機器智慧的問題是一個棘手的問題。 幾位研究人員撰文，從不同的角度探討了這個問題。
佛羅里達州立大學計算機科學系的 R.C. Lacher 回應道
“是的，神經網路計算機可以從經驗中學習。 它們固有的‘即時’學習能力是研究人員對它們的未來感到興奮和樂觀的主要原因之一。 例如，神經網路計算機可以透過一組關於車輛控制的已知事實進行‘訓練’，然後可以將神經網路計算機線上用於即時控制車輛。 此外，神經網路的學習能力可以保持開啟狀態，以便系統學習如何更好地完成控制工作，並學習如何處理以前未遇到的情況。 許多團隊正在研究改進這種學習過程的方法。 例如，我們大學的研究人員設計了一種將知識直接插入神經網路的方法，省略了第一個‘訓練’階段，從而產生了所謂的專家網路，這些網路不僅可以從經驗中學習，而且能夠解釋它們如何或為何得出給定的結論，以防有擔心的駕駛座後排人員指手畫腳。
關於支援科學新聞
如果您喜歡這篇文章，請考慮透過以下方式支援我們屢獲殊榮的新聞報道 訂閱。 透過購買訂閱，您將幫助確保有關當今塑造我們世界的發現和想法的具有影響力的故事的未來。
“而且，是的，神經網路計算機可以互相學習。 馬薩諸塞大學阿默斯特分校的研究人員 A.G. Barto 和 R.S. Sutton 以及謝菲爾德大學的 C.W. Anderson 發明了一個經典的例子。 他們從兩個未經訓練的（‘無知識’）神經網路開始，目標是讓一個網路學習從底部平衡杆，而另一個網路的目標是學習成為一個固定在其底部的杆。 也就是說，第二個神經網路學習模仿機械系統本身，而第一個神經網路學習控制它。 這兩個網路來回傳送訊號，實際上是在互相幫助學習。”
北卡羅來納大學威爾明頓分校數學科學系的研究員 Sridhar Narayan 提出了一個稍微更懷疑的觀點
“為了正確看待問題，大多數神經網路僅僅是在傳統計算機上執行的計算機程式。 很少有神經網路是用硬體實現的，可以稱為‘神經網路計算機’。 話雖如此，是的，神經網路可以從經驗中‘學習’。 事實上，神經網路最常見的應用是‘訓練’神經網路，使其在接收到給定的輸入模式時產生特定的輸出模式。 通常會訓練神經網路對大量的輸入/輸出模式對執行此操作。 在許多情況下，神經網路產生正確響應的能力超出了它被教導的模式，擴充套件到其他類似但新穎的模式。 這種能力，通常被稱為‘泛化’，通常比學習少量事實的能力更重要。
“神經網路能否變得‘聰明’？ 這取決於如何定義‘聰明’。 例如，可以‘訓練’神經網路來控制電動機，甚至可能與人類操作員一樣好。 然而，這就是神經網路所能做的全部。 它的‘智慧性’侷限於單一任務，這與‘聰明’通常的含義不同。
“兩個不同的神經網路能否互相傳授它們所知道的知識？ 鑑於神經網路擁有非常專業的知識，這個問題只能在兩個網路瞭解同類型問題的情況下考慮。 也就是說，談論一個可以玩雙陸棋的神經網路與一個可以控制電動機的神經網路互動是沒有意義的。 然而，即使所討論的神經網路具有關於同一問題的知識，向現有神經網路新增新知識通常也會破壞網路已有的知識。 雖然網路可能能夠吸收新舊知識，但這很可能需要網路重新學習新舊概念。
達特茅斯學院的計算機科學家 George Cybenko 提供了更技術性的回答。