聲明：本人並未深入研究人工智能技術，也暫無此打算，主要談自己的理解，以下內容僅供參考。
什麼叫做智能？
在我看來，能夠基於過去的事實標定出未來事物發展範圍的東西就可以被稱爲智能。人也是這樣，基於過去的記憶進行思維來決定下一刻要幹什麼。因此智能的最終目的是“預測”。
預測有三個階段：
機械論階段、大數據階段、進化論階段，三者沒有嚴格的先後關係，只是三種思維。
機械論
以牛頓爲代表，簡單的公式經過數學嚴密邏輯的推理就可以得出確定的預測結果。各種工程學科都是基於此。
大數據
通過大量的數據和計算，不斷調整公式的參數，達到大概可以預測出結果的目的。膚淺地理解，比如:y=kx+b，大數據提供了大量的xy,目的是想找出符合條件的k和b的值。使用的時候給出x值就可以得到一個y的理論值，通常和實際比較接近。與機械論相比，這是一個有反饋的算法，可以不斷地修正自己的參數，達到逐步精準預測的目的。
進化論
很多人發現用簡單的數學模型多數情況下很難預測複雜世界的結果。但是複雜世界運行確實遵循着簡單的規則的。複雜的世界是由簡單的個體進化而來的。我們是否可以從簡單的個體入手，讓發展出來的複雜模型去預測這個複雜的世界。想法很好，但是在深度學習發展起來以前，人們根本找不到這種做法怎麼應用於預測。
另外，在選擇壓力和進化驅動之下，一種通過關鍵節點進行通信的網絡普遍存在。股票、社交等都是這種組織形式。
複雜性
在預測過程中最大的敵人是複雜性，複雜性又是怎麼來的？有四個原因：隨機性，混沌性，反身性，網絡效應，歷史依賴
隨機性
主要是自變量的不確定性造成的。一方面，如果世界是y=kx+b，x是隨機的，那麼y也是隨機的，世界就是不可預測的了。另一方面，在微觀世界，你無法同時確定一個量子的位置和速度。
混沌性
整個系統內部有着錯綜複雜的影響，一點改變都可能造成很大的結果改變。比如蝴蝶扇動翅膀可能造成對岸海嘯。人不可能統計所有因素，只能取樣本進行統計預測。混沌性就讓取樣預測變得不準。
反身性
是觀察者和被觀察事物的糾纏。比如股市，你通過觀察有了預測然後投資，但是你的投資本身又影響了股市，可能導致你的預測結果不準。在微觀世界，觀察者會讓原本狀態不確定的量子坍縮爲一個確定的狀態。這是一個死循環。
網絡效應
是反身性的放大版，系統內部，所有因素互相牽制互相影響，觸動一點，就會影響全局。然而作爲預測來說，一方面，很多的牽制關係是存在而不可見的，另一方面就是統計已經發現的牽制關係，計算的工作量也很大。造成預測的不可解。
歷史依賴
你當前的狀態是過去所有狀態的總和，你工作這個狀態依賴於你出生、上學、畢業、投簡歷等等一系列的歷史狀態。對於統計預測來說，統計你當前的狀態已經很吃力，在加上歷史狀態，那絕對是個噩夢。