場景 1：簡介圖，與第 1 部分的圖片類似。獨立的圓圈中分別呈現了瑪莎、小飛、小畢和小八，周圍則是幾個類神經網路的相關圖示。標題：瞭解類神經網路。Google AI 線上漫畫。說明文字/箭頭文字：由正在瞭解機器學習的瑪莎主演。瑪莎：我「應該」知道這是什麼吧。說明文字：有小飛 說明文字：和小畢 說明文字：還有新角色小八！小八：嗨！
場景 2：瑪莎將鑰匙插入通往類神經網路世界的大門，並轉動鑰匙。說明文字：「機器學習大冒險」前情提要… 瑪莎：下一站：類神經網路！
場景 3：瑪莎推開大門，笑著大叫。瑪莎：我來…
場景 4：鏡頭轉到瑪莎身後，我們從門口看見多個相互連結的節點，一望無際且巨大無比，還有些許煙霧從門內竄出來。瑪莎的背影退後了一點。瑪莎：…啊！
場景 5：回到門的另一邊。瑪莎用力把門關起來，頭髮凌亂不堪，而且兩眼無神。小飛和小畢平靜地看著她。音效：碰！
場景 6：場景相同，但瑪莎現在看著位於下方小飛和小畢。門後傳來一個聲音。小八 (從門後)：抱歉！抱歉！我還沒準備好。好了，請進！
場景 7：驚魂未定的瑪莎、小飛和小畢遲疑地從門邊探出頭。
場景 8：可愛的章魚寶寶「小八」飄在簡單的技術神經元旁邊。小八：嗨！我叫小八！我們從基礎開始說明，好嗎？
場景 9：瑪莎鬆了一口氣，轉頭往肩膀後方查看，確定沒有先前的可怕景象。小飛和小畢對小八揮手。瑪莎：*鬆一口氣* 好啊，麻煩了。我叫瑪莎。小八：嗨，瑪莎！類神經網路由多種簡單的建構元件組成，其中最簡單的是「神經元」。噢嗨，小飛！嗨，小畢！小飛：你好啊！小畢：哈囉！
場景 10：瑪莎蹲在兩張小型說明圖片前方，兩張圖片並列顯示了生物與技術神經元，小八則在一旁解釋。小八：就像與其同名的生物神經元一樣，「技術神經元」會接收並結合多項輸入內容，藉此產生輸出內容。瑪莎：「輸入內容」是…
場景 11：小八和小畢在特徵資料表的上方對話，表中包含多個資料欄。小八：幾乎什麼都是，只要可以使用數字測量就好。小畢：你可以把輸入內容當做試算表中的屬性！
場景 12：小飛以後腳踢倒資料表，小畢則在一旁比手劃腳。小飛：…不過要換一個方向！小畢：(也不一定要這樣，只是從左到右比較好看…)
場景 13：小八和瑪莎看著現在為橫向擺放的資料表，箭頭從各個資料欄指向一系列的圓形節點 (也就是「輸入內容」)。小八：這就是第一層的輸入內容，一切的開端。
場景 14：小八飄在前一層的輸入內容和右側的圖片之間並指著圖片，圖片中顯示了簡單的二元分類：貓或狗。貓這邊做了醒目標示。小八：接著，我們的目標是使用輸入層產生的資料值在另一端產生輸出層，並提供簡單且正確的答案，無論輸入層多麼複雜都一樣。
場景 15：鏡頭拉遠，所有人站在一片空白的地方。小八微笑著，瑪莎則有些不知所措。小八：就這樣。有任何疑問嗎？瑪莎：…
場景 16:：場景相同，但小飛和小畢正在竊笑。小畢 (語音特效)：*竊笑聲*
場景 17：場景相同，但瑪莎現在因為感到困惑而大喊，其他人則直接放聲大笑。瑪莎：可是…中間發生了什麼事？小八：這就是重點！
場景 18：小八看著含有動畫效果的小型分類圖示在標準類神經網路圖中的隱藏層之間移動…小八：中間的「隱藏層」會執行一系列的簡單 (分類) 工作，以便取得複雜的答案。
