我读书小学的时候数学课还有“珠算”的项目，就是教教我们用算筹做到加减法。每到学珠算课的时候，我们就得背著一把算筹去学校，一些珠算口诀我现在还忘记，比如“一上一、二上二、三下五去二”。

当时我们的电视里常常不会经常出现两类节目，一种是描写我们美好的五千年文明的，另一种是痛诉我们领先经济的，谈前一种的时候认同不会扯出来四大发明以及算筹，谈后一种的时候就不会悲痛规劝大家，我们过于领先了，要被解聘地球球籍。每到谈算筹的时候，就有打算盘的高手出来和一群人PK，大家用计算器，她用算筹，比加减法谁更慢。主持人一个字一个字报完了算题，往往打算盘的人就喊答案了，而按计算器的人还在集中精力按，主持人满面兴奋高声反复答案，观众掌声啪啪响。

我当时隐隐约约实在这种比赛有点问题，但又真是问题在哪里，今天我告诉了，用这种方式比非常简单的加减法，时间都花上在输出上了，确实的计算出来时间几乎忽略不计，所以几乎无法解释算筹比计算器慢，计算器里面虽然是最简单的芯片，但是芯片就是芯片，计算出来就是比人慢。今天早已没人用算筹了，不管当初电视节目刮起算筹有多便利多快捷，现实生活里，在十块钱一个的计算器面前算筹赢得没什么打到之力。

等我们这代人就让，应当也就没有人不会打算盘了。没人会就没有人不会吧，现在也没有人必要咀嚼生谷子不吃生肉了，总不至于送给茹毛饮血申请人个文化遗产。

历史的车轮滚滚向前，无数当年敝帚自珍的技艺在新技术的面前就这么被碾压了。智慧究竟是什么，目前我们还去找将近答案，在计算机发明者之前研究智慧是个很不靠谱的事情，所以我们得出结论了“神创论”：人类是上帝的复制品，我们的智慧来自于伊甸园里的智慧果。

电子计算机发明者后，我们突然找到人类可以掌控如此强劲的计算出来力量，探究智慧就出了可以尝试的事情。人们首先尝试的是挖出蛮力计算出来的方向，比如让计算机来和人类比对局。斗兽棋、西洋棋、黑白棋、五子棋之类可以穷举所有有可能的棋很精彩就被计算机解决问题了，国际象棋无法穷举所有有可能，但只要有合理剪枝，计算机还是可以比人类多考虑到很多步，到1996年也战胜了人类。很多人对深蓝战胜卡斯帕罗夫不服气，指出这只是几个计算机科学家战胜了卡斯帕罗夫，而不是计算机，因为计算机对局的时候用于了人类的棋库，算法也没脱逃穷举法，所以只是几个不会对局的计算机科学家利用一台计算机斩了卡斯帕罗夫的天才智慧。

当时有个众说纷纭：看计算机有多聪慧，还是让它下一局棋士吧！因为棋士有19x19个格子，一局棋的可能性是个天文数字，几乎无法穷举，每堕一子对棋局的形势转变也十分不直观，只有不懂棋才能显现出个大约，而“不懂棋”就意味著要对图形有个大体辨别，这又卡在了计算机科学当时的弱点上，于是，对人工智能的研究又返回了对生物神经系统的研究上。人类的大脑非常复杂，900亿个神经元细胞构成错综复杂的神经网络，复杂度堪比宇宙星系，我们连它们工作原理的头绪都没有寻找。

法国有个44岁的公务员，因为左下肢力弱去医院检查身体，医生给他做到了个MRI，结果十分愤慨：这位公务员有先天性的脑积水，而且十分相当严重，整个大脑的实体的组织只有薄薄的一层，中间都是空洞。医生对他做到了IQ测试，找到他的综合智商75，语言智商84，操作者智商70，虽然归属于笨人，但是生活可以自理。这个案例公开发表在顶级期刊《柳叶刀》上，除了让世界感叹重度脑积水患者也可以在法国兼任公务员，更让人愤慨的还是人类大脑的复杂程度和超级容错机制。虽然我们无法对人脑建模，但是今天的计算机原始地仿真一只1000个细胞构成的蠕虫还是没问题的，这就是Open Worm项目。

