這種餵以大量相關資料，讓AI演算法自己找出其中細部資料的關聯性與整體變化趨勢的方法，有一個大問題是，就是不知道AI演算法到底學到了什麼，像這個例子，AI演算法看了大量美少女吃拉麵的圖片後，還是不知道吃麵要用筷子夾起來，然後筷子是兩根滴。（吃圍巾的那張，最有趣！）
要調校這個錯誤，就是餵以大量美少女用兩根筷子去夾拉麵入口的圖片，但是你真的不知道AI演算法，看了這些所謂正確圖片後，會不會認為拉麵不是拿來吃的，而是夾來玩的。
類神經網路式的機器學習，其演算邏輯是程式自己辨識輸入的大量資料的差異而長出來的，例如餵以大量人工辨識與分類的合格PCB板與不合格PCB板（有假焊、漏焊、短路、斷線等瑕疵）的照片，程式就能學習到分辨合格與不合格PCB照片的方法（其學習到的機器辨識邏輯，一般來說人類無法理解或調校），並非以規則導向的專家系統（而這些規則與比重，是與專家討論而得出的，人類也看得懂，也能調校）。
所以，這種AI演算法的大問題，就是不知道它到底學習了什麼，又要怎麼調校，只能不斷地餵它不同的資料。因此，只要換一個問題，單單調整其解法讓其結果有用，就會麻煩到要人命。
