如果你不知道目的地是哪兒，可能要設定其他目標。
──尤吉．貝拉（Yogi Berra）
我們每天都聽到機器學習能夠做到需要感知才能達成的任務：自動駕駛汽車、臉部辨識等。也有人擔心智慧機器失控所造成的危險，害怕有天它們利用遠勝於人類的智能，會掌控整個世界。不過這些討論絕大部分都沒有看到明顯的重點：機器學習的確能夠完成一些了不起的任務，但是研究人工智慧的傢伙全都深深了解到，現在最佳的人工智慧還比不上四歲的孩子。
原因在於，絕大部分著名的人工智慧演算法在學習技能時要人教，同時需要使用到極龐大的資料庫，並且得在超級電腦上執行。四歲幼兒只要知道幾個例子之後，自己就能夠學習。說真的，教自己小孩某些技能和概念時的確痛苦萬分，但是他們絕大部分知道的事物，都是基於基本的感知機制，自己教自己的結果，用他們小小的腦袋就足以完成。事實上，就算是多層級且具備反向傳播的感知器，比起我的小孫子還是差太多了。他不需要數不清的例子和教師，就能認得出自己的祖父。只要抱幾次就很快學會說「爺爺」這個詞。
人工智慧研究人員區分了監督學習與無監督學習。你應該記得之前提到那個標準的感知器需要教師。蘋果電腦的聲音識別軟體和咸諾斯基會說話的電腦也要。注重隱私權者所害怕的臉部辨識軟體也需要。你需要大量具備身分標籤的臉部照片，才能夠教軟體辨識臉部。電腦能夠辦得到是因為計算速度非常快，事實上，最近幾年機器學習獲得的成就，主要來自於最近（五年）有了能夠用來訓練的資料庫，以及大型的客製化電腦。腦中神經元運作的速度很慢，無法看這些電腦相比。
但是腦部的能力遠超出這些電腦。在赫柏原始的概念中，創造細胞群組的方式是無監督學習：在邊緣上連續的點本來就會一起出現，腦中的邊緣敏感細胞也是自己出現的。目前電腦科學家迫切的任務之一，是建造出訓練過程如大腦的機器。
我很快就會回來談腦部，不過先說明另一種機器學習形式的例子，這種形式結合了神經網絡和一個新方法。電腦科學家大方的用神經科學的名詞來稱呼這類策略：增強原理（principle of reinforcement），最早有系統進行這方面研究的是偉大的俄羅斯生理學家帕夫洛夫（Pavlov），哈佛大學的史金納（B. F. Skinner）等後繼者發掘了其中的細節。電腦科學家稱這種這種演算法為「增強學習」（reinforcement learning）。「增強」的意思是某種行為會得到報償，如果電腦受到了報償，就會重複那種行為。這個過程讓正確的行為比較容易受到重覆，在神經網絡中的突觸會受到加強，你可以說這是一種反向傳播。增強學習與感知學習很像，只不過電腦會自己製造教師。
