最關鍵的是把規則/性能指標和相應的empirical經驗翻譯成儘量嚴謹無歧義的數學表述。。如果某事件（比如下棋）是可以那樣做成，那麼，在那個特點事件上機器超過人類，只是可預見的時間和金錢（堆積機器）的問題。
特別的數學問題，當然可能會有相應的特別的AI算法的進步。但是，總的來說，當今計算機容量和速度的增長，是現在越來愈多的問題可以由機器解決的最根本原因。
所謂“學習”，主要是因為數據越來愈多的積累。大學公共數學裡的貝葉斯定理，就是簡單描述。再簡單講，神經網絡其實就是隱式的曲線擬合。在已有數據範圍內，作內插，臨場性能絕對超過人腦的記憶和計算能力，但是拿它外推就難說了。出路就是積累越來越多的數據，儘量減少外推。
從另一個角度，神經網絡“總歸”是不如窮舉的。窮舉，相當把每塊石頭翻過來看一看。如果計算上做得到，當然窮舉。窮舉也可以根據特別問題的特點來簡化。GPS找路，就是典型的例子。
說到這裡，就不難理解，為什麼，需要常常把神經網絡與窮舉/蠻力搜索放在一起了。
至於將來什麼可行什麼不可行，泛泛地說是沒有意義的。“可行性”是關鍵。（如果阿法狗要三天才能走一步，那就沒有意義；如果算明天的天氣要到後天才算出來，那更沒有意義。）所以，討論此類問題，要對算法，要對計算複雜性，有至少入門的知識，也有起碼的量級概念。
更加“直率”的話，據說太刺耳，我就不說了。
嘿嘿
如果您要憂慮機器哪天會操縱人的話，我建議您先想些美好的事情，比如AI來炒股票。。或者，幫您網聊。
祝大家周末愉快