声明：本人并未深入研究人工智能技术，也暂无此打算，主要谈自己的理解，以下内容仅供参考。
什么叫做智能？
在我看来，能够基于过去的事实标定出未来事物发展范围的东西就可以被称为智能。人也是这样，基于过去的记忆进行思维来决定下一刻要干什么。因此智能的最终目的是“预测”。
预测有三个阶段：
机械论阶段、大数据阶段、进化论阶段，三者没有严格的先后关系，只是三种思维。
机械论
以牛顿为代表，简单的公式经过数学严密逻辑的推理就可以得出确定的预测结果。各种工程学科都是基于此。
大数据
通过大量的数据和计算，不断调整公式的参数，达到大概可以预测出结果的目的。肤浅地理解，比如:y=kx+b，大数据提供了大量的xy,目的是想找出符合条件的k和b的值。使用的时候给出x值就可以得到一个y的理论值，通常和实际比较接近。与机械论相比，这是一个有反馈的算法，可以不断地修正自己的参数，达到逐步精准预测的目的。
进化论
很多人发现用简单的数学模型多数情况下很难预测复杂世界的结果。但是复杂世界运行确实遵循着简单的规则的。复杂的世界是由简单的个体进化而来的。我们是否可以从简单的个体入手，让发展出来的复杂模型去预测这个复杂的世界。想法很好，但是在深度学习发展起来以前，人们根本找不到这种做法怎么应用于预测。
另外，在选择压力和进化驱动之下，一种通过关键节点进行通信的网络普遍存在。股票、社交等都是这种组织形式。
复杂性
在预测过程中最大的敌人是复杂性，复杂性又是怎么来的？有四个原因：随机性，混沌性，反身性，网络效应，历史依赖
随机性
主要是自变量的不确定性造成的。一方面，如果世界是y=kx+b，x是随机的，那么y也是随机的，世界就是不可预测的了。另一方面，在微观世界，你无法同时确定一个量子的位置和速度。
混沌性
整个系统内部有着错综复杂的影响，一点改变都可能造成很大的结果改变。比如蝴蝶扇动翅膀可能造成对岸海啸。人不可能统计所有因素，只能取样本进行统计预测。混沌性就让取样预测变得不准。
反身性
是观察者和被观察事物的纠缠。比如股市，你通过观察有了预测然后投资，但是你的投资本身又影响了股市，可能导致你的预测结果不准。在微观世界，观察者会让原本状态不确定的量子坍缩为一个确定的状态。这是一个死循环。
网络效应
是反身性的放大版，系统内部，所有因素互相牵制互相影响，触动一点，就会影响全局。然而作为预测来说，一方面，很多的牵制关系是存在而不可见的，另一方面就是统计已经发现的牵制关系，计算的工作量也很大。造成预测的不可解。
历史依赖
你当前的状态是过去所有状态的总和，你工作这个状态依赖于你出生、上学、毕业、投简历等等一系列的历史状态。对于统计预测来说，统计你当前的状态已经很吃力，在加上历史状态，那绝对是个噩梦。