图片来源：https://pixabay.com/images/id-3490522/
有人曾说，机器人和人类之差别是在于“难者不会，会者不难”，即人类难如登天的事，机器人则不费吹灰之力。譬如，数次连续一直不停地计算如2508248*740232*834293*e23*ln256*sin32o之类的乘法，人类千辛万苦，机器人则一挥而就；但要辨认狗儿而把它抱起来，机器人就不知所措而无法启动，人类则能轻而易举。
差别的原因是传统的机器的控制系统是以专门蚀刻的电路和程序的指令，就可迅速处理基于数学逻辑的任务，但面对程序指令之外的事就无法调整，也就是以前的机器人是没有应变的能力，亦即感测环境、从状况“发现和启发式学习”（heuristics）、记在心，而经由此经验，训练自己能应变。
人类的脑筋则是具有“适配”（adaptation）能力的神经网组成，即接由五官的神经元系统而“面对新的刺激则能自动知觉和改变敏感度”。譬如，人从室外的光亮太阳下忽然进入屋内乍见一片乌黑，但眼睛和脑筋片刻就能知觉而自动调整视觉；耳朵和脑筋的听觉部位神经元能自然阻挡声音，如窗外的例行晚班火车笛声而让人安眠；和初嗅的异味虽然强烈，“入芝兰之室，久而不闻其香”，则此不只是鼻子的神经元和脑筋的嗅觉部位神经网合作之功能，且是意味着人类更为深刻之能被感化的“适配的人工神经网”。
即人脑神经网中的各部位神经元，能接收从五官传达的刺激讯号而适当地变更知觉；亦即人的视觉、听觉、嗅觉、味觉、和触觉是具有天然的学习能力。
简单的智能电子商品已经装有环境侦测器，譬如感应温度、光线、烟雾、声音等，但反应是限制于标示或发出警号。新的智能电子机器可搜集刺激的讯号，并依照经验的数据构成一套“训练集”（Training Set），即可“发现和启发式学习”而“教育”该机器应该如何反应。
训练集的数据则是用来进行所谓的机器学习，则凭恃一片人工智能核心微处理器，该机器会以其中的学习算法，能以简单的线性回归或逻辑回归分析出数据的趋势，而如此就可判断未来的发展而知道适当的反应。
更进步的机器人可仿效人类的脑筋，即机器学习的训练集是以人工神经网模仿人脑的神经网，即其中之数值排列矩阵所构成的如人脑神经网构造之数多隐藏层就可依靠所搜索的数据，而经由继续不断的叠代迭代而依据训练集的更新自我适配。
譬如，在使用分类算法可从所搜集的侦测数据进行形态辨识，而以对照储存的辨识特征就能辨认不同的物体，且再联接所累积的经验数据而更新训练集来对配所观察和所储存的数据，继而教示所辨认的辨识。经由反应数据的叠代迭代，机器人亦可被教育到在辨认物体之后要如何因应，而与人类一般，愈多的经验，愈强的应变能力。
亦即，婴儿一生是什么都不会，但接受外来的刺激讯号之后，脑筋的神经网就会搜集五官讯号的刺激数据而经由自个儿的经验及家长的指导，不断的强化及惩罚叠代迭代，久而久之所累积的正向强化和负向惩罚就会构成小孩自己的训练集，而他会被教育到依照不同的刺激应该如何适配而反应。
能如此学习的机器人，进而不但能执行传统计算器的快速计算和昼夜不懈的运转，亦能感应环境的变化而自动反应，譬如能分辨猫与狗，且在运转时所感应而累积的数据和适当的反应调整，能学习的机器人则可一直更新原先的训练集而终于认出而将狗儿抱起来。
自主的智能车
各大汽车公司和几乎每一家网络技术公司，目前都在研发无人驾驶车，而最为明显的新装备是安装在车顶上的光成像检测和测距（LIDAR）塔，即其所发射的激光脉冲光雷达遭到物体时，布置在车上的侦测器中的“互补式金属氧化物半导体影像传感器”（CMOS Sensor）会接受物体的反射光而依照时间及波长差，经由微处理器的演算，就可测绘一个瞬间高分辨率立体地形和障碍物动态影像。亦即，所发出与所反射的雷射光之时间差是表明距离，而波长差是以多普勒效应测量动态，所构成的动态影像则可仿效人类的视觉环境。
车上的控制软件是依据该动态立体影像而以执行器和伺服马达操控汽车的方向盘、加速器、和刹车，即经由所侦测的影像与所储存的各种形态影像对比，先辨认形态，尔后依照所储存的适当反应，就适当地反应而自主地安全行驶。
亦即，车子的安全行驶是经由该立体影像所辨识的马路形式、信号灯、障碍物、车潮、人、狗等等一直在变之各种不同状况，而适当的操控是基于真人驾驶在试验自主车时所搜集合储存的应变动作。即立体影像的数据以及试验驾驶的反应数据，在遵守交通规则的约束参数之下，就是构成一个综合行驶的训练集和操控机制，而各种反应亦可储存而用来叠代迭代而调整训练集的数据。能学习的自主车则可与人一样累积驾驶经验而不但学会开车，开车的技巧且会经由“适配的人工神经网”而一直在进步。
由此可见，愈多的开车实验，自主车的驾驶技巧就愈发达，而车上的自主系统甚至可连接到一台中央服务器所储存的大量且多元的行驶状况和驾驶反应，而驾驶数据若是传送到自主车，由于形态辨识和操控讯号传达可比真人的认知和反应快，自主车的虚拟驾驶员之适当及快速反应会优于真人驾驶的反应。
所以，或者全车上的自主系统，或者连接中央服务器的互动系统，由于更为广泛的经验数据和电子的反应和操控超快速度，自主车的驾驶技巧其实都会比真人驾驶佳，而若是累积中央服务器所有的正确驾驶反应数据而使用在所有的自主车上，所搜集的一直在更新的数据和适当的反应会使得无人驾驶为主的车潮更为规律化，则整体交通会更安全。
在研发实验的过程中，意外的事件必定会发生，但因为历来高达九成的车祸是由人为因素所致，而连自主车试验的交通意外几乎全也都是由应该紧急介入的车上人过失而发。其实，自主车的专业系统，由于所累积的庞大而一直更新的驾驶数据会远超越真人所能累积的驾驶经验，自主车之普遍和长期使用会极度降低汽车意外的发生，即日益剧增来自各方的驾驶数据会使得自主车的虚拟驾驶员愈来愈聪明，且绝不会发生轻举妄动或者自暴自弃的驾驶行为。
自主驾驶系统最难辨识的是示意的小动作，譬如警察的眼珠动向所指的要求，以及不常遇见的障碍物所引导的不寻常驾驶动作，譬如修马路要求的违反交通规则的反方向改道行驶。自主车必定会发生意外车祸，但其件数会远少于人为的车祸，但因为是攸关计算机和机器，一般人会有不理性而偏于感性的反应，即埋怨机器总是比自己承认错误好过。
愈进步的激光脉冲光测绘技术和愈多且愈敏感的侦测器会产生愈多愈准确的动态影像数据，而愈多的自主车行驶经会产生愈多安全的操控数据，则社会大众一旦能放心而信任自主车的操控，愈来愈多的人即将使用，而跟随就会有更多数据。如此的良性循环则会造成愈发达且愈有价值的专业系统，即系统的聪明度是依赖数据的多寡，而这就是大数据中之“大”的义涵。
