可以做到"自動"調整遊戲的難度和數值。比如透過玩家的表現來讓整個遊戲的難度或者進度進行變化。

其他的結合也是類似的道理，最終都是使得遊戲體驗更棒。

比如“資訊識別”領域，依賴於大資料的訓練，現在的圖形識別已經非常完善了，手寫數字的識別僅僅是類似Hello World一類的簡單應用；

“資料預測”領域百度對於世界盃的預測達到令人吃驚的100%準確率，將來這種技術在各種據別歷史資料的預測應用上，將有長足的發展，比如廣告的推薦系統、財經資料的決策系統等等；

“複雜控制”方面，自動駕駛的技術經歷了十幾年的研究，剩下的似乎只有識別硬體的成本問題了。

然而，以上這些技術，相當一部分來源於“大資料”，或者叫“監督學習”的訓練，也就是說，實際上這些機器的智慧是來源於人類積累在資料中的“智慧”。機器僅僅是在“模擬”人類的某種思考判斷，而這種模擬採用的更多是類似“查詢搜尋”的方法。——不過說回來，人類的經驗幾千年來，都是記錄在書本上，需要用另外一個大腦來學習，然後才加以運用；而機器學習跳過了人腦這個階段，從經驗直接到應用，確實是一個偉大的進度。可以增加一點想象的是，以後所有“需要經驗”的事情，已經是可以用電腦來代替了，比如醫生看病。不過那些需要“創造”或者“發現”的事情，比如藝術創作，理解和發現客觀規律，還是需要人腦。所幸是機器學習在“無監督學習”領域，能協助人類更好的去理解和發現世界的特徵，這個方面也是非常有用的，但現在似乎應用領域並不非常活躍（也許是我的瞭解還不夠廣泛）。