一旦经过了大量样本数据库的训练，ConvNet 对于识别图像、视频、语音、音乐甚至文本等自然信号特别有用。为了很好地训练网络，我们需要提供给这些网络被人标记的大量图像数据。ConvNet会学习将每个图像与其相应的标签相互关联起来。有趣的是，ConvNet 还能将以前从未见过的图像及其相应的标签配对。由此我么就得到了一个系统，可以梳理各种各样的图像，并且识别照片中的元素。这些网络在语音识别和文本识别中也非常有用，在自动驾驶汽车和最新一代医学图像分析系统中也是关键组成部分。

　　什么是可以学习的

　　AI也解决了我们人类所面临的核心问题之一：什么是智能（intelligence）？哲学家和科学家一直在努力解决这个问题，而答案却一直难以捉摸、飘忽不定，哪怕这个中心是我们能称之为人的根本属性。

　　同时，AI也提出了大量的哲学和理论问题：什么是可以学习的？数学定理告诉我们，单个能学习的机器不能有效地学会所有可能的任务，我们也由此得知什么是不可能学到的，不管你投入多少资源。

　　这样，AI机器就像我们人类一样。在很多方面，我们人并不比会学习的机器优秀。人类大脑高度特化，尽管具有明显的适应性。当前的AI系统仍然远不具有人类拥有的看似一般的智能。

　　在AI中，我们通常考虑三种类型的学习：

强化学习这是关于代理应该如何行动以获得最大化奖励的问题，它受行为心理学理论的启发。在特定情况下，机器挑选一个动作或一系列动作并获得奖励。强化学习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、围棋或简单的视频游戏。强化学习存在的问题是，单纯地强化学习需要海量的试错才能学会简单的任务。

监督学习 基本上，监督学习就是我们告诉机器特定输入的正确答案：这是一幅汽车的图像，正确答案是“汽车”。它之所以被称为监督学习，是因为算法从带标签数据学习的过程类似于向年幼的孩子展示图画书。成年人知道正确的答案，孩子根据前面的例子做出预测。这也是训练神经网络和其他机器学习体系结构最常用的技术。举个例子：给出你城市中大量房屋的描述及其价格，尝试预测你自己家房子的售价。

无监督学习 人类和大多数其他动物学习，是在其生命的前几个小时、几天、几个月和几年，以没有人监督的方式学习：我们通过观察和得知我们行动的结果了解世界如何运作。没有人告诉我们所看到的每一个对象的名称和功能。我们学会非常基本的概念，比如世界是三维的，物体不会自行消失，没有支撑的物体会往下落。当前我们还不知道如何在机器身上实现这一点，至少无法达到人类和其他动物的水平。缺乏用于无监督或预测学习的AI技术，是限制当前AI发展的原因之一。

　　这都是 AI 是经常使用的方法，但是对于任何计算设备而言，都有很多从根本上无法解决的问题。这就是为什么即使我们修建出了拥有超越人类智慧的机器，这些机器仍然能力有限。这些机器可能在下国际象棋时打败我们，但却不知道在淋雨时躲进屋里。

　　未来的工作

　　随着AI、机器学习和智能机器人变得越来越普遍，在这些机器人将在制造、培训、销售、维修和车队管理方面担任新的岗位。人工智能和机器人将能够实现今天难以想象的新服务。但很显然，医疗保健和交通运输将是AI第一批颠覆的行业。

　　年轻人只要调整职业目标，就能够享受 AI 提供的大量的机会。那么，我们如何为尚不存在的工作做好准备呢？

　　如果你是学生：