机器学习几乎是相反的过程。首先，你要确定一个目标函数，你会在数据中尝试并定义非常具体的信息。而且，机器学习会查看大量不同的数据，并尝试创建接近目标函数——基本上就是不断尝试找到你告诉它需要寻找的东西。通常，你可以通过训练系统，观察它的行为，或者转动旋钮和按钮来进行无监督学习、监督学习。这与认知计算非常不同。

　　问：“训练模型”是什么意思？

　　答：其实，模型是一种查看过去的一组数据或一组已经收集的数据并以数学方式描述它的方法。我们有基于回归的技术，其中我们持续改进该模型，直到它达到某个确定的表现。反过来看，它预测了我们打算预测的结果。然后，假设我们可以从框架外推演到未来，这是一个很大的假设，我们可以使用该模型来尝试预测数学上发生的事情。

　　现在，最明显的例子是选举，不是吗？所以我们可以预测轮询数据，我们可以预测月亮的相位，甚至是鞋子的尺码。无论我们决定看什么，我们都会说：“这是会发生的。”当然，有些事情可能是模型没有预测到。

　　那么，现在我们讨论AI。它只是一些系统的工作方式，而不是全部，他们说：“给我展示那些看起来像你在寻找的信息，然后我会去找看起来像它的很多其他的东西。然后开始训练我，给我一个网页，并告诉我在那个网页上你觉得有趣的事情，我会发现一大堆其他看起来很像的网页。然后给我你认为是一种危险的一组信号，然后当我看到这些信号时，我会告诉你，发生了危险的事情。”这就是我们所说的“训练”的过程。

　　问：为什么训练模型很复杂？

　　答：当然很复杂。试想，我有一大堆人要给他们看图片，而条件是他们必须有同样类似的激励和指导。当然，我做不到的。这些人或多或少地，要不就是完全随机分散，要不就是都试图做同样的事情。你向他们展示山的图片，混合了骆驼的照片，以及可能几乎是山的东西的照片，如冰激凌锥体；你让他们告诉你哪些是山。其实，机器也是如此。这被称为启发式方法。

　　当我们观察人类时，我们通过观察他们的行为来模仿，然后做他们做的相同的事情。这是一种学习方式。而启发式建模是机器学习工作的方式之一，但不是唯一的方式。

　　有很多简单的方法技巧，人脸识别就是一个很好的例子。当你看着人们的脸时，我们可能都知道，atv，有一些技巧，用于在脸上的某些点建模，比如眼睛的角落。在某些地方，你在这些特定的地方之间建立角度，然后那些角度通常不会改变太多。之后你看到他们的眼睛睁大，或是张大嘴，疯狂表情的人的照片。那些人试图通过扭曲他们的脸混淆这些算法。这就是为什么你不应该在你的护照照片中微笑。但是，机器学习已经比原来好得多。我们有类似于特征脸方法（Eigenface）这样的算法，以及其他用于对面部的旋转和失真进行建模的技术，从而确定它是相同的东西。

　　所以随着时间的推移，这些会变得越来越好。有时，当人们试图混淆训练时，我们也从这种行为中学习。所以，这一切都是为了变得更好。最终，如果你愿意，他们会越来越接近目标，只找到山，而且它永远不会错过一座山，也不会被冰淇淋锥混淆。

　　问：与传统的编程有什么不同？

　　答：这样做的原始方式是通过游戏化技术或只是图像标记来做。他们要么有人玩游戏，要么有人会说：“这是一座山”、“这不是一座山”，“这是富士山”，“这是乞力马扎罗山”。 所以，atv直播，当他们得到了一堆的词语后，然后用一群人以文字来描述图片，比如亚马逊的Mechanical Turk人工智能网站就是如此。

　　使用这些技术，他们只是基本上管理了一堆词语，他们会说：“好吧，‘山’这个词经常与其图像的使用之间有很高的相关性。因此，当人们要查询一个山，给他们这张图片，当他们寻找富士山，给他们这张图片，而不是另外一张图片。”这是人类大脑使用单词时的伎俩。当然，这不是人工智能目前工作的唯一方式，还有很多更复杂的方法。