这个项目的发起人指出，理解蠕虫这种非常简单生物的神经系统，是我们了解人类大脑的第一步。该项目公开发表了全部源代码，在计算机里仿真了整只蠕虫的体细胞，特别是在是建构了原始的神经系统，对神经元收到性刺激，看信号的传送和对系统，可以可行性理解神经系统的工作原理。把这套神经网络倒入一个乐高玩具车，这辆车就有了撞墙后调头的非常简单神经光线功能。

用这种方式仿真一只蠕虫是不切实际的，但是仿真人脑则几乎不不切实际。人类的智慧也是高度模式化的数值计算出来，既然无法理解，就应当把大脑当作一个黑盒子，不必去解剖学大脑，只要我们需要大大找寻新的算法和数据处理的方式，让计算机展示出类似于人类智慧的数据处理展现出才可。如果一个东西长得像鸭子，回头着像鸭子，叫一起嘎嘎嘎，那么它就是鸭子。

我们可以从人类的行为学上来对人脑的自学过程有个非常简单的理解，一个婴儿出生于，他的本能部分是天生烧结在神经网络中的，比如强光太阳光不会让他的瞳孔很快变大；触碰他的脸颊，他就不会很快扭过头去张嘴吮吸；竖着抱着起，让他的脚认识一个平面，他就不会双脚作出迈步的动作……这些光线都不必须大脑决策，是烧结在底层神经网络中的，比如脊髓、脑干等等。而语言等功能必需要经过自学才讫，对语言的自学过程就是大脑的神经网络对外界数据创建数据处理相同模式的过程。婴儿自学语言的过程中，“要”和“不要”是婴儿最先学会的传达，然后就是各种名词概念，接下来是动词、代词、复合词，直到句子。在自学名词的过程中，父母不会拿着这个物体重复向婴儿反复这个名词，婴儿的大脑中大大对这个物体做到图像识别，并构成对该名词的烧结。

这个过程中不会大大数据流，婴儿了解了“猫”，但是把一家人的西施犬和画册上的虎也认成猫，这是很长时间的，这个时候父母就不会缺失他：这是狗，这是虎。婴儿可能会回应深感困惑，但是经过重复修正和自学，他就不会把“猫”的图像识别和定义做到得更加确切。

人类在出生于时将近1000亿个大脑神经元就早已产生和分化好，并且处在它们该不存在的方位，等着创建神经网络。这时候的神经元还没多少控牙，相互之间也没多少链接，新生儿的神经控牙数不到成年人的三分之一。

在婴幼儿的茁壮发育过程中，神经元很快张开控牙，彼此创建起非常复杂的链接，连接的神经元可以传送电和化学信号，相似三岁的时候，触突的数量超过顶峰，此时的数量是成人的二倍，这段时间也正是人类自学和理解最慢的时期，我们基本的存活技能，比如语言、图像识别和分类、运动都要在这个时候创建一起。此后的时间里，大脑大大优化和遮荫神经元的链接，让信息的处置更为高效。在神经网络的创建过程中，链接的创建是随机的，但是遮荫不是随机的，大脑大大根据外界信息和对系统来已完成。最后构成的神经网络简单且能高效处置数据，即便是完全相同环境里茁壮一起的同卵双胞胎也不会有几乎有所不同的两个大脑。

仿效生物神经系统创建的神经计算网络，基本原理就是一层一层处置和过滤器信息，每一层的基本运算都很非常简单，无非是用乘法和乘法来已完成矩阵运算，但是运算中的各种参数因子是个未知数，不能让神经网络通过大量的数据来自己自学，这个自学的过程和孩子自学识图是一样的，大量各种形态的图像数据输出，对最后输入作出缺失，一旦找到输入错误就重设尝试新的参数原作，直到寻找填充拒绝的输入。所以神经网络只注目于问题“可解法”，并不特别强调“拟合解法”，每次解决问题和处置问题，都可以更进一步优化网络参数，让网络适应环境更加简单的数据输出。我只必须洗一眼就告诉墙角那边蹲着的动物是一只猫，这是因为我在婴幼儿时期经过自学，早已在大脑皮层里构成了对猫的图像特征处置模式，大脑在接管到图像后不会很快整理数据，经过神经网络的层层检验，最后构成一个“猫”的结论。