場景 19：小八指著一個簡單的神經元，這個神經元中包含兩項已標為 X1 和 X2 的輸入內容，這兩項輸入內容收斂於含有求和符號 (Σ) 的節點。小飛從下方加入對話。小八：在神經元中，各項特徵的數值 (X) 只會經過加總。小飛：產生的總和 (∑) 可以協助判斷線條的斜率。
場景 20：場景相同，但輸入內容與總和節點之間的線條現在標有「W1」和「W2」的字樣，而且線條粗細不同。小八：不過某些特徵的重要性高於其他特徵，因此需要加權。我們必須先調整這些輸入內容的重要性。
場景 21：瑪莎出現在畫面中並指著線條，這些線條現在設有指向「High」(高) 或「Low」(低) 的撥盤 (請參閱第 1 部分的說明)。瑪莎：噢！原來權重就是其中一個撥盤！小八：沒錯！
場景 22：瑪莎和小八查看簡單的神經元，神經元現在含有另一個標為「b」的節點，這個節點從下方連結至總和。這個節點的連結線也設有權重。小八：另一個會影響總和的因素是「偏誤」。偏誤是整個總和的偏移量，其權重同樣可以調整。
場景 23：瑪莎的對話框中包含兩個含有動畫效果的圖表，這兩個圖表顯示了斜率和 y 截距在權重與偏誤循環變化時的變動情況。小八和小飛從下方加入對話。瑪莎：所以…調整權重會改變斜率，調整偏誤則會改變 y 截距？小八：沒錯！小飛：就跟你說她學得很快吧。
場景 24：神經元現在顯示的是斜線，而非原有的總和節點。小八指出下一個步驟：一條代表活化函數的 S 形曲線。小畢舉著標誌在下方飄著。小八：接著，把線性分類器擠壓為非線性狀態，就像是 S 函數… 說明文字 (由小畢舉著)：瞭解詳情。
場景 25：小八飄在放大版 S 形圖表的 y 截距上方，瑪莎則在畫面右下角以手指框出畫面。小八：這個「活化函數」可以形成非線性關係，並讓學習程序中的調整作業更為順暢。瑪莎：原來如此。
場景 26：畫面中現在顯示了完整的神經元及其所有標籤，小八和瑪莎從下方觀察神經元。我們刻意顯示了所有相關元件，讓神經元看起來相當令人震撼。標籤：節點、權重、邊緣、總和、偏誤、活化函數和非線性函式。(例如 Sigmoid、tanh、softmax、Swish、ReLU、Leaky ReLU、Diet ReLU、ReLU 搭配 Chips、ReLU、Spam、Spam、ReLU 和 Spam。)小八：這是完整顯示時的狀態。瑪莎：太驚人了。
場景 27：回到簡單的三節點神經元，圖片中顯示了 X1 和 X2 這兩項輸入內容，以及活化函數產生的 S 形曲線。瑪莎鬆了一口氣，小八則說明為何返回簡單的顯示方式。小八：不過為了簡化情況，我們要把總和、偏誤和活化函數合併至一個節點… …並以線條粗細代表權重。瑪莎：*鬆一口氣* 太好了，就這麼做吧！
場景 28：單一神經元的神經元和節點之間現在是以含有動畫效果的已加權線條相互連結，另外還有一條新的輸出內容線條指向右方。小八：這個節點的輸出內容現在… 瑪莎：噢！
場景 29：神經元 1 連結至另一個神經元，神經元 1 的輸出內容變為神經元 2 的輸入內容。神經元之間的線條仍然含有動畫效果，這些線條代表節點之間的資訊流向。瑪莎：…可以變為另一個節點的輸入內容！小八：沒錯！
