事实上可通过一个简单的问题算法来实现，类似于“猜单词游戏”。第1个问题是：这个单词位于词典的前半部分还是后半部分？答案如果是“前半部分”，词典此时被一分为二。
则开始第2个问题：这些字母位于“前半部分”的前半部还是后半部？此时词典被分为几个部分。
依此类推逐渐缩小范围。当提问到第几个问题之后，词典将会被划分为几个不同的区域，总数达到100多万时，远超过牛津词典中收录的词汇数目约30万。
如果我们想知道某一像素点属于身体的哪一部分，该怎样设计问题算法呢？
在过去我们都是通过苦思冥想或突发的灵感去设计一系列巧妙的问题。
那是否能够通过计算机编程的手段，通过大量的数据交互与训练，选择、甄别出更好、更高效的问题集合呢？答案是“能”，它就是“机器学习”。
机器学习会从一些我们认为可能解决问题的候选问题开始，所以不算是零**学习。
学习的过程就是将最初的想法逐渐优化，从而形成有效的解决方案。那么什么样的问题可以帮助大多数机械区分手臂和头。
算法自己找到了最优的问题集合，但程序员并不真正清楚它是如何得到这样的结果的。
他们可以查看决策树中任何一个结点及其前后结点上所询问的问题，但树中的问题超过百万个，每个问题又略有不同，所以很难采用逆向工程法得出算法具体是怎样解决问题的。
试想一下，数量超过百万的问题如果全靠人工编程实现，即使再厉害、再勇敢的程序员也会闻之色变、望而生畏，然后望风而逃。
但计算机却擅长做这种工作，这种量化的工作也是人工智能的优势，编程团队需要有一些创造性的思维去相信通过对相邻像素点深度值的询问和比较，足以确定该点所在位置，而之后的创造则属于计算机了。
机器学习所面临的挑战之一是“过度拟合”。针对训练数据提出用以区别图片的问题相对容易，但设计一个不针对特定数据的通用程序却非常困难，它需要从数据中抽象出广泛适用的规则。
假设给定1000个人的姓名和身份号码，让你去设计问题集合对每个人加以识别，你可能会这样提问：“你的护照号码是725487414吗？好的，那你一定就是王二狗。”
天启尽量让自己的人工智能意志和硬件设施分开，这样就可以锻炼硬件的判断能力。
由于缺乏外部刺，即人身体能够做出的所有动作基本都是固定的，所以这个算法没有进一步“进化”。
事实上它也不需要进化，因为它正在有效地完成人类交给它的工作。而其他的一、书籍、音乐，等等。
算法通过与用户之间的交互过程，获取用户的偏好信息，并从中学习进一步完善自身，发现其中的关联关系，以便为下一位用户提供更优质的推荐信息，这就是天启所思考的，要用人类的方式去做很多事情。一的，不可能再有其他人拥有该组数据中的护照号码。
比如，根据给定的图表中的十个点，可得到一个方程，由该方程创建一条通过所有点的曲线。我们可以用一个十项式来表示这个方程，但这并不能很好地揭示数据中潜在的模式，而这，有必要减少方程的项数，以避免出现过度拟合的问题。
过度拟合会误导你在建模时过分关注细数据呈趋势，然后产生不符合客观规律的预测结果。如图5-3所示，这是一幅包含美国20世纪初人口总量的12个数据点的二维图。其总体趋势用二次方程式描述是最合适的，但如果我们选取的方程中x项的幂超过2时会出现什么情况如，方程式中x项的幂是从0变化到11，尽管由这个方程式确定的曲线与历史样本数据完美拟合，但一旦扩展到未来，曲线会突然向下倾斜，而这预示未来美国的人口数量会急转直下并且到2028年10月中旬就彻底消亡。这多少有些荒谬，或许是数学知道了一些不得了的事情吧！
在过去的五年里，计算机视觉识别的发展进步让可以驾驭或识别的不仅仅是人类的身体。视觉识别能力的不足，一直是计算机不能与人类智能相媲美的最大障碍。比如，数码相机对图像细节的捕捉能力过人类大脑，但在立的像素点，而不是一副完整、有内容、有故事的图片。人类大脑在图像识别程中是如何处理数据的今仍然是一个未解之谜，更何况是我们的这些“硅朋友”了。
