连个盟校双博士都做不到的人，天大的机会白白送到他面前，他捡都捡不起来。

另外一方面，顾玩也深谙地球上人工智能发展的另一个重要契机——在深度学习和卷积神经网络发展起来之前，这条技术路线的认可度并不高，因为这条技术路线哪怕试水到04年，初步原理略微跑通了，学界也依然发现有问题：这个算法的缺点，是训练效率太低。

也就是说消耗的算力极大，而机器学习的进步速度其实很慢，还无法进行白盒逻辑解释，也就无法通过人工干预/

“教导”来让机器的学习速度加快。当时还有另外两三条技术路线，那些路线的优缺点正好与深度学习相反。

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。 本章未完，请点击下一页继续阅读！ 第2页/共3页