（这里learning machine都译为：机器学习）机器学习的一个重要特征是，它的老师通常对内部的情况一无所知，虽然教师可能仍能够在某种程度上预测学生的行为，这应该最有效地应用于以后对由经过良好设计（或编程）的儿童机器所产生的机器的教育。这与使用计算机进行计算时的常规过程形成鲜明对比：一个人的目的是在计算的每时每刻都清楚地了解机器的状态，而实现这个目标需要费很大的力气。这样来讲的话，‘机器只能做我们知道如何命令它做的事情’的观点就显得很奇怪（前面提到过，后面会注明）。我们放入机器中的大多数程序都会导致它执行某些根本无法理解的操作，或者将其视为完全随机的行为。智能行为可能与计算中涉及到的纪律严明的行为背道而驰，但是行为相当细微，不会引起随机行为或无意义的重复循环。通过教学和学习过程为模仿游戏准备机器的另一个重要结果是，很可能会以一种很自然的方式来省略“人类的易犯错误性fallibility”，即无需特殊的‘辅导’。（读者可以参考24、25页的观点，前后应该是一致的）学习的过程不会产生百分之百的结果。关于结果的确定性，可以这样来讲——如果他们做到了，他们将不会被学习。
（对上面一段话的个人理解：总结一些关键点，一是学习的机器与一般的计算机相比较对于规则设定是比较灵活的；二是学习的机器某些方面是具有优势的；三是要学习的内容都是不具有确定性的，所以才要学习。“机器只能做我们知道如何命令它做的事情”，p150，lady Lovelace的观点那一章节，那个不包括‘only’这个词。）
在learning machine中加入随机元素是明智的选择（P.438）。当我们寻找某个问题的解决方案时，随机元素可能更有用。例如，假设我们想要找到一个介于50到200之间的数字，该数字等于它的数字总和的平方，那么我们可以从51开始，然后尝试52，然后继续直到得到一个符合要求的数字（ex：5+2=7、7*7=49、49不等于52？？）；或者，我们可以随机选择数字，直到我们得到一个合格的数字。这种方法的优点是不必跟踪已经尝试过的变量，但是缺点是同一种尝试值可能会出现两次，但是如果有多种解决方案，这就不是很重要了。该系统方法的缺点是，在该区域中可能存在一个巨大的块（block）没有任何解决方案，因此必须首先进行调查以免产生遗漏。自此这种学习过程就可以看成是寻找一种能让老师满意的行为方式（或其他的标准）。由于可能存在大量令人满意的解决方案，因此随机方法（random）似乎比系统(systematic)方法更好。应当注意到，它被用于类似的进化过程中，但是关于进化过程中的系统方法是不可能的实现的。一个人如何跟踪已经尝试过的不同遗传组合，从而避免再次尝试呢？
（上面一段：提出一个待解决的问题，如何避免随机过程中的选择不重复！？）
我们可能希望机器最终将在所有纯粹的智力领域与人类竞争。但是，从哪一个开始最好呢？即使这个选择很困难，我们也得挑一个。许多人认为，最好是抽象的活动，如下棋。也可以保持这样一种观点——就是为机器提供钱可以买到的最好的感觉器官，然后教它理解和说英语。这个过程可以遵循儿童的正常教学，比如识别事物并命名等。再次声明，我确实并不晓得哪一种方法是对的，但是我认为两者都应该被尝试（纯粹的脑力运动\纯粹的体力劳动，算最优路线和走到目的地）。
我们只能看到前方很短的距离，但是我们可以看到还有很多要做的事情。
（完）
参考书目
1.《The Book of the Machines》23，24，25章节，Samuel Butler, Erewhon, London, 1865
2.《Calculating Instruments and Machines》D.R.Hartree,New York,1949.
3.《Scientific Memoirs》Countess of Lovelace,'Translator's notes to an article on Babbage's Analytical Engire',ed. by R.Taylor.
4.《History of Western Philosophy》Bertrand Russell, London, 1940.
5. A.M.Turing," On Computable Numbers, with an Application to the Entscheidungsproblem ", Proc. London Math.Soc.(2),42 (1937),230-265.
总结：这里就写一些我个人的一些看法，关于文章中的英文表述，我到现在入门为止，也没看过什么特别专业的英文读物。之前囫囵吞枣看了一篇，自己翻译出来效果很差，好多专有名词也翻译不出来它原有的意思，要知道论文的英语写作方式和表述的含义和正常的课文其实有区别，弄得我特别焦虑！但是，没关系，这就是个开头，害怕翻译错，就会略过那些你不想翻译的部分！你的缺陷暴露不出来，你就得不到提高！当然，个人素养提升也很重要，不能只翻译不看书啊！另外就是写这篇文章的时候，图灵居然还读了西方哲学史，很多比如机器之书，好多书名我都没列出来，还有类似时间简史这种类型的书！是个狠人！其次，这篇文章是写于1950年，仔细分析人工智能尤其机器学习的发展历史，你会发现很多值得思考的问题！没事去看看关于机器学习相关论文发表的时间，可以发现很多有趣的事情！当然，我没有这个时间了！我也不是专门研究这个的，我也还是个学僧~~~最后，就是最后这部分关于机器学习就是learning machine的部分，它和现在的机器学习的整体理论其实差不多是一致的，如果1950年以前没人提出过这个概念，那么图灵就是首创了！
注：（下面的内容是我从360baike上粘过来的！）
1.冯·诺依曼（John von Neumann，1903~1957），20世纪最重要的数学家之一，在现代计算机、博弈论、核武器和生化武器等诸多领域内有杰出建树的最伟大的科学全才之一，被后人称为“计算机之父”和“博弈论之父”。原籍匈牙利。布达佩斯大学数学博士。先后执教于柏林大学和汉堡大学。1930年前往美国，后入美国籍。历任普林斯顿大学、普林斯顿高级研究所教授，美国原子能委员会会员。美国全国科学院院士。
2.阿兰·麦席森·图灵 （Alan Mathison Turing ，1912年6月23日-1954年6月7日），英国著名的数学家和逻辑学家，被称为计算机科学之父、人工智能之父，是计算机逻辑的奠基者，提出了“图灵机”和“图灵测试”等重要概念。曾协助英国军方破解德国的著名密码系统“谜”(Enigma)，帮助盟军取得了二战的胜利。人们为纪念其在计算机领域的卓越贡献而设立“图灵奖”。图灵同时还是著名的男同性恋者之一，但不幸因为其性倾向而遭到当时的英国政府迫害，最终自杀。2013年12月24日，英国女王伊丽莎白二世宣布赦免图灵。