從生物學的角度，這種自行從看似散亂無章的資料中尋找出規律的行為其實與生命體可以從外界散亂的能量轉換為有機化合物的過程相當類似，可以視為一種減少亂度（Entropy）的自我組織（Self—organization）的行為。也就是說，自我學習的人工智慧的確已經在某種程度上掌握到生命若干重要特色，問題只是在於我們許可它做哪些事情。
3.無解釋性（Non—Explainability）：
既然深度學習可以有高準確率與自我學習的特性，是否就能協助解決人類重要的問題呢？答案是還不太行，原因是深度學習其實是以一種有效率的參數調控方式來模擬所輸入的資料，進而「預測」出未來有類似但不完全相同的情形下應該如何行動。不過由於輸入學習的資料通常都非常龐大，幾乎所有的參數都是內在自動調控而非外在干預的結果（因為不知道那些參數是作甚麼用），使得即使是寫出這程式的電腦工程師也無法預知最後的反應結果，也就是無解釋性。
舉例來說，打敗世界冠軍李世石或世界棋王柯潔的Alpha Go版本，是以人類現有的圍棋棋譜作為學習對象，其圍棋實力幾乎等同於古往今來所有圍棋大師的總和（但是仍輸給AlphaGo Zero）。但這並不代表設計者或任何的棋手能夠了解它下每步棋的原因。這種「無解釋性」也正是深度學習的特色與挑戰（見圖一），因此可能成為我們應用人工智慧時的陰影。例如史丹福大學於2017所發表的人臉辨識系統，藉由交友網站上讀取數萬個異性戀與同性戀者的臉孔來訓練，後來分辨同性戀者照片的準確率竟然可達到90%以上！這當然已經不是設計者或任何人能夠理解的範圍，而是代表一種全新的知識可能透過AI來帶給人類。但是如果深度學習無法提供足夠好的解釋能力，這樣的「知識」又該如何被正確的評價或使用呢？所帶來的影響與困擾也將顯而易見。
三、真正的挑戰：認識自己
目前檯面上所討論到關於人工智慧對於人類的影響，除了「AI是否會比人類聰明？」這類八卦問題外，最有意義的是關於工作機會漸少的問題。畢竟AI的應用一定會讓許多白領工作（包括醫生與律師）被取代。但是如同人類過往三次的工業革命，日後總會有新的工作機會出現，只是各國政府在這轉型期間需要有更多的配套來協助因此失業者，並且要極力避免貧富差距的再擴大，只是這個議題並非本文的重點。 如文章開頭所述，圖靈測試的精隨就在以一種去本質化的方式來定義人工智慧，這使得人類與機器的界線變得相對模糊。而這一波基於深度學習的人工智慧發展的確與過往不同（如前所述），可能會反映出更多人類自身的問題。這又可以從幾個方面來看：
