机器智能的问题是一个棘手的问题。 几位研究人员撰文，从不同的角度探讨了这个问题。
佛罗里达州立大学计算机科学系的 R.C. Lacher 回应道
“是的，神经网络计算机可以从经验中学习。 它们固有的‘即时’学习能力是研究人员对它们的未来感到兴奋和乐观的主要原因之一。 例如，神经网络计算机可以通过一组关于车辆控制的已知事实进行‘训练’，然后可以将神经网络计算机在线用于实时控制车辆。 此外，神经网络的学习能力可以保持开启状态，以便系统学习如何更好地完成控制工作，并学习如何处理以前未遇到的情况。 许多团队正在研究改进这种学习过程的方法。 例如，我们大学的研究人员设计了一种将知识直接插入神经网络的方法，省略了第一个‘训练’阶段，从而产生了所谓的专家网络，这些网络不仅可以从经验中学习，而且能够解释它们如何或为何得出给定的结论，以防有担心的驾驶座后排人员指手画脚。
关于支持科学新闻
如果您喜欢这篇文章，请考虑通过以下方式支持我们屡获殊荣的新闻报道 订阅。 通过购买订阅，您将帮助确保有关当今塑造我们世界的发现和想法的具有影响力的故事的未来。
“而且，是的，神经网络计算机可以互相学习。 马萨诸塞大学阿默斯特分校的研究人员 A.G. Barto 和 R.S. Sutton 以及谢菲尔德大学的 C.W. Anderson 发明了一个经典的例子。 他们从两个未经训练的（‘无知识’）神经网络开始，目标是让一个网络学习从底部平衡杆，而另一个网络的目标是学习成为一个固定在其底部的杆。 也就是说，第二个神经网络学习模仿机械系统本身，而第一个神经网络学习控制它。 这两个网络来回发送信号，实际上是在互相帮助学习。”
北卡罗来纳大学威尔明顿分校数学科学系的研究员 Sridhar Narayan 提出了一个稍微更怀疑的观点
“为了正确看待问题，大多数神经网络仅仅是在传统计算机上运行的计算机程序。 很少有神经网络是用硬件实现的，可以称为‘神经网络计算机’。 话虽如此，是的，神经网络可以从经验中‘学习’。 事实上，神经网络最常见的应用是‘训练’神经网络，使其在接收到给定的输入模式时产生特定的输出模式。 通常会训练神经网络对大量的输入/输出模式对执行此操作。 在许多情况下，神经网络产生正确响应的能力超出了它被教导的模式，扩展到其他类似但新颖的模式。 这种能力，通常被称为‘泛化’，通常比学习少量事实的能力更重要。
“神经网络能否变得‘聪明’？ 这取决于如何定义‘聪明’。 例如，可以‘训练’神经网络来控制电动机，甚至可能与人类操作员一样好。 然而，这就是神经网络所能做的全部。 它的‘智能性’局限于单一任务，这与‘聪明’通常的含义不同。
“两个不同的神经网络能否互相传授它们所知道的知识？ 鉴于神经网络拥有非常专业的知识，这个问题只能在两个网络了解同类型问题的情况下考虑。 也就是说，谈论一个可以玩双陆棋的神经网络与一个可以控制电动机的神经网络互动是没有意义的。 然而，即使所讨论的神经网络具有关于同一问题的知识，向现有神经网络添加新知识通常也会破坏网络已有的知识。 虽然网络可能能够吸收新旧知识，但这很可能需要网络重新学习新旧概念。
达特茅斯学院的计算机科学家 George Cybenko 提供了更技术性的回答。