通常，“机器学习”的数学基础是“统计学”、“信息论”和“控制论”。还包括其他非数学学科。这类“机器学习”对“经验”的依赖性很强。计算机需要不断从解决一类问题的经验中获取知识，学习策略，在遇到类似的问题时，运用经验知识解决问题并积累新的经验，就像普通人一样。我们可以将这样的学习方式称之为“连续型学习”。但人类除了会从经验中学习之外，还会创造，即“跳跃型学习”。这在某些情形下被称为“灵感”或“顿悟”。一直以来，计算机最难学会的就是“顿悟”。或者再严格一些来说，计算机在学习和“实践”方面难以学会“不依赖于量变的质变”，很难从一种“质”直接到另一种“质”，或者从一个“概念”直接到另一个“概念”。正因为如此，这里的“实践”并非同人类一样的实践。人类的实践过程同时包括经验和创造。

这是智能化研究者梦寐以求的东西。

叶华利用特斯拉宇宙数据库开发了一种新的数据分析方法，该方法导出了研究函数性质的新方法。新数据分析方法给计算机学会“创造”提供了一种方法。本质上，这种方法为人的“创造力”的模式化提供了一种相当有效的途径。这种途径是数学赋予的，是普通人无法拥有但计算机可以拥有的“能力”。从此，计算机不仅精于算，还会因精于算而精于创造。计算机学家们应该斩钉截铁地剥夺“精于创造”的计算机过于全面的操作能力，否则计算机真的有一天会“反捕”人类。

当回头审视新方法的推演过程和数学的时候，可以拓展对思维和数学的认识。数学简洁，清晰，可靠性、模式化强。在数学的发展史上，处处闪耀着数学大师们创造力的光辉。这些创造力以各种数学定理或结论的方式呈现出来，而数学定理最大的特点就是：建立在一些基本的概念和公理上，以模式化的语言方式表达出来的包含丰富信息的逻辑结构。应该说，数学是最单纯、最直白地反映着（至少一类）创造力模式的学科。

事实上，这就是已发生的事情：叶华的横空出世，已推动科技飚快了十年以上。在这几年里，叶华旗下的维多利亚公司、外星人公司、雷神集团、雅马哈等等已经逐渐发展成为最具影响力的超大型跨国企业之一，因其不仅帮助各大学的学生重铸思维，更是不断有意识地将人们的注意力转移到实业兴国上来，从而改变人类本身。

多年来，华尔街在逐渐对资本与目的形成一种统一、谦虚的说法，即他们仅仅作为生产力的推动者、实业的支柱以及一个能够在其中充分利用的团体，因此才不管你就业率的高低，只要能赚钱，他们就支持哪个生产方式。这个说法并没有错，但也没有叙述出叶华拥有远高于外星人的科技的真相。

从一开始，所谓的人工智能发展降低就业率，这些努力都是无能的抵抗思想，而叶华的关门弟子们时刻准备着以坚硬的姿态进行战斗。

叶华笑道：“我认为人工智能更能促进就业质量，提高劳动者的价值，推动社会进步。”

这个研讨会的计划米国人独控下的智能化、关于人工智能服务人类的思考、没有人工智能我们是不是活得更舒服一点？

这种思想本是狭隘且空泛的，然而实际所讨论的话题却以叶华惊人的准确性预示着人工智能和生产效率大幅提高的到来。

例如，任耶鲁大学的教授博克谈到“人工智能的冲击”以及“人工智能的人性化。”他认为，人工智能和“新科技新材料”应当是米国人掌握的事项。在石墨烯批量生产一案中，他指出，“雅马哈和石墨烯等高科技公司甩了米国很多科技公司几条街，而在人工智能限制上，根本存在很大风险，而且也有可能对人类造成伤害，例如大量的低技术的劳动者失业会给社会太大压力，可能造成动荡不安。”：，，，