給一個三歲的孩子看一輛三輪車，並告訴他這是三輪車，以後這個孩子看到類似的車輛都能知道是三輪車。但是如果要教會一台電腦什麼是三輪車，可能要給它看成千上萬的三輪車，他才能學會。
這就是電腦和人腦的差別。無論是那種計算機深度學習，或者具體的面部識別功能，都需要大量的樣本分析才能做到一定的識別率。
但現在，據《Fortune》報導，紐約大學、麻省理工學院和多倫多大學的研究人員建立了一個新的模型，讓電腦能學一次就舉一反三的理解更多類似的東西。比如通過理解一張照片的內容來識別這張圖片的含義，而不是把這張照片的內容跟數據庫裡成千上萬的照片對比才能得出結論。
比如對文字的識別，現在的機器學習會識別每一個像素，然後和數據庫裡的文字做比較。而 BPL 則能從更概念的層面來識別文字，比如識別一個文字的基本結構，把文字看成是各種筆劃的組合——人們識字 (尤其是抄寫文字的時候) 也是如此。
從這個概念出發，這種人工智慧能夠找到自己寫字的方法，比如能讀懂各種標識、增加語音識別的準確率，最終甚至可以建立軍事模型。
相比大量的重複學習，BPL 的學習方法更為高效和智慧。現在的研究人員的實驗還停留在圖片識別和寫簡單文字符號階段，但如果算法不斷得到完善，它會變得越來越像一個真正具有智慧的人腦。
- 延伸閱讀
世上最強電腦 Google 做出來了！1 億倍處理速度是真的
資工系大補帖：臺大教授上 YouTube 教你最扎實的 Machine Learning
機器學習持續飛進，未來的亞馬遜倉庫將空無一「人」
Google 讓人工智慧更強大，靠的就是天才神童 Hassabis
解除機器深度學習迷思，臉書 AI 負責人 Yann LeCun 解釋給你聽