假设我们正在建造一个家用机器人，并希望它能够回答与它周围的一些问题。我们可能会它问这样的问题：what is this？我们如何确保机器人可以正确回答这些问题？深度学习的标准方法是收集问题，图像和答案的大型数据集，并训练一个单一的神经网络，从问题和图像直接映射到答案。