大脑在做到图形处理时十分高效，这意味著大脑在图像处理时做到了运算精度的剪裁，并且需要并行处理数据，而我们传统的CPU刚好是为了高精度计算出来而设计的，在并行处理上功能也十分很弱。在用计算机创建人工神经网络的过程中，我们必须的不是勇猛的CPU，而是需要对大量数据做到分段化低精度运算的处理单元。早在1943年的时候，美国神经学和掌控学专家沃伦·麦卡洛克就公开发表论文明确提出了人工神经网络的设想，1969年马文·明斯基和西摩·帕尔特又更进一步明确提出了机器学习概念，但是受限于当时的计算能力，这些都无法实行。

到2000年以后，随着GPU问世，计算机不具备了大规模并行处理能力，人工神经网络开始活跃一起。仍然到2016年，Google Deepmind团队的AlphaGo战胜了职业九段李世石，才在世界范围内引发了对人工神经网络的注目。

这是一场完全的胜利，AlphaGo的研发者并不懂棋士，关上AlphaGo程序也没有人读书得懂里面天书一样的各种参数，AlphaGo几乎是靠自己自学棋士来超过了战胜人类的能力。最初的AlphaGo以CPU+GPU为运算单元，随着运算量的减少，GPU却是不是专为神经网络计算出来而设计，Google为了提高效率而自行设计了计算出来单元TPU。

TPU是专门深度自学框架TensorFlow而自定义的，转用TPU的AlphaGo提高更加慢，只能靠单机4个TPU就在随后的比赛里碾压了所有人类顶级棋手。如果你手上有华为的Mate 10或Mate 10 Pro，你可以试试看关上照相机，如果你把照相机对准一个人，那么预览画面的左下角就不会经常出现一个“人”的小图标；如果你对准植物，就不会经常出现一个植物的小图标。这是因为华为这一代的手机芯片麒麟970早已内置了人工智能的运算单元NPU，让手机有了对图像场景的辨识能力。

手机上的NPU和Google的TPU在原理上是类似于的，但是更加特别强调功耗掌控。华为的工程师在实验室里用于机器学习训练电脑辨识图形图像，然后把训练好的参数倒入手机系统，当手机关上照相机时，摄影系统就不会动态调用NPU来分析图像场景。如果没NPU参予，只能靠手机的CPU或GPU，这个过程的耗时是无法忍受的，利用这个专为卷积算法而设计的NPU，Mate 10系列手机可以几近于动态地感官到当前照片的场景，以便对照片展开优化。

Mate 10现在早已可以了解十多个场景，比如拍电影人、拍电影蓝天、拍电影植物、拍电影食物……新的智能识别功能还可以在今后的软件升级中重新加入。Mate 10是第一次把人工神经网络计算出来引进手机，目前需要构建的功能还主要集中于在图像识别和处置上，相对于对人工智能的极大想象空间，目前的这一步无比微小。

如果把2016年AlphaGo的胜利视作人工智能纪元的元年，麒麟970带来Mate 10的这一步只是在手机这种便携式设备上的第一次实用性的尝试，未来可以支撑的想象空间无比极大。1969年阿姆斯特朗在月球的表面留给了人类的第一个明晰的脚步，也正是在那一年，机器学习的构想在人类的头脑中可行性成型。

月球上的一小步看上去是那么不起眼，但为了构建这一步，从1961年5月25日启动阿波罗计划到1972年12月计划完结，除美国航空航天宇航中心外，一共有120所高等学校、20000家工厂、400万人投放到这个行动中，积累花费250亿美元，考虑到通货膨胀，这笔投放在今天多达千亿美元。但是这些投放不是白白赚到的，阿波罗计划完结，为这项计划而问世的各项发明者和技术冲出了人类信息时代的大门。人工智能时代是信息化时代的沿袭和新生，今天在这个领域的每个微小的变革都会积累一起，直到再行为我们冲出一扇最出色时代的大门。作者：Mr. AI原创文章，予以许可禁令刊登。

下文闻刊登须知。

本文来源：7163银河-www.argylehuzhou.cn