場景 30：神經元網路擴大為六層相互連結的神經元，連結不同神經元的線條含有流動動畫效果並交織成網狀。小八：…然後再連結至另一個神經元，不斷延續… 瑪莎：哇！
場景 31：瑪莎的對話框下方是兩個含有動畫效果的小方塊，這兩個小方塊是第 1 部分的內容：一顆球在曲線上滾動，最後停在曲線底部。另外有一條線來回旋轉，最後停在一組 X 與 O 的適當分類路徑上。小畢舉著連結至第 1 部分的標誌。瑪莎：所以我們使用反向傳播和梯度下降法* 訓練類神經網路時… …這項程序會調整這些權重和偏誤嗎？小八：沒錯！附註 (由小畢舉起)：* 請參閱第 1 部分。
場景 32：畫面中顯示了含有三項輸入內容的簡易型神經元，相連的線條上設有含有動畫效果的撥盤，撥盤正在依據權重調整線條的粗細。小八從上方解釋，小畢高舉雙手，瑪莎則盤腿坐在地上並比出手勢。小八：我們把這些自動化調整作業稱為「模型訓練」。 小畢：瑪莎，你看！完全不用動手！瑪莎：很厲害，不過哪個部分才會輪到我們這些工程師上場？
場景 33：瑪莎戳了一下眼前飄著的多層節點網路，小飛則坐在瑪莎背上加入對話。小畢在下方飄著。小飛：噢，全部都要！所有決策過程都需要工程師參與，例如選擇合適的架構、調整層或節點的數量，以及選取活化函數。瑪莎：原來如此。小畢：我們將這些工作稱為「超參數調整」。
場景 34：瑪莎和小八在類似圖表的網格背景前對話。小八：資訊具備結構，經過良好訓練的類神經網路可以幫助你瀏覽結構。
場景 35：瑪莎和小八從一面牆的頂端往下看，下方是兩個迷你版的瑪莎正在執行迴歸 (在資料圖中畫出趨勢線條) 和分類 (在兩組資料之間畫出一條區隔線) 工作。小八：繪製迴歸和分類線條時，你就是在執行這項工作… 只有一、兩項特徵時，手動繪製線條還算輕鬆… 瑪莎：啊…你看看她們！
場景 36：我們回到橫向擺放的試算表，旁邊則附加著一層輸入內容節點。瑪莎和小八在一旁看著。小八：不過如果有多項特徵，就會有多項輸入內容。也就是說…
場景 37：瑪莎、小八、小飛和小畢突然在扭曲的資料世界中飄著，周圍有多個串流的整數和英文字母飄著，瑪莎則一臉驚恐。小畢被扭曲成奇怪的形狀，小飛則上下顛倒地走過一串 Escherian 數字。小八看起來很淡定。小八：…我們需要處理多個維度… …想在「A」和「B」之間畫出一條簡單的直線界線幾乎不可能！瑪莎：什…什麼？
場景 38：多維度背景逐漸從畫面上方淡出。小畢顯得很隨興有信心，瑪莎則是在角落不知所措。小八：幸好我們的數位夥伴可以從「數學」的角度查看其他維度，因此可以幫助我們在結構中「理出」路徑。小畢：沒錯，簡直易如反掌。只要把底層拓撲彎折就可以了。
場景 39：小畢指向一張圖表，圖表中呈現了兩個纏繞在一起的資料螺旋。小飛從右方加入對話。小畢：舉例來說，這兩個形狀看起來無法以一條直線區隔，但類神經網路有辦法做到。小飛：「隱藏層」這時就能派上用場…
場景 40：小畢透過三個階段以手將資料螺旋扭轉為可輕鬆以一條線區隔的兩條曲線。小畢：隱藏層可以轉換資料 …拉伸及壓縮空間… …不過絕對不會為了尋求解答而裁剪、拆斷或折疊資料。
