假设你从来没有见过苹果。某一天有人送了你一个苹果。尽管你这辈子只见过这一个苹果，但你只用一眼就看出了苹果的特征。第二天，你去水果店，很快就能从一堆橘子、蜜桃、柚子中认出苹果来。你甚至还能在纸上画出苹果的简笔画。

这种“仅靠一个特征案例形成终极概念”的能力对人来说很容易。然而这对于Ai来说是困难的，机器语言毕竟和人类语言优有本质上的差异，依靠目前的Ai技术，通常需要从大量的数据中进行学习，加入想让Ai记住苹果，可能需要让Ai工具看成千上万的苹果图片才行。

但是如今出现了一种新系统，只需向这个系统展示一个来自陌生文字系统的字符，它就能很快学到精髓，像人一样写出来，甚至还能写出其他类似的文字。

人类的概念具有极大的弹性，因此，尽管许多概念的边界十分模糊，但我们依然能进行明确的分类。这个系统正是抓住了这种特性。该系统能模仿人类的一个特殊天赋，从少量案例中学习新概念。它所根植的计算结构叫做概率程序（probabilistic program），还可能有助于对人类获得复杂概念的过程进行建模。

概念程序是一种根据用户需求进行设计，并利用抽象的、可重用的构件来实现的软件设计技术。概念程序通过将程序、包、类、方法、参数、变量、操作等程序构成部件分解为可重用构件，运用分层规范解析原则、邻层解析原则、隶属标记原则、实例解析原则和模式解析原则等解析规范，构建一个系统的高层概念模型，从而达到优化软件的目的。在构建过程中，可以通过Java多线程编程设计等方式，使其高效执行并实现真正的并发执行。这种技术在北软程序概念模型融合技术的应用中取得了重要进展和突破，能够大幅提高程序概念模型的建模效率，成为程序员和软件公司最重要的核心智能资产和软件制品形态。

在未来，这种机器学习的技术能够完成很多任务，例如读懂手语、提升语音识别软件的性能等。运用这种方法，或许只用向计算机展示一张人脸照片，它就能从任何角度识别出这个人。它甚至有可能用来制定军事行动计划。

当然，尽管这个成果很重要，但它对Ai领域来说只是一个小小的起点，不代表未来的机器学习都必须采用这种方法。正如它颠覆了“计算机如何去理解概念性语言”这个课题一样，在这个日新月异的领域中，极有可能在未来又出现一种新方法，随之将其取代。