經(jīng)常有人告訴我他們使用人工智能取得了多么令人矚目的成就。其實(shí)，這里面有99%的東西都很蠢。

這篇文章可能會(huì)被認(rèn)為夸夸其談，但這并不是它的本意，它只想指出為什么以前人工智能專家很少，現(xiàn)在突然涌現(xiàn)出如此多的專家。

大多數(shù)專家貌似都很專業(yè)，這是因?yàn)楹苌儆腥酥浪麄兪窃趺床倏vAI的。本文就旨在“揭露”他們的內(nèi)幕。

1.從零開始建立一個(gè)神經(jīng)網(wǎng)絡(luò)，并讓它在手機(jī)上運(yùn)行

你如果能將這11行Python代碼輕松地轉(zhuǎn)換為Java、C或C++代碼，就已經(jīng)掌握了交叉編譯器在3秒內(nèi)可以完成的工作。

大多數(shù)人不知道神經(jīng)網(wǎng)絡(luò)如此簡(jiǎn)單。他們認(rèn)為神經(jīng)網(wǎng)絡(luò)是超級(jí)復(fù)雜的。就像把復(fù)雜圖形分解成無數(shù)個(gè)簡(jiǎn)單圖形一樣，神經(jīng)網(wǎng)絡(luò)也可以做一些看起來很復(fù)雜的事情，但是這種復(fù)雜性來自重復(fù)和隨機(jī)數(shù)發(fā)生器。

2.建立一個(gè)20層的神經(jīng)網(wǎng)絡(luò)

你拿了上面的代碼，然后再次循環(huán)。接下來比較難的是，決定把下一個(gè)“For”和“：”放在哪兒。

“深度學(xué)習(xí)”和深度的n層只是一個(gè)輸入輸出貫穿于自身的神經(jīng)網(wǎng)絡(luò)。因?yàn)槟阍诓粩嗟匮h(huán)再循環(huán)，所以它被稱為循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN：Recursive neural networks）。

這些不斷重復(fù)的動(dòng)作與你學(xué)習(xí)駕駛有些類似，假如你只學(xué)會(huì)了右轉(zhuǎn)彎，上路后只要遇到路口你就右轉(zhuǎn)，你就可以去自己想去的地方。雖然這樣做效率不高，但我們知道右轉(zhuǎn)彎比左轉(zhuǎn)彎更容易。

3.使用英偉達(dá)的GPU訓(xùn)練一個(gè)神經(jīng)網(wǎng)絡(luò)，并移至手機(jī)

在上述11行代碼中，錯(cuò)誤（或未實(shí)現(xiàn)）的是種子沒有設(shè)置。沒有設(shè)置種子，就不能保證第二次循環(huán)會(huì)像第一次循環(huán)一樣獲得相同的隨機(jī)數(shù)，也就不能保證出現(xiàn)明顯不同的結(jié)果。由于你的手機(jī)和電腦不能給出相同的隨機(jī)數(shù)，而且不同的手機(jī)芯片之間可能都有不同的隨機(jī)數(shù)，所以將基于GPU的訓(xùn)練移植到移動(dòng)端很不現(xiàn)實(shí)。

這樣的訓(xùn)練要花費(fèi)數(shù)以億計(jì)的時(shí)間，因此為手機(jī)建立一個(gè)神經(jīng)網(wǎng)絡(luò)幾乎是不可能的。設(shè)備之間也始終存在差異，對(duì)于語音識(shí)別來說，識(shí)別率增加或者減少5％不是什么大問題，而對(duì)癌癥檢測(cè)或診斷等事情來說，這就是一件大事了。

4.訓(xùn)練神經(jīng)網(wǎng)絡(luò)去做人類無法做到的事

神經(jīng)網(wǎng)絡(luò)其實(shí)就是個(gè)愚蠢的黑匣子。如果你有足夠的時(shí)間和精力運(yùn)行它，就會(huì)得到比較合適的測(cè)試數(shù)據(jù)，但你不會(huì)從隨機(jī)源測(cè)試中得到很好的結(jié)果。人工智能非常擅長(zhǎng)偽關(guān)聯(lián)，比如，把肯塔基州的結(jié)婚率和溺水率相關(guān)聯(lián)。

人們總希望人工智能可以創(chuàng)造奇跡，但大部分AI并不能做人類也做不到的事情。雖然有一些例外，但僅限于透明的AI，而神經(jīng)網(wǎng)絡(luò)是個(gè)黑匣子。

