以現有網路人工智慧的科技水平來看，還不能完全取代傳統教育，畢竟複雜推理，情感表達，揣摩分析是人類特有的思維能力，老師可以根據學生的表現，用多種方式方法傳授知識，因人而異，因吸收程度而異，這是人工智慧遠遠達不到的。

但不可否認的是，隨著網路人工智慧出現後，各大搜索引擎成功普及，每個人只要努力都可以成為各領域專家，甚至多個領域專家，遠遠超過古代知名學者，智者，不管是文化領域，數學領域，物理領域，化學領域……，都要博學很多倍，這就是網路人工智慧帶給我們的好處，同時也加速促進人類的進化，我相信，人工智慧總有一天會達到並超過人類智力水平，那時新的物種將產生，人類和人工智慧如何和諧相處才是最大問題。

機器學習是學的一種模型，機器學的的是同一物體或者現象的一些特徵點的集合，說到底也是對現有現象的一種客觀的數字描述的集合。當他遇一些資料，與自己學習到的特徵點集合進行匹配之後近似，便可認為目前遇到的資料就是這個特徵點的集合所代表的事物或者現象。

最基本的一種反饋是機器能夠告訴你這些資料代表了什麼.

比如你讓機器學習了10萬張鴨子的圖片，並告訴機器這是鴨子.

等機器再次看到一張鴨子的圖片，他就能告訴你這是鴨子。

高階一點的是識別並預知現象。

那就是連續性的資料的集合。

比如讓機器學習歷年的英超排行榜，以及歷年每個球隊在每個時間段的表現，讓機器預測今年的英超冠軍是誰。

更高階的就是在預知現象之後作出反應，這種就是最接近人腦的思維方式，得到現象—預測—作出應對。

alpha go 和alphastar。

alpha 還只是做出一步應對，alpha star 要做出千變萬化的應對。據說alphastar 學習時長是200年，就相當於一個聰明人不眠不休玩了200年的星際。其複雜度可想而知。

但alphastar的勝利也只是基於現有的所有的星際爭霸的玩法以及應對措施的總結，說到底還是人類的經驗與智慧的灌輸，如果人類開創了一個新的打法，alohastar之前沒有學習過，那他很有可能就會輸了。

所以目前的機器學習最複雜的也都是基於現有人類意識和知識的模型。機器學習後可以成為一個非常高階快速高效精確的執行者。但機器學習還是學不了創新。就拿alphastar說，他還不會自己創造新的打法。

目前形式來看，AI還有很長的路要走。大多機械化操作，AI可以基本代替。但某些，如看病，寫程式碼，社交網路，或談判等一些事情或情感方面的，AI暫時無法達到，或很難達到。