Koncepcja maszyn, które mogą ewoluować, ucząc się od otoczenia, jest dyskutowana w środowisku naukowym od prawie stu lat. Podobnie jak w przypadku wszystkich zaawansowanych paradygmatów, uczenie maszynowe zostało najpierw wyśmiane, następnie rozważone, a następnie całym sercem przyjęte. Problem z uczeniem maszynowym polega na tym, że komputery nie mają mechanizmu filtrującego umożliwiającego sortowanie informacji tak, jak robią to żywe mózgi, i nie mogą tworzyć organizacji wyższego rzędu, jak ludzie. Potrafimy szybko ocenić, czy coś nie jest warte naszej uwagi, aby zaoszczędzić energię na rzeczywiste zadania pod okiem mądrzejszej, bardziej wydajnej osoby, ale komputery i tak nie poradzą sobie z rzeczywistym światem. W ten sposób inteligentne maszyny otrzymują przefiltrowane dane ułożone w zestawy, a ich środowisko uczenia się jest, że tak powiem, całkowicie sterylne. Wystawienie inteligentnych maszyn na działanie świata zewnętrznego zwykle kończy się katastrofą, ponieważ ich wątłe mózgi zostają zatkane bezużytecznymi informacjami. Na przykład istnieje inteligentna maszyna, która obserwuje, co wpisujesz w wyszukiwarce Google, i po podłączeniu do Twojego osobistego profilu utworzonego dzięki uprzejmości Gmaila, YouTube i innych usług Google może polecić spersonalizowane wyniki wyszukiwania. Nie powinieneś wiedzieć o tej inteligentnej maszynie, ponieważ możesz chcieć podać jej fałszywe informacje, psując dostarczane przez nią wyniki. Jeśli zrobiłaby to wystarczająca liczba użytkowników, wyszukiwarka Google by to zrobiła zasadniczo stać się bezwartościowymi. Struktura inteligentnego komputera przypomina Kongres, ponieważ składa się z małych, niezależnych jednostek, które mogą głosować w dowolnej sprawie. Kiedy na tym układzie zostaną zbudowane dodatkowe warstwy, możemy o tym pomyśleć jako o utworzeniu Senatu, który może również wnieść wkład w sprawy. Pomyśl o przedłużających się dyskusjach politycznych, które ostatecznie muszą się sprowadzić do: Głosuj na „tak” lub „nie”; tak właśnie działa inteligentna maszyna. Należy zauważyć, że inteligentna maszyna pobiera dane binarne, ale generuje prawdopodobieństwo, co oznacza, że może być mniej więcej pewna wyniku, dlatego możemy ocenić jakość dowolnej sieci neuronowej, szacując, jak poprawnie odgadła, czego od niej oczekujemy, ale nigdy nie jest to prawdą. niektórzy . Mając wystarczającą liczbę warstw, możemy zacząć mówić o sieci neuronowej, w której różnym warstwom przypisuje się różne wagi w zależności od ich wydajności. Krótko mówiąc, sieć neuronowa może rozróżniać jednostki i ich głosy w zależności od tego, jak radziły sobie w przeszłości. Pomyśl o tym jak o jeździe do pracy i ledwo słuchaniu głosu w radiu, ale potem skupieniu całej uwagi na szefie w pracy; sieć neuronowa uczy się racjonować swoje zasoby obliczeniowe. W tym momencie uczenie maszynowe staje się uczeniem głębokim, podczas którego sieć neuronowa reorganizuje się zgodnie z własnymi zasadami, których nie do końca rozumiemy, przy prędkościach, których nie jesteśmy w stanie śledzić. Zasilanie sieci neuronowej spójnymi zbiorami danych i pokazywanie jej oczekiwanego rezultatu nazywa się „uczeniem przez wzmacnianie” i tworzy wysoce wyspecjalizowaną inteligentną maszynę. Na przykład pokazanie obrazów psów lub kotów wzmocni pojęcia „psa” lub „kota”, ale pokazanie obu sprawi, że sieć neuronowa będzie ogólnie znacznie lepiej rozpoznawać zwierzęta. W zależności od przeznaczenia sieci neuronowej naukowcy trenują ją w różny sposób, korzystając z danych zebranych z publicznie dostępnych źródeł. Kiedy sieć neuronowa jest podłączona do konkretnego sprzętu, możemy zacząć mówić o robotyce, która zasadniczo nadaje sieci neuronowej ciało. Robot może mieć różne poziomy mobilności lub po prostu być stacjonarny, jak głośnik Alexy, który należy położyć na stole i słuchać mieszkańców. Poczyniono pewne postępy w umożliwieniu sieci neuronowej decydowania, gdzie i jak chce się poruszać na świecie, ale znowu wszystko jest wykonalne, jeśli znajduje się w bezpiecznym, kontrolowanym środowisku; jakakolwiek ingerencja ludzi lub zwierząt zwykle niszczy robota. Kiedy wokół nas jest tak wiele robotów, że tworzą one własną sieć neuronową, ale ze sprzętem zamiast jednostkami oprogramowania, możemy zacząć mówić o Internecie rzeczy (IoT).