不是要理解更复杂的世界规律吗？那我们就不断增加整个水管网络里可调节的阀门的个数（增加层数或增加每层的调节阀数量）。不是有大量训练数据和大规模计算能力吗？那我们就让许多CPU和许多GPU（图形处理器，俗称显卡芯片，原本是专用于作图和玩游戏的，碰巧也特别适合深度学习计算）组成庞大计算阵列，让计算机在拼命调节无数个阀门的过程中，学到训练数据中的隐藏的规律。也许正是因为这种实用主义的思想，深度学习的感知能力（建模能力）远强于传统的机器学习方法。

　　实用主义意味着不求甚解。即便一个深度学习模型已经被训练得非常“聪明”，可以非常好地解决问题，但很多情况下，连设计整个水管网络的人也未必能说清楚，为什么管道中每一个阀门要调节成这个样子。也就是说，人们通常只知道深度学习模型是否工作，却很难说出，模型中某个参数的取值与最终模型的感知能力之间，到底有怎样的因果关系。

　　这真是一件特别有意思的事。有史以来最有效的机器学习方法，在许多人看来，竟然是一个只可意会、不可言传的“黑盒子”。

　　·由此引发的一个哲学思辨是，如果人们只知道计算机学会了做什么，却说不清计算机在学习过程中掌握的是一种什么样的规律，那这种学习本身会不会失控？

　　比如，很多人由此担心，按照这样的路子发展下去，计算机会不会悄悄学到什么我们不希望它学会的知识？另外，从原理上说，如果无限增加深度学习模型的层数，那计算机的建模能力是不是就可以与真实世界的终极复杂度有一比呢？如果这个答案是肯定的，那只要有足够的数据，计算机就能学会宇宙中所有可能的知识——接下来会发生什么？大家是不是对计算机的智慧超越人类有了些许的忧虑？还好，关于深度学习到底是否有能力表达宇宙级别的复杂知识，专家们尚未有一致看法。人类至少在可见的未来还是相对安全的。

　　补充一点：目前，已经出现了一些可视化的工具，能够帮助我们“看见”深度学习在进行大规模运算时的“样子”。比如说，谷歌著名的深度学习框架TensorFlow就提供了一个网页版的小工具（Tensorflow — Neural Network Playground），用人们易于理解的图示，画出了正在进行深度学习运算的整个网络的实时特征。

　　附图显示了一个包含4层中间层级（隐含层）的深度神经网络针对某训练数据集进行学习时的“样子”。图中，我们可以直观地看到，网络的每个层级与下一个层级之间，数据“水流”的方向与大小。我们还可以随时在这个网页上改变深度学习框架的基本设定，从不同角度观察深度学习算法。这对我们学习和理解深度学习大有帮助。

　　（本文摘自李开复、王咏刚《人工智能》一书）

《10小时从0到1学习人工智能》课程表

　　# 已更新 #

　　第 1 章：我不是李开复，我是 AI

　　1.1 我是AI，我已经无处不在

　　1.2 人类准备好了吗？

　　1.3 别害怕，我也有硬伤

　　1.4 我在中国迎来人生重大机遇

　　第 2 章：人工智能来了！

　　2.1 到底什么是人工智能？

　　2.2 不科学的和科学的定义 （一）

　　2.3 不科学的和科学的定义之（二）

　　2.4 不科学的和科学的定义之（三）（四）（五）

　　2.5 人工智能就在我们身边

　　# 每两周更新1章，敬请期待 #

　　第 3 章：第三次 AI 热潮

　　第 4 章：当大数据遇上深度学习

　　第 5 章：奇点来临：AI 会不会挑战人类？

　　第 6 章：AI 时代的人类变革

　　第 7 章：自动驾驶：AI 最大的产业机会

　　第 8 章：智慧金融、智慧医疗、智慧生活

　　第 9 章：AI 先行的创投大格局

　　第 10 章：AI 时代的教育和个人成长