有人问吴恩达，机器学习能解决什么样的问题？吴恩达回答说，只要给定规则，机器学习就能给出比较好或足够好的解。
但对于现实世界的问题，有三点困难：目标不明确，规则在变，资源不足。有些问题很难确定目标，比如：人生的目标是什么？企业的目标是什么？有些问题的规则经常改变，比如期货交易的保证金比例和手续费。更多的时候，没有解决问题所需的资源，尤其是计算资源，比如下围棋时的计算时间。本质上，时间是唯一的资源。
机器学习已经在许多特定问题上超过了人类的表现，唯一让科学家信心不足的是通用人工智能。也有一些科学家信心满满，认为只要模型足够大，就能实现通用人工智能。从前面三点困难出发，我们要考虑：通用人工智能的目标，满足的规则，所需的资源。
图灵给出了通用人工智能的目标，让人们在与之对话时区分不出它是人工智能还是真实的人。通用人工智能要满足的规则是整个人类社会的规则，它要知道一些事情，但又不能知道得太多，以至于不像普通人类。训练和使用通用人工智能所需的资源，也不能超出个人所需资源太多。
目前，实现通用人工智能的目标还有一些遥远。因此，与人工智能相比，人类还有一些优势。也就是说，个人教育仍然是最优选择。科学家穷其一生的努力，做出来的人工智能也达不到四岁小孩的水平。
但人工智能的新进展，为个人教育带来了一些新见解。人类不是在某一方面特别强，而是综合能力特别强。因此，我们不能训练人类去打败AlphaGo，而是要均衡发展人类的各种能力。
首先，是语言沟通能力。图灵靠这一点来区分通用人工智能。
其次，是数理逻辑能力。人类会根据一些原则引导的直觉，通过不那么复杂的计算，进行因果判断。这些判断的好坏程度因人而异，但高水平的人往往能“猜”到正确结果。科学家经常提出猜想，然后由数学家或实验来证实或证伪。
第三，是形体运动能力。不同的运动会锻炼身体的不同部分，混合泳基本上锻炼了全身。
第四，是节奏音准能力。这是对听觉、发声和乐器方面的训练。
第五，是色彩结构能力。画家和设计师在这方面的能力比较突出。
第六，是认识自己的能力。第七，是认识别人的能力。认识你自己。知人者智，自知者明。
训练身体和大脑的不同部分，是人类学习的主要方式。在这个过程中，与环境互动显得尤其重要。山区长大的孩子和平原长大的孩子，运动的方式会不一样。这是强化学习的奥义：智能体与环境互动，这种环境可以是真实的，也可以是模拟的。通过环境给予的反馈，智能体学到知识。
资源是有限的，可能性是无限，针对训练通用人工智能的既定目标，如何分配资源？换言之，如何在无数个解构成的解空间中寻求最优解或足够好的解？吾生也有涯，而知也无涯，如之何？
AlphaGo的做法是使用蒙特卡洛树和神经网络。在无数种可能中寻找那些与目标匹配度较高的解，丢弃那些比较差的解。它在围棋和蛋白质折叠这类问题上，取得了令人瞩目的成果。
人类作为一个整体，学习的过程也类似。每个人会随机探索一些可能性，而那些与整体人类目标匹配度较高的知识被学到并保存下来。人类整体的目标，如果有的话，就是存在下去。
我的中学的校训是“全面发展，出类拔萃”，当时理解为“各方面都不错，某一方面特别厉害”，现在想想不对。因为全面发展，所以出类拔萃。这也是通识教育的要义。
对于个人来说，目标是要度过幸福的一生，该怎么办？
相关文章
