1樓：Barry One
從目前最火的深度神經網路為栗子，講述這個問題:
關鍵概念如下:
1.神經單元:具有興奮和平靜兩個狀態。
當神經元指標大於閾值，會產生興奮狀態，並向其他神經元發出能夠提高其指標的"遞質".演算法通過sigmoid函式結合閾值的方法產生階躍函式。
2.感知機:通過神經單元組成的簡單邏輯運算結構，可以看作若干個傳送神經元向乙個接收神經元傳送遞質，接收神經元首先在訓練集中進行學習，得到每個傳送神經元遞質指標的對自身影響的權重(連線權)。
接著接受神經元就可以使用計算得到的權重結合傳送神經元的輸入進行計算得到對應輸出值。感知機可以相互疊加，形成多層感知機網路
其中，神經網路演算法的訓練過程就是確定連線權的過程。
那麼，怎麼訓練呢？
用大量的帶標籤的資料輸入神經網路進行訓練，讓網路確定引數值。
那麼，怎麼用呢？
將待測的資料(不帶標籤的資料)，輸入訓練好的神經網路，神經網路就可以輸出它的標籤。
那麼，難點是什麼？
1.選取資料:篩選資料是非常難的，其實就是篩選評價標準。比如，你考慮下，什麼樣合適的評價標準才能分得清人和大猩猩？如何量化他們？從業者一般的難題就是這個。
2.高效的訓練:這個看硬體，所以就交給intel，蘋果，英偉達吧。
3.優秀的網路模型:其實每次網路結構的進化，都可以看成低等生物像高等生物的進化。為了適應新的問題，同時硬體計算能力也不斷的優化，複雜的神經網路因此孕育而生。
以上描述中可以看到，神經網路的訓練是需要大量帶標籤的資料的支援的。
是的，其實幾乎所有的理想的AI都可以理解成對歷史的總結提煉而產出的經驗。有些對外宣稱的智慧型，其本質經驗是人類總結並寫死的，比如2007前後年對外宣稱的智慧型(手機電冰箱洗衣機電飯煲熱水器)。而稍微的智慧型則是演算法自己學習的，比如人臉識別。
而更高階的智慧型則擁有自我改善能力，實際上細說來也應當是擁有了自我選擇資訊的能力了，比如谷歌的阿法狗。
以上，是對你問題的解答。
內容很多，自己體會。
如何評價 富士康投資3 4億美元研發人工智慧
martinxia 補充一點 個人認為富士康能成功的方法是去收購幾家行業領域的成長公司，並不參與日常管理，才有成功可能性首先，我覺得富士康龍頭老大想趕上風口的意圖是好的。但是作為FXN的一員，我並不看好富士康的投資。無論怎麼說自己是科技公司，掩蓋不了FXN是一家工廠的事實，而且目前管理層大多數管工廠...
人工智慧是會導致大量失業，還是會創造更多就業機會？
書童 我個人判斷這是兩面性的事物，為什麼是兩面性？失業與創造更多就業機會同時存在，變革不是簡單的單向發展，只是在時間層面上來看剛開始二者並不平衡，失業大於就業。為什麼不平衡呢？不平衡體現在什麼地方？產業公升級技能勞動者需要適應變革 人工智慧的介入效率提公升不在需要太多人 人工智慧會代替固有勞動模式行...
想要學習人工智慧，需要掌握python到什麼程度？
Python Jack 人工智慧其實也有很多具體的方向 機器學習 演算法技術應用 機器學習不需要多麼精通 但是需要考慮多執行緒，多程序處理 大量資料IO 演算法會基本語法就可以 但是對數學功底要求比較高 技術應用 需要熟練掌握各種模組和系統機制 故意找茬 基本語法掌握 會用第三方庫 語言只是工具 落...