場景 41：小八的頭上飄著一顆傾斜的地球，南極周圍以虛線畫了一個圓，圓的後方顯示了一個小問號。位於下方的小八在使用麥卡托投影法的地球上畫出一條直線。小八：就像是要在南極和其他大洲之間畫出一條直線一樣… 在地球儀中看起來幾乎不可能… 不過稍微換個角度就可以了！
場景 42：畫面中顯示了三個節點，並以線條區隔節點中的不同資料集。前兩個節點屬於單一層，這兩個節點經過匯總後輸出了第三個節點，節點中的曲線成功區隔所需的資料集。小畢舉著「瞭解詳情」的標誌，標誌連結至類神經網路試用示範頁面。小八：如果每個神經元都含有不同的線性函式，結合函式即可產生更加複雜的形狀來妥善區隔資料。說明文字/連結 (由小畢舉著)：瞭解詳情。
場景 43：瑪莎看起來像是想出什麼詭計，對飄在雙手之間的一團節點邪惡地笑著。小八把一隻觸角搭在瑪莎的肩膀上，看起來有點擔心。瑪莎：哈！只要神經元夠多，我就能處理任何資料集，不管多複雜都沒問題？哇哈哈…小八：等等！神經元過多可能會產生過度配適的問題！
場景 44：小飛開始緩慢行走，虛線則從左到右微微向下延伸。小飛：…那一排高峰和低谷稱為「誤差函式」 或「損失函式」 …如果要顯示那些高峰和低谷…
場景 45：瑪莎、小畢、小八和小飛在白色的空間中對話。瑪莎：好可惜。那為什麼要稱為「隱藏層」？ 小畢：太棒了，問得非常好。小八：我們都知道特徵輸入類神經網路後會輸出答案… 小飛：…我們甚至也能說明隱藏層的運作方式…
場景 46：瑪莎蹲下來聽小飛說話，兩人都以剪影的方式呈現，背景則是複雜的節點網路。小畢在畫面右側舉著「瞭解詳情」的標誌，標誌指向小飛的對話框並連結至 Cassie 的研究。小畢：不過，在完整連結的類神經網路中，每個節點都會混合前一層中各個節點的結果。誰知道到底是在處理哪一項「特徵」？小飛：如同數據資料學家 Cassie Kozyrkov 所說，我們是在「自動化處理不知名的東西」。
場景 47：小八位於畫面右側，頭上戴著一頂車長帽，旁邊則是一輛小型採礦車。所有人走向採礦車並準備上車。小八：完整連結的類神經網路只是其中一種架構… 瑪莎：這頂帽子真好看。小八：謝謝！
場景 48：小八坐在採礦車中，後方是一張大眾運輸路線圖，圖中的各站是以其架構符號標示。小八：上車吧，我們去類神經網路路線圖中另一個熱門站點！
場景 49：所有人乘著採礦車在蜿蜒的軌道上移動，周圍飄著不同的架構圖示。瑪莎覺得很刺激，小八則自在地在旅途中解釋。 小八：這整個領域會不斷變化，永遠處於「施工中」狀態。 現在最熱門的幾個目的地在十年前只不過是原型！
場景 50：採礦車在三個階段中駛過類似鐘面的環形軌道。人物太小，所以無法清楚辨識。小八：LSTM 等循環類神經網路會反覆繞回原本的路徑，藉此解決時序元素的問題，例如語音辨識。說明文字/連結：瞭解詳情。
場景 51：從空中鳥瞰採礦車駛過軌道切換點，軌道中有多個分歧點和會合點。小八一邊操作轉轍器一邊解釋。「瞭解詳情」連結會連至 [這裡要連結至何處？]小八：自動編碼器等其他項目可以幫助你瞭解非監督式資料，減少龐雜大數據的維度。說明文字/連結：瞭解詳情。
