機器學習，是機床學習等等機械運動的學習，一般以安全操作放在首位。從另一個角度說機器學習，機器是不會自學的，機器靠人的操作產生機械運動，機器在人設計下可以輸入資料，產生數控程式，。

第一，邊界清晰。問題需要定義得非常清晰，比如 AlphaGo 做的是圍棋，圍棋是在 19×19 的棋盤上，黑白兩方輪流下子的問題，有吃有打劫。如果變成一個開放的問題，變成 20×20 的棋盤，變成黑白灰三方下棋，或者把打劫規則變一下，都會導致人工智慧的失敗。

第二，外部反饋。演算法要不斷的有外部輸入，知道我們在什麼樣的情況、演算法做出什麼樣的行為下，外部給出的反饋是什麼，這樣才能促進提高，比方說需要 AlphaGo 不斷地進行對弈，並且告訴它對弈的輸贏。

第三，計算資源。近些年演算法雖然有很大的進步，但計算資源也是產生智慧的關鍵。最近業界在分散式計算上的成功，讓我們相對於幾十年前有了飛躍的基礎。舉個非常有趣的例子，Google 在描述 AlphaGo 不同版本的時候，為了簡潔明瞭，直接使用計算能力來分類，而不是使用演算法來分類。簡版的 AlphaGo 被稱作「單機訓練的 AlphaGo」，複雜、更高智慧的 AlphaGo 稱為「多機、並行訓練的 AlphaGo」，從這裡也可以看出，計算資源起著至關重要的作用。

第四，頂尖的資料科學家和人工智慧科學家。增強學習、深度學習最近重新被提出，需要很多科學家大量的工作，才能讓這些演算法真正的推行，除了圍棋、視覺、語音之外，還有非常多的領域等待被探索。

第五，大資料。AlphaGo 的成功，關鍵的一點是 KGS 棋社的流行，KGS 上有數十萬盤高手對戰的棋譜，沒有這些資料 AlphaGo 絕對不可能這麼短的時間內打敗人類。

人工智慧的基礎就是機器學習與應用，人工智慧除了識別、感應、光學等高階技術以外也有很多基於計算機軟體開發、資料處理。所以你可以參考一下程式應用與開發、資料處理(尤其是雲端分散式資料)以及裝置系統是否相容、效能架構是否穩定

現在機器學習門檻其實很低。基於TENSORFLOW等機器學習庫開發的絕大數應用的機器學習程式碼都只有幾十行。程式設計難度也適合高中生掌握。因此不需要想太多，先嚐試。比如我業餘在做股票價格的機器學習預測。參考網上現成程式碼幾個小時就編完了，正在不斷慢慢改進中。