上说到，二步是对整的人工智能的发沿，有一个初步的认识。在这个初步思的引下，开始了我的学习。
于是，我开始首学习了关的python础，后在网上人工智能的课。人工智能的初高中教材，清华大学的瓜书，器学习的论坛文章。图数库和算法。在这个过中我发现，有python不够，于是便又补充学习了java和c语言的识。
总下来，我发现多研究径不太对，今的人工智能研究的过中是算法的迭升，也就是弱人工智能，没有从整上握，尝试让人工智能背后的逻辑。也就是说，还不够智能。
比如说，器学习和大分人工智能，是于梯下降，卷积方法。也就是定，狭窄的输入条和定的算法才能够实现，例如deepd司的阿尔法狗围棋手，定算法和定的输入和输出——围棋的对方落子与己方落子。在限输入，输出和操作逻辑的条下，器学习能够到极的现，是对范围较广的输入和输出，就不能有更的现。总来说，器学习算法的出和改进为我们迈用人工智能走出了要的一步。
再比如说，识图谱推专业，的思逻辑应该是每个词的，再对逻辑的构，后再按照逻辑，对的发进行推。可是识图谱推不是这样的，识图谱推思是以固定的逻辑，大的数进行定算法的器学习，学习后就可以一简单推，仍不够智能，为实器没有一串字符具的含义是什。在础上立的推是一种于经验的简单分类。且推能立在定的输入上，一旦输入稍微有变，便不再准确了。
目近用人工智能树的顶端的，就是与人感官联的，如语义识，模识，计算视觉。这模拟感官感受的专业方已经有多落地的应用，成为了时科技的名词。
而这不同的领域自训练拟的预训练模型，结来，组成了大规模预训练模型，组成了行业研究的沿，在往集成，用智能的方逐渐发。
而器学习的作用就像一颗种子，长出了种方的专业，比如器视觉，模识，语音识，语义识，计算视觉，ai芯片。就像在土地下，种子长出来种方的；而土地上这长出了茁壮的人工智能这颗大树。而且我信，这棵大树终将参。