你可能對人工智慧還有深度學習的概念有所誤解…人工智慧和深度學習並不是兩個獨立的概念…人工智慧簡單的說就是教會計算機做一些人的事情，比如說識別物品，翻譯等。深度學習，包括機器學習(Machine Learning)都是某種類別的演算法…都是為了實現人工智慧…事實上目前很多的AI都是基於神經網路的，而神經網路可以說就是深度學習…但是深度學習不是唯一的出路，像強化學習，機器學習演算法，都能用於提升AI的識別率…事實上目前最好的人臉識別演算法，也不僅僅是用深度學習的，很多都是深度學習加強化學習

人工智慧，現在的訓練方法是基於統計學分析的，是讓機器記住兩件事的相關性，而不是因果性。後者才是真正的人工智慧，如同我們科幻電影裡看到的一樣，能夠基於因果關係，進行邏輯分析。不過，這個遠遠超過人類目前的科技水平。

那相關性又指什麼呢。我們舉個訓練小狗的例子。先給一個鈴聲，然後緊接著再給小狗一個牛肉乾。時間久了，小狗一聽到鈴聲，就知道馬上就有牛肉乾吃了。這裡在小狗的認知裡，建立鈴聲和牛肉乾之間的關聯性，但小狗不會明白，為什麼有了鈴聲就有牛肉乾。我們用大資料對人工智慧進行訓練，即所謂的給ai喂資料。就是讓人工智慧記住不同資料之間的關聯，ai永遠不會理解為什麼關聯，他只是記住這種關聯。

在圍棋ai阿爾法元的訓練中，研發人員給ai輸入了圍棋的基本規則，輸贏判定方法和贏棋目標，並且給ai輸入了更高效分析相關性的演算法，然後就讓ai在電腦裡自己跟自己下棋。ai在超級電腦上的運算速度非常快，一天可以下幾百萬盤。每一次出招的組合，都被ai記住了，並分析出每一種下法、每一步跟最終輸贏之間的相關性。用這種方法，僅用幾個月，阿爾法元就超過了自己的初代版本。併成了一個人類永遠無法企及的存在。

這可以算你講的深度學習了吧。不過，這仍然是相關性學習，ai還是不能理解為什麼。在一些因素更為複雜，並且不能全程電腦的模擬的訓練的專案裡，效果並不是完全理想。因為很難做到像模擬圍棋一樣忽略地球時間，一天百萬盤的去試錯。

比如，華為ai識圖，在訓練中，必須有人工給出判斷識圖是否成功，而人類的速度是有限的。所以每天訓練次數就不可能像圍棋那麼瘋狂的試錯。

人類能理解因果性，所以人類可以運用邏輯推理，可以舉一反三或舉一反三百，可以用很少的資料，去推理很多的資訊。而相關性訓練，則是用百萬次的試錯，歸納出一個一。用很多的資料，總結很少的資訊。

所以，我們離真正的人工智慧，或者叫人工智慧，還差的很遠。