度学习相反。

那些训练方法白盒化程度更高，也就是机器学习的决策过程的可解释性，人类更能理解，也就更容易干预，便于人类

“手把手教机器快速进步”。而这些算法的缺点，就是

“学习进化的上限比较低”（这里是笼统概括，实际科学原理比这个复杂得多。

但是写给外行人看，只能这样不太准确地类比一下了。）换句话说，要是人类继续被摩尔定律束缚、靠电脑CPU运算速度的技术提升，来满足训练算力的话，那么那些白盒度更高、更容易用少量算力就初步训练出成绩的人工智能学习路径，说不定就能在历史选择中胜出

“深度学习/卷积神经网络”这条技术路线了。但是，地球上偏偏在你2007~2009年，诞生了分布式架构算力设计。

这玩意儿，最初是出现在很多硅谷IT公司，那些程序员嫌弃代码写好后、编译速度太慢，甚至觉得光靠专门的编译服务器都不够用，所以天马行空地创新出一个

“分布式编译架构”，让一家公司里所有同一局域网内的电脑，都可以加入这个架构，然后把编译任务拆分分配给所有电脑，让所有CPU共同分包编译。

分布式编译是从07年出现的，一两年之内，这玩意儿就成长成了

“云计算”。有了云计算之后，应用就很广泛，而云计算对人工智能训练的最大影响，就是某个智能在执行机器学习的时候，不用再受限于这个机器人本身那颗CPU的算力了——机器人自己的CPU不够快，可以接入云，用云上的几千几万台机器的CPU帮你一起算。

这时候，摩尔定律就不重要了。只要算力任务能高效拆分，单颗CPU弱一点就弱一点了，咱可以芯海战术堆数量嘛。

如此一来，其他那些

“算力效率更高、白盒可解释性更强、但训练上限和自动化程度更低的算法”，一下子就争不过深度学习了。

因为深度学习原先最大的瓶颈，就是黑盒，算力效率低下。但云计算的出现，让算力瞬间没那么值钱了，可以大水漫灌狂训你。

……这些道理，顾玩心知肚明，不过他没法全部告诉麻依依。他只能鼓励麻依依，让她往这个领域布局，夫妻俩暂时把外围科技先凑起来。

幸好，时间上也不是非常紧急。地球上杰夫辛顿让学界接受深度学习，就花了两年。

至于后来从学界承认到产业界承认，又花了四年——其中三年都是在等云计算的出现。

他的成绩06年在学界就初步被认可了，但09年云计算才正式出现，2010年杰夫辛顿才被谷歌高薪挖走。

后世的人工智能，用一句话概括运作原理，就是

“使用云计算的算力，用深度学习算法处理学习大数据”。算力，算法，大数据。

三要素里，从技术难度来说，最先有的是大数据，这是一种资源，有稀缺性，但却没有技术含量，所以是最早出现的。

算法，或者说深度学习的思路，是第二个出现的（06年）用这种算法处理这些数据的算力，是最后出现的（09年）三要素都齐了之后，第二年地球上谷歌就开始在这条路上狂奔了。

顾玩觉得，就算自己开了挂，也有1年多的时间，先把基础算法方面的架构性论文发完。

具体追求产业界应用的事儿，将来去留学开公司期间再说好了。而且，把算法渊薮阶段的论文，在中国念书的时候就发表，将来也好撇清跟老外的关系——

（本章未完，请点击下一页继续阅读）

（本章完）