亚里士多德曾说，知识来自于实践。技术的飞速发展使机器精准性大幅提升，实现无人驾驶车辆的升级。今天，不仅是人类，以人脑为模型建构的AI计算机也可以从实践中获取知识、认知规律、作出决定，并且逐步具备以经验为基础的感知、理性、行动和适应能力。

智能机器的研究历程

时至今日，计算机科学家对智能机器的研究已有60多年，研究过程中，他们发现“做”与“说”对于机器学习有着重大意义。

人工智能（AI）发展初期，研究人员试图通过“说”的方式“告诉”计算机一切需要学习的事物，但结果不甚理想，研究人员继而尝试机器学习策略，让AI程序直接对数据进行分析和学习。

事实上，“直接学习法”，即让机器直接分析、学习数据，是一次聪明的尝试，因为它从三个方面促成了学习技术的腾飞。高效的计算机性能、访问更多线上数据（包括文本、构想、图像和感知数据）以及对数据的注释或信息添加——三者结合能够大幅度提升AI系统的推理能力。

如今，在软件、硬件和网络的帮助下，软件开发人员已开发出各种强大的AI应用。从金融诈骗检测、困局脱险到与客户的线上交流，AI应用几乎无所不能。

智能机器的学习模式

尽管有些人类也不能回答的问题学习型智能机也无法解决，但它能够处理大量数据，快速建立联系，并且在此基础上做出推断。因此AI智能机器的学习能大大提高人们的做事效率，这是机器学习的最大优势。当下许多产业，例如游戏、制造业、医疗保健行业使用的机器学习技术以计算机程序为依托，这些程序不需要通过编程就可以直接学习、分析数据，且分析能力在经验积累的过程中不断提升。

在游戏当中，机器学习法能够分析对手，同时预测对手行动，营造更具挑战性的游戏氛围。在制造业中，掌握数据能够帮助企业预测修理工作的发生，提高预防性维修能力。而在医疗保健领域，AI可以对多种疾病的医疗数据库进行分析，从而帮助信息提供者更快、更准确地做出诊断。

学习型智能机的建立基础——人脑神经网络

人脑的神经网络是最强大的计算机器之一，也是机器学习的建立基础。人工神经元网络，简称ANN模仿人脑解决问题的方式，利用算法对输入进行加工并得到输出，以此学习事物、认知规律、做出决定。

计算机程序通过机器学习辨识人体和物体

ANN可以利用砝码确定最重要的信息。人造神经元在网络中相互连接，检测单个神经元对其他神经元的影响力。人们可以在训练项目中对砝码进行调整，并通过训练，教会神经元网络如何对输入内容做出正确反应。

深度学习程序会进行多层计算。这一层的计算结果会输送到下一层继续进行分析，继而产生更为复杂的数据解读。举例来说，ANN在某一层进行建筑图像分析时可能会检测到边界，而这些边界构成了下一层的矩形命令。在接下来的计算层中，ANN会将矩形视为建筑物，并在最终层判断出该建筑物是摩天大楼还是谷仓。

此外，大型输入数据集是软件研发人员对ANN进行的另一项训练内容。事实上，表示原始数据本身并没有太大用处，所以研发人员会对输入数据进行注解或添加信息，标明“正确”的答案。

自学型计算机

人工智能使计算机能摆脱编程直接学习。软件研发人员创造出了学习算法，这种算法又能使ANN在积累更多数据之后进行自我提升。

学习算法分为三个部分：监督式、半监督式以及无监督式学习。前两者需要大量的训练数据才能得到理想结果。

例如，在前两种情况下，研发人员如果要建立面部识别算法，就必需持续向机器提供带有单独标签的风景、人物和动物图像，直到机器能够在无标签的条件下准确识别图像。

而人工神经元网络可以利用算法识别面部形状并进行匹配。因此第三部分的无监督式学习是机器学习工作的重头戏，也是最重要的一部分。

无监督式学习就是程序确定数据本身意义的过程。有些共性特征无法通过人脑识别，所以研发人员会让机器以这些共性特征为基础对图像进行集群处理。

AI智能机建设所使用的工具

AI一直被赋予神秘的色彩，而实际上，建立智能系统的工具其实随处可见。现代发展已经不需要Lisp和Prolog这样的旧式AI专用语言，Python, Java和C++这样的通用语言才是当今AI研发人员的新宠。

研究人员拥有非常好用的工具来建立监督式学习。Caffe, Theano, MXNet和TensorFlow这些优化过的程序可以在英特尔硬件设备上运行。此外，英特尔至强处理器这样的高性能芯片能够进行高速的矩阵乘法运算，满足机器学习算法的要求。和人类一样，AI智能机通过实践不断学习、提高，其分析融合不同种类数据从而进行决策的能力越来