即使是最复杂的人工智能技术，其核心也与其他计算机软件没有什么不同：数据位以超快的速度通过电路运行。人工智能及其流行的分支机器学习和深度学习可以解决任何问题，只要你能将其转化为正确的数据集。

以图像识别为例。如果你给一个深度神经网络、深度学习算法的基础结构、足够多的标记图像，它可以以非常复杂的方式比较它们的数据，并找到定义每种对象类型的相关性和模式。然后，它使用该信息来标记以前从未见过的图像中的对象。

同样的过程也发生在语音识别中。给定足够的人声数字样本，神经网络可以找到人声中的常见模式，并确定未来的录音是否属于该人。

无论是用于人脸识别或诊断癌症的计算机视觉算法、用于侦查恶意网络流量的 AI 驱动的网络安全工具，还是玩计算机游戏的复杂 AI 项目，都适用相同的规则。

技术的变化和进步：深度神经网络使人工智能算法能够通过多层分析数据;生成对抗网络 (GAN)使 AI 能够根据其训练过的数据集创建新数据;强化学习使人工智能能够根据适用于环境的规则发展自己的行为……但基本原则不变的是：如果你可以将任务分解为数据，人工智能将能够学习它。

但是请注意，设计 AI 模型是一项复杂的任务，很少有人能完成。深度学习工程师和研究人员是科技行业最令人垂涎​​和高薪的专家。

人工智能的不足之处在于抽象思维、应用常识或将知识从一个领域转移到另一个领域。例如，谷歌的 Duplex 可能非常擅长预订餐厅餐桌和安排与理发师的约会，这两项任务非常狭窄且非常具体。人工智能甚至能够模仿人类的自然行为，像任何人类说话者一样使用语调和语调。但一旦谈话偏离正轨，Duplex 将很难以连贯的方式回答。它要么必须脱离接触，要么需要人工助手的帮助才能以有意义的方式继续对话。

有许多经过验证的实例，一旦 AI 模型遇到一个超出其问题领域或与他们训练过的数据不同的示例，它们就会以惊人且不合逻辑的方式失败。领域越广，人工智能需要掌握的数据就越多，总会有边缘情况，训练数据没有覆盖的场景，会导致人工智能失败。

一个例子是自动驾驶汽车，尽管已经行驶了数千万公里，但它仍在努力实现完全自动驾驶，这远远超过了人类成为专家驾驶员的需要。