場景 52：所有人在前景呼嘯而過，遠方則有其他軌道和採礦車。瑪莎在前進的途中打斷小八，詢問其他採礦車中的乘客是誰。小八保持爽朗的態度，目光依舊朝向前方。小八：我們現在要前往的地方在分析方面特別熱門… 瑪莎：嘿，他們是誰？小八：噢，那是生成對抗網路的路線。那些乘客都不存在！不要看他們！
場景 53：採礦車停在月台旁，月台的拱型入口上方寫著「CNNs」(卷積類神經網路)。所有人都下車查看。小八：我們到了。都下車吧，我們來看看卷積類神經網路！瑪莎：哈，我聽過！小畢：這個最近很熱門。
場景 54：所有人進入畫廊，牆上掛滿裱框相當精美的藝術品，不過每幅畫中都是雜亂的 1 和 0。其中一幅畫讓小畢覺得欣喜若狂，瑪莎卻顯得很疑惑。小畢：噢，我超愛這一幅畫。11001101010 描繪得栩栩如生，我說得沒錯吧？瑪莎：呃… 小八：對卷積類神經網路來說，圖片只是成堆的數字而已。
場景 55：瑪莎舉起其中一幅畫，看著當中的數字。小八在一旁說明畫中的內容。小畢飄在畫面右下角的聲波圖上方，手上拿著麥克風。他正在示範卷積類神經網路如何剖析視覺算繪資料。瑪莎：不是所有可以處理圖片的類神經網路都是這樣嗎？小八：沒錯！不過，卷積類神經網路會透過一種獨特的方法，剖析及取得所有這類圖片式資料。小畢：(包含任何能以圖片的形式呈現的資料類型。)
場景 56：所有人看著一幅 32x32 像素的灰階貓咪相片。 小八：即便是像這樣的低解析度圖片也含有大量資訊。1024 個像素中的每個像素都是獨立的輸入內容。事實上，如果你把紅、綠、藍色通道分開計算，應該是三項輸入內容。小飛：是阿路叔叔！
場景 57：小八從畫面左側說明彩色圖片的多樣性，下方是一組顯示紅、綠、藍色色版的多層式輸入內容，以及相對應的總輸入內容數量 (3,072)。小八的右側是龐大的輸入內容層。瑪莎嚇得往後退。小八：多維度輸入層就是這樣…而且這還不是高解析度圖片或影片呢！瑪莎：啊！這讓我想到不好的回憶。
場景 58：小八繼續在六張與貓咪有關的系列圖片旁解釋。圖片有貓咪的特寫鏡頭、不同的旋轉角度、在同一張圖片中套用多張濾片等。畫面左下角的分類節點顯示「Cat: YES」(貓：是)。小八：我們可能還是會希望結果是簡單的單一維度「是」或「否」，不過如果想要這樣的結果就必須有從各個角度拍攝的所有貓咪，而且無論貓咪位於圖片的哪個部分都要能夠辨識。瑪莎：哇，真是浩大的工程。
場景 59：小畢出現在像素矩陣中，當中的每個方塊都向外射出，在畫面右側形成另一張圖片。小八：沒錯。卷積類神經網路正好可以完成這項工程，卷積類神經網路可以把這些大型像素資料矩陣逐層細分為易於處理的區塊。
場景 60：小八把附有把手的小型矩陣 (即濾波器) 丟給瑪莎。小八：我們先在來源圖片中建立與貓有關的特徵圖吧。接住！瑪莎：這是什麼？小八：濾波器。濾波器一開始是隨機加權的矩陣，不過演算法會隨著時間調整濾波器。
場景 61：小小的瑪莎和小八踮腳走過兩個含有動畫效果的矩陣。第一個矩陣顯示了濾波器在輸入資料中依據跨距移動，第二個矩陣則顯示了逐格產生的結果特徵圖。[在這裡顯示範例。]小飛從右下角出現並加入對話。小八：「卷積」必須按照變數間隔讓這個濾波器在整張圖片中移動，這個間隔稱為「跨距」。 瑪莎：噢！來源資料乘上矩陣了！小飛：結果就稱為特徵圖！