5. 使用TensorFlow

還記得上面的那十一行代碼嗎？TensorFlow只是這11行代碼的包裝品。它幫你可視化了這11行代碼中發(fā)生的事情。很多時(shí)候，它就像谷歌分析一樣。谷歌分析需要的數(shù)據(jù)都可以在服務(wù)器日志中找到，但是大多數(shù)人看不懂這些日志，他們只能看明白谷歌分析。與此同時(shí)，谷歌分析會(huì)告訴你，你的服務(wù)器速度很慢，但它不會(huì)告訴你原因。

我們這些了解神經(jīng)網(wǎng)絡(luò)的人不需要TensorFlow，因?yàn)槲覀儾恍枰ㄉ诘膱D表和動(dòng)畫來可視化數(shù)據(jù)，我們需要看原始數(shù)據(jù)和代碼，才能找出服務(wù)器變慢等問題的原因。

6.把神經(jīng)網(wǎng)絡(luò)用于NLP/ NLU

關(guān)于人類一些常識(shí)性的東西，神經(jīng)網(wǎng)絡(luò)的模擬能力并不比鼻涕蟲的高多少。

為英語中的每個(gè)單詞構(gòu)建一個(gè)具有單一特征的神經(jīng)網(wǎng)絡(luò)， 它需要的計(jì)算能力和谷歌擁有的計(jì)算能力一樣多。在英語中，若把每一個(gè)詞的每個(gè)意義都賦予一個(gè)特征，就需要地球上所有的云服務(wù)都來計(jì)算，這顯然是不可能的。人工智能可以做偉大的事情，但神經(jīng)網(wǎng)絡(luò)是有局限性的。

7.有一個(gè)自定義的神經(jīng)網(wǎng)絡(luò)

恭喜你， 你已經(jīng)知道如何將11行的神經(jīng)網(wǎng)絡(luò)代碼包裝在9行代碼中， 用于遺傳算法，或包裝在44行代碼中，用于分布式進(jìn)化算法。你可以用55行代碼寫一篇新聞稿，等等。

8.訓(xùn)練一個(gè)神經(jīng)網(wǎng)絡(luò)做事

你現(xiàn)在成了一個(gè)數(shù)據(jù)駕馭者，就如同一個(gè)訓(xùn)狗師一樣。只要你的狗長(zhǎng)著一個(gè)鼻涕蟲腦袋，你就可以多次重復(fù)訓(xùn)練它。

同理，擁有一個(gè)數(shù)據(jù)訓(xùn)練集也沒有捷徑，只能靠這種單調(diào)笨拙的方法。雖然外界很難了解你的所作所為，但你不要欺騙自己（或者其他人），你只不過是一個(gè)鼻涕蟲訓(xùn)練師而已。

9.把神經(jīng)網(wǎng)絡(luò)和區(qū)塊鏈結(jié)合

恭喜你，你終于知道炒作堆棧了。不幸的是，哈希挖掘和神經(jīng)網(wǎng)絡(luò)沒有任何共同之處，并且，用區(qū)塊鏈節(jié)點(diǎn)運(yùn)行所有數(shù)據(jù)集是行不通的。

當(dāng)你用正常大小的數(shù)據(jù)集以超過16種方式“切片”負(fù)載時(shí)，神經(jīng)網(wǎng)絡(luò)開始出現(xiàn)問題。如果你有數(shù)十億的數(shù)據(jù)記錄，或者你在做反向傳播，想要測(cè)試多種數(shù)據(jù)表示順序，是可以進(jìn)行更大擴(kuò)展的，但這些不能擴(kuò)展到數(shù)百萬個(gè)節(jié)點(diǎn)中。

10.我不怎么用神經(jīng)網(wǎng)絡(luò)

在我使用的工具中，也有神經(jīng)網(wǎng)絡(luò)代碼。但它只是一種選擇，而不是整個(gè)產(chǎn)品的基礎(chǔ)。我所做的大部分工作，運(yùn)用了一種自定義的啟發(fā)式方法。我把使用的各種技術(shù)的組合叫做心智模擬。

神經(jīng)網(wǎng)絡(luò)模擬的是大腦中的硬件，而心智模擬對(duì)大腦中的軟件進(jìn)行模擬。心智模擬只有大約10年的歷史，而神經(jīng)網(wǎng)絡(luò)已經(jīng)有50多年歷史了。

心智模擬的另一個(gè)不同之處在于，它屬于透明的AI，需要數(shù)百萬行代碼才能發(fā)揮作用。