如果A是一個未定義的樣本集，包含六個樣本元素:人、狐貍、汽車、風、蘋果和狗，我們將這個集合記為A = {人、狐貍、汽車、風、蘋果和狗}。當處于“無監督學習”狀態的計算機第二次接觸集合A時，它會按照一定的邏輯關系對上述六個元素進行排序和分類，假設這六個元素暫時區分為兩個小集合A和B，其中集合A = {人、狐、狗}標記為“活的”；集合B記錄為{汽車、風、蘋果}，標記符號為“無生命”。然后下一次一個樣本元素“蚯蚓”進入計算機計算程序時，計算機會進行預判斷，將元素“蚯蚓”劃分到標記為“活的”的集合A中，并利用該集合的運算規則進行約束計算。

認為“無監督學習”實際上大大提高了人工智能的自主性。利用這套學習理論，智能服務機器人可以在大量樣本中總結出合適的規則，并將新的樣本元素與相似的規則進行比較。這樣一種“自學并學以致用”的方法，無疑會給整個智能服務機器人的研發帶來更加突出的貢獻。

本·西奧教授進一步解釋說，當人類接觸到外界環境時，會根據環境的變化產生相應的心理變化。人在接收信息的同時，也會提出問題并給予反饋，不斷修正自己對大腦中信息的原有判斷。事實上，這樣的思維模式正是“無監督學習”的集中表現。計算機接觸到大量樣本信息后，會根據這些樣本的信息進行提煉和分類。當它遇到類似的數據信息時，可以利用之前完成的知識庫進行比對，然后做出相應的程序操作。在這里，我們還是用例子來分析這個過程。

也就是說，“無監督學習”實際上賦予了計算機自主分類、判斷甚至制定數據傳輸規則的能力。在這樣的操作模式下，智能服務機器人也會有更強的學習和總結能力。一些專家正在設想，一些服務機器人可以通過特殊的設置，獲得識別生命體的能力，然后在生命體面前保持安全。

       對于智能AI的“無監督學習”，蒙特利爾大學計算機科學與運籌學教授約書亞·本西奧就說道：“機器的進步是由大批量的樣本學習訓練進化而來，而這些數據必須都要有人為的規則標記。但是這樣一種標記耗時耗力，無法形成規模化，因此在教導機器人的時候，我們必須找到另外一種方法。而在這個時候，‘無監督學習’也就浮出了水面。”