接收递过来的信息后，人其当作一个整体看待的？例如，骰子的颜色（红色）和形状（立方体）在人类看来是相互关联的，大脑可以很好地将其合成一个统一的整体。复制这种融合能力，一直是计算机解释图像所面对挑战之一。按像素读取图像的方式，无法帮助计算机获得图息。为，再把纸覆盖在一小的人脸图片上。仅仅通过移动带洞的纸，通过洞去观察，几乎是不可能分辨出照片中的人脸的。
五算法设计思路下，算法可以基于训练数据自主创建决策树，同时，网络上大量的训练数据——带标签的视觉数据（例如，Instagram上带评论的照片），也会为人工智能在视觉识别领域的迅速发展提供基本的支撑条件。
我们可以将图片上传至谷歌的视觉网站来测试其算法的图像识别能。麻省理工学院LabSix团队最新的研究试验表明，谷歌人工智能视觉识别系统对一只3D打印的海龟毫无辨识能力，无论以任何角度拿着这只海龟，甚至将它放置在大海等海龟应该在的环境里，其都会被识别为一支枪。这似乎点到了谷歌
该团队的做法是，在海龟的表面添加一层在人眼看来极像是海龟龟壳和皮肤颜色的纹理图案。但实际上，这种纹理是很巧妙地用由不断变化的来复枪图。即便是在变形干扰的情况下，计算机还是能将来复枪的图案识别出来，而且其被识别的可能性百分比远龟。尽管此前也出现过机器将猫的图片错误地识别为鳄梨色拉酱，但将图片稍微倾斜后，结果就恢复正常了。LabSix的贡献在于，无论从哪个角度看这只海龟，算法始终都会确信它看到是一支步枪。
个斜坡上滑雪的人，最终狗的图像在屏幕上完全消失了，但机器仍然将其识别为狗。尽管不知道图像是如何被算法识别的（算法完全像是一个“黑匣子”），但是他们还是设法去“欺骗”算法。
谷歌的研究人员创造了一种更适合算法口味的图像——“神奇贴纸”，香蕉在机器的眼里就消失不见了。这种“贴纸”可以被标识为任意图像，比如一台烤面包机。无论算法正在识别的是什么图像，一旦“贴纸”进入机器的眼帘，它都会认为自己看是烤面包机。这有点像一条狗完全被一只球分散了注意力，它的所见所想就只剩下了“球”，而其他的一切都从它的意识世界中消失不见了。先前的算法攻击测试绝大多数都需要事先获取被攻击对象（即被识别的图像）的大致内容，但这张“神奇贴纸”却什么都不用做——不管它试图干扰的图像里有什么，它都能正常工作。
人类不会轻易被这些黑客手段蒙骗，但这并不意味着我们可以彻底的免疫。比如，魔术师们就可以利用人类大脑的潜意识行为倾向，分散我们的注意力。这里有一个典型的例子——著名的两队传球：如果要求观众计算其中一支球队的传球次数，他们的注意力就会完全集中在球上，而看不到一个身穿着球衣的男子走到球员跟前，猛击他的胸部后离开了。可见，不仅算法存在视觉盲点，我们人类一样也有视觉盲点。
无人驾驶汽车所使用的也是视觉识别算法，很明显，这些算法也可能受到类似的攻击。想象一下，一个停车标志上贴着一张“神奇贴纸”，一个安检系统把枪错认为一只海龟……将会发生什么？
我尝试在摄像头前做一些奇怪的、扭曲身体的动作，以对Kinect算法进行测试，看是否会对其识别结果产生影响。事实上，即便是训练数据中从未出现过的瑜伽动作，Kinect算法也能高度准确地识别出我身体的各个部位。由于缺乏外部刺激，即人身体能够做出的所有动作基本都是固定的，所以这个算法没有进一步“进化”。事实上，它也不需要进化，因为它正在有效地完成人类交给它的工作。而其他的一些算法可能需要不断适应新的变化，例如，算法若要给我们推荐喜欢看的电影、想读的书、想听的音乐，那么它必须是灵活的，足以应对我们不断变化的审美品位，并要能启发人类的思维和智慧去生成创造性的新潮流。
这就是算法能够不断学习、完善并适应新数据的力量所在。机器学习为其开辟了一个新篇章，即算法会像我们人类一样成长并走向成熟。
</p>