首先，在了解AI之前，我們要先探討 —
「 為何以往的科技產品無法實現智能行為 」這個問題。
過去的機器人 AI人工智障 (Artificial Idiot)#
對於以往的科技產品來說，不外乎就是撰寫程式指令，讓這些程式去完成複雜的程序，使其處理更快、更有效率，例如 醫學上癌細胞病變機率、軍事上發射飛彈的角度，又或者是數學家追求的圓周率 等複雜的運算。然而再強大的程式，它也僅僅只是遵循設計者所撰寫的指令一行一行的跑，並不會突然跳脫出設計者所設計的範圍(暫不討論漏洞情況)。簡單來說，不論這支程式看起來多厲害，它最終依舊是"死"的。
若是要單靠敲鍵盤打出一行又一行的程式，去塑造出一個能表現的近乎人類行為的產品，理論上是辦不到的，原因就在於，生活中的"例外“太多了。當一個新的例外出現時，對於此產物來說是陌生的，並且它也不能處理眼前所發生的狀況，這時候你又必須多加幾行程式跟它解釋「眼前狀況是什麼」，想想都覺得累，倒杯水，問你杯子是什麼，要喝時再問你水是什麼，喝下去後又問你水去哪了，沒有任何一個設計師會願意做出這樣的「人工智障」。反倒透過告訴它「水」的定義，並讓它理解人類需要水分才能生存。攝取水分的動作中，水需要有容器裝載，所以推測出「杯子」是「裝水的容器」，並且加上剛剛說的「人類需要攝取水分」這條原則，進而判斷出此現象就是「人類用杯子裝水後，攝取杯中的水分」。
機器的自主學習#
秉持著「 與其給魚，不如教怎麼釣魚 」的概念，「 與其告訴它答案，不如教它如何自己學習 」
對的！「 讓它自己學習 」這樣的思維就這麼產生了！
其實早在20世紀40年代後期，心理學家 唐納德·赫布 就根據「神經可塑性」的機制，創造了一種對學習的假說，現在稱作赫布型學習。赫布型學習被認為是一種典型的「非監督式學習」規則，也就是剛剛所提到的 — 「 自行學習 」。
運用這樣的技術，這些科技產物的行為似乎看起來就再也不是受到設計者所限制了，轉而運用程式內的演算法，去推斷出哪些資料屬於什麼，並自行做歸類，而在往後每次發生例外時，就自行透過以往的學習經驗判斷且有效的整理這陌生的例外，並且將它納入自身新的經驗裡。
有些讀者可能發現了，上述的這種思維，其實就近乎是我們生物的學習模式，舉人類當例子，嬰兒誕生時便賦予「學習」的功能，看到什麼、聽到什麼或者摸到什麼，都會在腦中紀錄，透過不斷的累積經驗，往後發生問題，便能透過以往的經驗去判斷最佳解，即使再次失敗，也能透過納入失敗的經驗，來學習成長。
遇到問題，能透過不斷的學習，運用統計學歸納出各項可能之比重，進而做出更正確的判斷，學習次數越多次，代表樣本越多，則判斷將會更精準，這樣的科技可怕就在於，機器將會透過自身的高效學習，以極高的速度成長。
如果還是不清楚這樣的概念，沒關係，以下舉簡單的例子說明：
假設一個情境，當您對AI說「你好！」，AI從過去的學習裡知道了關於「你好」一詞是屬於「打招呼」類型的句型，且基於禮貌需要給於回應，而"回應"關聯的詞有「喔、你好、知道、不知道」，透過歸類後判斷，「知道、不知道」不能用於此做回應，所以剩下的可能性就是「喔、你好」，在沒有其他可判斷的條件下，分配比重「喔50％、你好50％」，機率一樣的情況，隨機抽取，選出「喔」，經過這些判斷後，AI回應您「喔！」，結果您生氣了，您對AI說：「你的態度很不好！」，於是AI透過這次的經驗學習到了用「喔」作為打招呼的回應是「態度很不好」的，於是從新調整比重「喔25%，你好75％」，在往後您對AI說「你好」時，他便會因為過去經驗所調整得比重，而選擇最適合的回應，即此例子中回應您「你好」。
結論#
人工智慧是運用「 類神經網絡 」來達到與生物相似的「 學習 」效果。
越多的參考樣本(經驗)就越能準確的判斷發生問題時的最佳解，透過不斷的失敗，累積經驗來提昇自身判斷的準確度，標準的越戰越勇！
因為經驗越多學習越精準，所以在訓練這些AI時，我們通常會使用很多很多的數據讓AI當作樣本參考並學習，這樣的現象我們稱之為「 Big Data (大數據) 學習 」，這也就解釋了為什麼「大數據」總是跟「AI」的話題緊緊相連。
最後#
總合以上所說，如果您都聽懂了，
那恭喜您了解了「 人工神經網路 (ANN, Artificial Neural Network) 」的基礎概念。
當然背後有更多複雜的邏輯思維，也有很多強大的演算法，
但本文僅僅只是「淺談」則不深入探討，
若是讀者有興趣可以自行上網搜尋「 神經網路學習 」的相關資料。