場景 62：小八套著游泳圈並戴著墨鏡，逐步說明如何使用卷積類神經網路。畫面中顯示了輸入圖片和透過卷積產生的多張簡化圖片，接著是活化函數，最後則是透過彙整作業產生的小型圖片。瑪莎站在這些圖片的上方環顧四周。小八：這些特徵圖會經過彙整，進一步降低運算大小。瑪莎：噢，所以可以再堆疊其他特徵圖來搜尋更多特徵！
場景 63：小八飄到四個低解析度的濾波器旁邊，這些濾波器顯示了模糊的邊緣 (水平線、垂直線和左右斜線)。小畢從下方的插入圖片中加入對話，手放在有著呆滯眼睛的大腦上。小八：在最早期的階段中，濾波器或許只能偵測到邊緣和方向…* 小畢：* 趣味小知識：大腦的視覺皮質也是以這樣的方式展開偵測…其實這樣的偵測方式是卷積類神經網路的初期靈感來源。說明文字：瞭解詳情。
場景 64：畫面左側顯示了三層的特徵網格。頂層是簡略的邊緣，中間層是較明確的元素，底層則是完整的人物或物體，包括迷你版的小八！真正的小八從圖片右側解釋。小八：不過只要有了各個接續層，毫無意義的特徵就會開始顯現出複合特徵。看見了嗎？是我！
場景 65：瑪莎和小八由上往下看著正在發光的濾波器。瑪莎：所以從線條和角度開始，經過鬍鬚、腳掌和毛髮，最後才會達到「貓」和「狗」的階段？ 小八：呃…*哈*「對」、「不對」，然後「對」！我們或許永遠無法確定中間會出現哪些特徵… …不過不管是什麼和躲在哪裡，我們都能找到！
場景 66：回到卷積類神經網路射出階段的圖片，不過程序的末端現在多了一個分類層。分類層中顯示了一整排的節點，這些節點透過相連的線條連結至二元輸出內容。小飛出現在畫面右側並解釋。小飛：卷積類神經網路並不像第一個範例已完整連結。不過，最後的輸出層已完整連結，並會連結至上一層的所有神經元。
場景 67：瑪莎、小八、小畢和小飛站在白色的空間中，他們的周圍各有一個方框，這個方框會與網路的預測結果相呼應。瑪莎有 98% 是人類、小八有 94% 是章魚、小飛有 89% 是貓，但小畢有 60% 是籃球。小八：這個分類層會提供我們需要的準確答案… 小畢：呃…你們看…標籤： 98% 人類 99% 章魚 60% 籃球 89% 貓
場景 68：瑪莎為了關心小畢而向前傾。其他人的方框都消失了，只剩小畢的還在。小八從上方飛越，看起來有點擔心。小畢悶悶不樂。瑪莎：天啊，怎麼會這樣？訓練資料裡沒有會飛的機器人嗎？小八：應該要有才對！標籤：60% 籃球
場景 69：小飛和瑪莎看著滿地的訓練和測試資料。背景中的小畢顯得怒不可遏。小飛：沒有！只有步行機器人，真是經典的選擇偏誤。瑪莎：這樣不太公平吧！認為所有機器人都會走路… 小畢：你限制不了我的行動！標籤：60% 籃球
場景 70：小畢和小飛往畫面左側移動。瑪莎起身。瑪莎：我一直以為資料沒有偏誤，只是單純的「數字」… 小八：組合時的時間和位置會影響產生的資料集。標籤：60% 籃球
場景 71：小八以觸角舉著多個襪子娃娃。每隻娃娃都有對話框，對話框中包含不同的符號。小八：即便你主動嘗試建立「中立」的資料，彙編資料的人可能也有自己的隱性偏誤。
