系统还远远不具有人类所拥有的看似通用的智能。

在人工智能方面，我们一般考虑学习的 3 种类型：

强化学习（Reinforcement learning）——这是一个关于代理机制如何行动以实现回报最大化的问题，它的灵感来自于行为主义心理学（behaviorist psychology）。在一个特定情形中，机器执行一个或者一系列动作，并且得到回报。这通常用于教机器玩游戏和赢得比赛，比如，国际象棋、西洋双陆棋、围棋或者简单的视频游戏。其中的一个问题在于，在其最初始的形式中，强化学习需要极多的试验才能学会一个简单的任务。

监督学习（Supervised learning）——一般来说，对于特定的输入，我们告诉机器相应的正确答案。比如对于一张汽车的图像，我们还会给出相应的正确答案「汽车」。它被称为监督学习，因为算法从被标记的训练数据集中学习的过程类似于向一个年幼的孩子展示一本图画书。成年人知道正确答案，孩子们则依据先前的例子来进行猜测。这是训练神经网络和其他机器学习架构常见的技术。比如，根据你的城镇的大量的房屋价格的描述，尝试预测你自己房子的售价。

无监督学习/预测学习（Unsupervised learning / predictive learning）——大部分人类和动物都是在他们生命中的前几个小时、几天、几个月和几年的时间中以无人监督的方式学习：我们通过观察周围环境以及认识到我们的动作所造成影响来了解世界运转的规律。没有人告诉来告诉我们那些我们观察到的每一个事物的名字和功能。我们可以学习到非常基本的概念，比如，世界是三维的、物体不会凭空消失、没有支撑的东西会掉落。如今，我们还不知道如何让机器来学习这样的一些事情，至少机器不能做到人类和动物可以做到的这些事情。我们缺乏用于无监督或预测学习的人工智能技术，这是限制当前人工智能发展的因素之一。

这些方法经常在人工智能领域中使用，但是在计算设备方面仍然存在很多问题。这就是为什么即使我们造出了了超人（superhuman）的智能机器，它们的能力仍然是有限的——它们可能下棋能赢我们，但是却还没有聪明到知道怎么躲雨。

未来的工作

随着人工智能、机器学习和智能机器人变得越来越普遍，在制造、培训、销售、维护和团队管理方面，将出现新的工作需求。人工智能和机器人能够创造出今天难以想象的崭新服务。不过，第一批因人工智能技术而彻底转型的行业当中，显然会有医疗保健和运输业。

对年轻人来说，人工智能会提供大量的工作机会。所以，我们如何为尚不存在的工作做准备呢？

如果你是一名学生：

数学和物理课程可以学到人工智能，机器学习，数据科学以及未来许多工作所需的基础知识。学习所有可以学的数学课程，包括 Calc I，Calc II，Calc III，线性代数，概率与统计，同时计算机科学也必不可少——你需要学习如何编程。工学，经济学和神经科学也很有用。你还可以考虑一些哲学领域的课程，例如认识论——这是一门研究什么是知识，什么是科学理论以及何为学习的学科。

(责任编辑：本港台直播)