● 接受外界信息的能力：如机器视觉、语音识别、语义理解等。
● 存储和使用知识的能力：如知识表示、知识工程、自动推理等。
● 改进自身的能力：如基于统计、概率、符号、连接的各类机器学习模型等。
● 反馈外界的能力：如自然语言处理、语音合成技术、运动平衡技术等。
退一步说，即使有人声称已经做出来了一台学习机器，如何保证对机器的正确教育和评估也是一个很大的问题。这台机器肯定不可能像人类那样靠生活、上学这样的经历来成长进化，人们也无法在短时间内就评估出不同学习机器的效果优劣。
对于如何教育学习机器的问题，我们可以尝试通过计算机模拟，使用遗传算法<sup>○一</sup>（Genetic Algorithm）来解决，把学习机器的进化和生物进化论中物竞天择的思想联系起来。将学习机器假设为一种生物，在机器有符合人类行为的正确响应时给予奖励，在发生不恰当行为时给予惩罚。获得更多奖励的机器，将会有更好的生存环境，能存活更久，更容易产生后代。每一代都在遗传上一代特征基因的基础上随机进化，在若干代进化之后所得到的族群，肯定是更符合我们所设定目标的学习机器。可以通过一个简单的实验来模拟这种思想：假设有一种“生物”由 250 个不同颜色、不同透明度的三角形组成，这种生物以“是否长得像蒙娜丽莎”为优胜劣汰的判定标准（逐个像素比较相似度），如果更像蒙娜丽莎的话就可以存活更久，产生更多后代，后代也会继承前一代的基因基础。从实验结果可以看到，如图 1-7 所示，第 100 万代时这种生物的样子已经进化到和蒙娜丽莎的样子几乎没有什么区别，这甚至有可能是只能用 250个透明三角形来模拟蒙娜丽莎的最优解了<sup>○二</sup>。
第 1 章 洪荒年代
23
○一 https://zh.wikipedia.org/zh-hans/ 遗传算法。
○二 有 兴 趣 的 读 者， 可 以 自 己 在 这 个 遗 传 算 法 的 介 绍 网 站 上 在 线 完 成 该 例 子：http://alteredqualia.com/visualization/evolve/。