$$
\cup \{ \exists x \in \ O ^ { * } \} \cup \{ \ O ^ { * } \} \mathcal { Z } _ { \cdot \mathrm { H } } ^ { \pm \pm } \# \mathcal { Z } = \ O ^ { * } \ O ^ { * } \{ \ O ^ { * } \mathcal { Z } _ { \cdot \mathrm { H } } ^ { \mp } \} \cup
$$
$$
u = 0 . 5 6 \div 5 \times 6 = 3 0 \div 5 \times 6 = 3 0 0 ( c m )
$$
$$
{ \bf \widehat { x } } \cdot \cong \lVert \dot { y } \rVert = \lVert \dot { y } \rVert = \lVert \dot { y } \rVert \lVert \dot { y } \rVert = \lVert \dot { y } \rVert \lVert \dot { y } \rVert = \lVert \dot { y } \rVert \lVert \dot { y } \rVert
$$
然而，人们也许希望这个过程能比进化更迅捷。用适者生存作为衡量优势的方法太缓慢。通过智能练习，实验者有可能使进度加快。实验者不受随机突变的限制，这个事实也同样重要。如果能够追踪某个弱点的原因，实验者就有可能设计出一种突变来改进它。
教机器学习的过程，不可能与教普通儿童的完全相同。例如，没有给机器安上腿，所以不能要求它到外面去把煤斗装满。它也可能没有眼睛。尽管这些缺陷可以由精巧的技术工艺来弥补，但是把这个杰作送到学校去，不会不引起其他孩子对它的大肆取笑。必须对它作某种个别辅导。我们不必过分看重腿、眼睛什么的，海伦·凯勒小姐的例子表明，只要能够用这种或那种方法在老师和学生之间实现双向交流，教育就能够实现。
我们通常把惩罚和奖励与教育过程结合起来。有些简单的儿童机可以根据这种原理构造或编程。机器必须构造得使那些在出现惩罚信号前不久发生的事件不大可能再次发生，而奖励信号则能提高导致这信号的事件的重复概率。这些规定并没有预先假定机器部件有任何感知方式。我曾在一台这样的儿童机上做过一些实验，成功地教会它一些事情，但是教授方法太不正规了，所以这个实验还不能算是真正成功的。
采用惩罚和奖励充其量只能是教学过程的一部分。粗略地说，如果教师没有其他与学生沟通的方法，那么能教给学生的信息量，不会超过所施奖励和惩罚的总数。在儿童学会重复“Casabianca”这个词时，如果其内容只能通过“二十问”的技巧获知，儿童很可能感到十分痛苦，因为每一个“否”字都是一次打击。所以必须有某种别的“非情感”交流渠道。如果有这种渠道存在，就有可能通过奖惩方式教机器学会服从用某种语言，例如符号语言下达的命令。这些命令是经过
2 计算机器与智能
69