場景 72：瑪莎癱坐在成堆的資料圖片中。小飛和小畢看起來很沮喪。小八在畫面右側翻閱更多圖片。瑪莎：這比我想像中更複雜。小八：嗯…我們現在面對的可能也有所謂的「潛在偏誤」 我們來看看這些籃球相片有什麼共同之處… 標籤：60% 籃球
場景 73：小八拿了幾張相片給瑪莎看。照片中都有籃球員的手臂，而且都是手握著籃球。小八：是不是有點眼熟？瑪莎：不知道，看起來就像是一堆手拿著…
場景 74：瑪莎回頭看著「籃球」標籤方塊中的小畢，突然間恍然大悟。瑪莎：噢，我懂了！標籤：60% 籃球
場景 75：瑪莎和小八正在討論。小八：工程師和倫理學家仍在探究類神經網路看待世界的方式，以及我們在未來幾年中認為類神經網路會扮演的角色。
場景 76：瑪莎、小八、小飛和小畢站在鏡面上，看著自己的鏡中倒影。小八：研究人員把卷積類神經網路上下顛倒，就能輕鬆取得無同類的圖片分類器… …並產生出生成對抗網路，也就是 G.A.N… …G.A.N 不僅可以產生虛構的精美圖片，也能產生惡名昭彰的「深度造假」圖片。 說明文字：瞭解詳情。
場景 77：瑪莎的表情堅定，小八則不斷鼓勵瑪莎。小飛和小畢從下方加入對話。瑪莎：沒錯，我想要解決問題，而不是引發問題…只希望我到時候可以判斷當中的差異。小八：嘿，光是瞭解一切的運作方式就是很好的開始了。小飛和小畢 (從圖片之外)：同意！同意！
場景 78：瑪莎對著天空展露笑顏，看起來很樂觀，卻被她的主管梅爾打斷。小八顯得有些生氣。瑪莎：大家注意了！因為我有 99% 的信心可以… 梅爾 (從圖片之外)：嘿，瑪莎！
場景 79：梅爾蟄伏在他們的幻想說明世界邊緣自問自答，所有人都顯得有些不安。小飛發出嘶嘶的叫聲。梅爾：噢！我在哪裡？那是什麼？這些人是誰？瑪莎：呃，這是… 梅爾：老實說，我不是很在乎！
場景 80：瑪莎靠著牆壁往下滑，一旁則是小畢和小八。梅爾講個不停，所有人都很沮喪。梅爾：我要你在十分鐘後向股東報告情況。小八：他平常都這樣嗎？瑪莎：是啊。
場景 81：梅爾揮揮手離開。瑪莎開始起身，其他成員都聚集在她身旁。梅爾：謝啦，待會見！小八：糟糕，剛剛提及的資訊很多… 小飛：我去會議室搗亂一下，幫你爭取一點時間。
場景 82：小八驚恐地望著不遠處，不過瑪莎抬起手阻止他。小八：我就知道應該說慢一點的！我一定會被頭足類教育學院取笑並退學！瑪莎：不會。
場景 83：鏡頭拉近瑪莎，她的表情很堅定並充滿鬥志。瑪莎：沒問題的。
現在輪到您了！
請繼續探索
機器學習的奇妙世界...
場景 84：瑪莎在坐滿高階主管的會議室中報告情況，並在畫著類神經網路和其他元素的白板上比劃。大家都非常專心。我們以行動號召結束這項課程，並邀請各位讀者進一步瞭解相關知識。
...歡迎參加 Google 的機器學習密集課程
或探索 Google Cloud AI！
- 故事、設計與版面配置：Lucy Bellwood、Dylan Meconis 和 Scott McCloud
- 線條圖畫：Leila del Duca
- 顏色設計：Jenn Manley Lee
- 日文本地化：Kaz Sato 和 Mariko Ogawa
- 製作團隊：Google Comics Factory (Allen Tsai、Alison Lentz 和 Michael Richardson)