一个机器是否能表现出与人等价或无法区分的智能，标准之一是看这部机器能否自主地学习。

在过去，人工智能程序使用所谓的“监督式学习”。比如，在经过数小时的音频数据输入以及学习与音频对应的文字后，人工智能软件可以学会识别语音。也就是说，通过对机器输入原始数据和对应的“期望输出”,机器可以进行——对应地学习。

现在，研究人员正在努力使人工智能在没有被告诉“期望输出”的情况下进行学习。这项技术被称为“无监督式学习”,换句话说，就是只给机器输入原始数据，至于该输出什么,就让人工智能自己看着办。

机器的这种学习能力，来源于一种近年来迅速发展的技术——人工神经网络。

在人工神经网络中，会先由程序来部署出一组虚拟的神经元。然后在这些神经元的连接中，用称为“权重”的数值对其赋值。这里的权重，类似神经元之间的连接强度，决定了每一个模拟神经元的响应，即输出的数值是0还是1。然后，程序员开始训练该神经网络的识别能力，他们会让这个神经网络从大量的含有某物体的数字化图像中寻找该物体。如果神经网络不能准确地识别某种特殊图形，说明某些输入的权重设置不合适，程序就会对它进行调整，一直调整到神经网络能稳定地识别出具有特征性的样本(如语音或图像)为止。