機器學習的一種方式，叫做人工神經網絡。我就講講這個神經網絡。
有一隻蚯蚓，它面前有一條路，路的左右兩側分別是兩堵牆，一堵是黑色的，一堵是白色的。白色的牆帶電，碰到就把蚯蚓電死了。
這隻蚯蚓的皮膚表面，有兩個光線傳感器，一左一右。這種傳感器，看到黑色，輸出0，看到白色，輸出1，看到灰色，輸出0.5。我們把左傳感器的輸出稱為SL，右傳感器的輸出稱為SR。
這隻蚯蚓腦子裡面有兩個可以修改的數字（變量），一個叫左神經元，一個叫右神經元，分別稱為GL和GR，取值範圍是-1到+1之間。
這隻蚯蚓在前進的過程中，可以向左偏或者向右偏，我們把這個稱為蚯蚓的決定，稱為D。決定的取值範圍是-1到+1，代表從左到右，取值為0就表示走中間。
我們現在定義：D = SL * GL + SR * GR
上式表示蚯蚓的決定，是通過將光線傳感器的輸出，分別乘以一個神經元變量，再加到一起得到的。
假設GL = -1，GR = +1，當SL = 1、SR = 0（左邊的牆白色，右邊的牆黑色）的時候，D = -1，表示往左走。顯然，蚯蚓就電死了。
假設GL = +1，GR = -1, 當SL = 1、SR = 0（左邊的牆白色，右邊的牆黑色）的時候，D= 1，表示往右走。蚯蚓就活了下來。
假設GL = +1，GR = -1, 當SL = 0、SR = 1（左邊的牆黑色，右邊的牆白色）的時候，D= -1，表示往左走。雖然調換了牆壁的亮度，但蚯蚓還是活了下來。
而且通過代入不同的亮度值我們還發現，即便某一邊的牆不是白色，但只要該邊的牆比另一邊的牆亮度更高，蚯蚓依然會偏向另一邊走，以增大存活機率。說明我們這個神經網絡還有普遍適應性，就算傳感器上有灰塵也能正常工作。
綜上所述，通過合理設定GL和GR的值，我們就可以讓一個有兩個神經元的神經網絡，通過簡單的四則運算，讓一條機器蚯蚓獲得了自動避開白色牆壁的能力。講到這裡，有的人問，這個值是你設定的，不是蚯蚓自己學習的呀！說的沒錯，有的複雜的系統，神經元可能有數十萬個，連接錯綜複雜，運算規則也可能各不相同，如果我不使用機器學習的方法，僅靠手動指定根本沒辦法確定每個神經元的取值。
下面我就來演示一種最簡單的學習方法。
我製造了1000條蚯蚓，每條蚯蚓的GL和GR都是從-1到+1之間的一個隨機數。然後我把這些蚯蚓，放到兩個牆壁之間，讓他們自己去走，最後肯定有一些蚯蚓電死了，有一些蚯蚓活下來；有一些蚯蚓迅速，有一些蚯蚓遲鈍。我就把那些迅速衝向一邊、而且沒被電死的蚯蚓，全抓出來，統計之後發現他們的神經元取值，都非常靠近(GL = +1, GR = -1)。這樣一來我就可以決定GL和GR的值了。這就是機器學習：GL和GR的取值是待解決的問題，1000條蚯蚓和他們的最終結局是訓練樣例，帶電的白牆是用來產生訓練樣例的現實過程。其中的魅力在於：我並不需要知道白牆和黑牆到底哪個帶電，一樣可以訓練出自動求生的蚯蚓！換言之，機器學習是通過經驗積累，而不是邏輯判斷的方式來解決問題。通過重複的操作實現經驗的積累，其實就是學習的本質；人工智能是這樣，人腦其實也是這樣的。如果我們能模擬人腦那麼多的神經元，並且將一個人幾十年的生活經驗作為訓練樣例，我們就能夠獲得一顆具有人類智慧的大腦。
講完這麼多，聰明的同學已經看出讓人工智能靠近人腦所面臨的幾大問題了。
1. 用計算機模擬10億個神經元的活動非常困難。（訓練困難）
2. 沒有辦法把一個人幾十年的生活過程記錄下來用做訓練樣例；即便記錄下來，產生的人工智能也僅僅具有這個人的思考能力而已。（優質樣例獲取困難）
實際上，人類今天所具有的各種求生本能，以及高級思考能力，是數十萬年來靠無數代的變異和自然選擇淘汰得到的。這個過程很像機器蚯蚓的訓練過程：不合格的蚯蚓只有死路一條，留下的自然是合格的。這意味著具有人類思考能力的人工智能，離我們還比較遙遠。不過幸運的是，在人工智能的應用過程中，往往並不需要人類的所有本能和所有思考能力，而往往只需要人類的非常小的某一部分神經所實現的能力（例如圖像辨識和語言組織能力）。也就是說，實用的人工智能，其能力介於傳統計算機和人類之間：既可以像人類那樣通過經驗解決一些規則和原理不明確的問題，同時又具有計算機的速度和準確度優勢。在未來的十五到三十年，這樣的人工智能會取代大量的知識性、經驗性但非創造性的工作，比如代替網友去淘寶刷好評，比如代替公安翻看視頻監控（這個已經實現了，現在可以自動識別套牌），比如代替作者和讀者交流文學作品（韓寒很需要）。
提高神經網絡的能力，可以分解成提高速度和提高容量。提高速度可以通過硬件性能上的提升、算法的優化實現；容量則分為兩個方面，一個是承載神經網絡的系統的容量（內存大小），一個是對網絡進行訓練的樣本容量。沒有足夠的樣本，難以得到好的訓練結果（一如沒有足夠的蚯蚓，難以積累求生的經驗）。當適用於機器學習的軟硬件平臺成熟普及之後，數據就成了追逐的對象，因為人工智能源於數據。