人类最早实现智能的方式是机械的。我们需要告诉计算机耳朵长在两侧的是人和猴子，耳朵长在头顶的是猫和狗，脑袋圆的是猫，而脑袋长的是狗。我们要告诉计算机判断的规则，也要告诉计算机如何从感知的数据中获取判断的依据。例如，如何从图片中获取一个目标的轮廓，如何从图片中判断目标的纹理特征。这种机械式的规则智能受限于规则的数量，要依靠人的智力来理解需要解决的问题并设定输出规则。人的智力总量不足限制了AI智能的水平。 
因此，当有了机器学习方法，可以让模型通过大量数据学会自动形成解决问题的规则，无需再依赖于人的智力劳动，AI的智能水平终于进入了一个随数据量增长而提升的阶段。 
从最早的基于规则，到基于学习，规则不再需要被人解析，规则的数量也远远超越了人的理解范畴。 
但机器学习的每种模型只能够适应某种任务类型，例如回归方法适用于连续值的输出，而决策树方法适用于离散值的输出。尽管有很多学者提出了各种方法来让不...