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，這里面有99%的東西都很蠢。

這篇文章可能會被認為夸夸其談，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)，這是因為很少有人知道他們是怎么操縱AI的。本文就旨在“揭露”他們的內幕。

1.從零開始建立一個神經(jīng)網(wǎng)絡，并讓它在手機上運行

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

大多數(shù)人不知道神經(jīng)網(wǎng)絡如此簡單。他們認為神經(jīng)網(wǎng)絡是超級復雜的。就像把復雜圖形分解成無數(shù)個簡單圖形一樣，神經(jīng)網(wǎng)絡也可以做一些看起來很復雜的事情，但是這種復雜性來自重復和隨機數(shù)發(fā)生器。

2.建立一個20層的神經(jīng)網(wǎng)絡

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“For”和“：”放在哪兒。

“深度學習”和深度的n層只是一個輸入輸出貫穿于自身的神經(jīng)網(wǎng)絡。因為你在不斷地循環(huán)再循環(huán)，所以它被稱為循環(huán)神經(jīng)網(wǎng)絡（RNN：Recursive neural networks）。

這些不斷重復的動作與你學習駕駛有些類似，假如你只學會了右轉彎，上路后只要遇到路口你就右轉，你就可以去自己想去的地方。雖然這樣做效率不高，但我們知道右轉彎比左轉彎更容易。

3.使用英偉達的GPU訓練一個神經(jīng)網(wǎng)絡，并移至手機

在上述11行代碼中，錯誤（或未實現(xiàn)）的是種子沒有設置。沒有設置種子，就不能保證第二次循環(huán)會像第一次循環(huán)一樣獲得相同的隨機數(shù)，也就不能保證出現(xiàn)明顯不同的結果。由于你的手機和電腦不能給出相同的隨機數(shù)，而且不同的手機芯片之間可能都有不同的隨機數(shù)，所以將基于GPU的訓練移植到移動端很不現(xiàn)實。

這樣的訓練要花費數(shù)以億計的時間，因此為手機建立一個神經(jīng)網(wǎng)絡幾乎是不可能的。設備之間也始終存在差異，對于語音識別來說，識別率增加或者減少5％不是什么大問題，而對癌癥檢測或診斷等事情來說，這就是一件大事了。

4.訓練神經(jīng)網(wǎng)絡去做人類無法做到的事

神經(jīng)網(wǎng)絡其實就是個愚蠢的黑匣子。如果你有足夠的時間和精力運行它，就會得到比較合適的測試數(shù)據(jù)，但你不會從隨機源測試中得到很好的結果。人工智能非常擅長偽關聯(lián)，比如，把肯塔基州的結婚率和溺水率相關聯(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)絡是個黑匣子。

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，谷歌分析會告訴你，你的服務器速度很慢，但它不會告訴你原因。

我們這些了解神經(jīng)網(wǎng)絡的人不需要TensorFlow，因為我們不需要花哨的圖表和動畫來可視化數(shù)據(jù)，我們需要看原始數(shù)據(jù)和代碼，才能找出服務器變慢等問題的原因。

6.把神經(jīng)網(wǎng)絡用于NLP/ NLU

關于人類一些常識性的東西，神經(jīng)網(wǎng)絡的模擬能力并不比鼻涕蟲的高多少。

為英語中的每個單詞構建一個具有單一特征的神經(jīng)網(wǎng)絡， 它需要的計算能力和谷歌擁有的計算能力一樣多。在英語中，若把每一個詞的每個意義都賦予一個特征，就需要地球上所有的云服務都來計算，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)絡是有局限性的。

7.有一個自定義的神經(jīng)網(wǎng)絡

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

8.訓練一個神經(jīng)網(wǎng)絡做事

你現(xiàn)在成了一個數(shù)據(jù)駕馭者，就如同一個訓狗師一樣。只要你的狗長著一個鼻涕蟲腦袋，你就可以多次重復訓練它。

同理，擁有一個數(shù)據(jù)訓練集也沒有捷徑，只能靠這種單調笨拙的方法。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），你只不過是一個鼻涕蟲訓練師而已。

9.把神經(jīng)網(wǎng)絡和區(qū)塊鏈結合

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)絡沒有任何共同之處，并且，用區(qū)塊鏈節(jié)點運行所有數(shù)據(jù)集是行不通的。

當你用正常大小的數(shù)據(jù)集以超過16種方式“切片”負載時，神經(jīng)網(wǎng)絡開始出現(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，想要測試多種數(shù)據(jù)表示順序，是可以進行更大擴展的，但這些不能擴展到數(shù)百萬個節(jié)點中。

10.我不怎么用神經(jīng)網(wǎng)絡

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

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

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