去年三月一个会下围棋的AlphaGo让人工智能火了，今年三月准备虐菜柯洁的AlphaGo增强版又会带来什么？笔者的标题可能起的有点穿越，但是柯洁就算最近闭关学会了新的独门绝技，也不可能赢的了AlphaGo。围棋人工智能的学习能力绝对超出人类几个数量级。随着时间的发展在围棋这个项目上，无论是柯洁还是谁，人类只能越来越被完虐。这是“新进化论”所带来的不可阻挡的“自然”规律。
比赛以后的柯洁还能这么自信吗？
然而，对于真正的人工智能来说，AlphaGo也只能是惊鸿一瞥，深度神经网络为人工智能带来的是惊喜，但并不是变革。百度等公司全力“发神经”对于他们商业上的成功也许并不能带来什么助益。吴恩达带着成千上万块GPU也许能为百度带来一些令人惊喜的人工智能产品，却难再现与莆田系印钞般的盈利能力。人工智能只是完成了从胎儿到婴儿的蜕变，降临世上却要经历无数艰险才能为人。
然而，笔者并不是要吐槽目前各大公司面对人工智能大上快干的“神经病”行为。而是深入浅出的分析让人工智能惊艳世人的神经网络技术，以及人工智能在现实商业层面所面临的实际难题。让大家观摩柯洁与AlphaGo比赛之前来个热身，科学客观的看待人机大战。
为什么神经网络火了？
神经网络这东西并不是新鲜事物，AlphaGo牛X之前，也只是人工智能各种算法的一个分支。神经网络中的很多算法已经存在很多年，并不是突然之间像魔术那样出现而不可思议。最近开始吸引焦点，主要是因为可用的计算能力（CPU、GPU、AI专用计算单元）的快速发展，让海量矩阵乘法运算更容易被测试、验证和迭代。
但是Deepmind对AI下围棋这块的神经网络优化确实让人惊艳，而且Deepmind言之凿凿同样的技术完全可以应用到其他领域。于是乎，不明真相的群众们真的以为明天人工智能就要过来取代人类。各大互联网公司也是顺势而为立即做起了人工智能生意。
笔者并不怀疑Deepmind神经网络算法的通用性，但是不同领域的训练数据获取之于现实面还是无法解决的难题。而且某些领域数据的复杂度，也许只有量子计算才能在人类寿命可接受的范围内结束训练。
神经网络更像是打开图灵难题的钥匙
神经网络有两大好处，一是利用相对长的应用前训练时间换取了应用中的处理实时性。而是用训练数据的处理复杂度换取了预设逻辑的处理复杂度。而且AlphaGo让人们开始相信，也许神经网络真的是解决完全图灵测试的钥匙。
就宏观的愿望来说，神经网络是期望通过模拟现实中的生物思维来直接实现人工思维。人工神经网络是对人脑完成特定任务或感兴趣功能的方法进行建模的自适应机器，是一个由简单处理元构成的规模宏大的并行分布式处理器。天然具有存储经验和使之可用的特性。神经网络在两个方面与人类相似：1、神经网络获取的知识是从外界环境中学习得来的；2、互连神经元的连接强度，即突触权值，用于储存获取的知识。
现实生活中有很多问题并不能用预设逻辑来解决。当问题不可预测，如在手写字体识别；亦或处理的问题很容易变更需求；处理的任务只需要一个满意解而不是精确解的时候，这些情况对于人脑的模糊逻辑处理来说不是问题，但对于计算机程序却是难题。而神经网络通过已有大量可参考的经验数据，或者该任务自身能够产生足够的经验数据来完成一个最优解。它不保证任务完成的100%正确，但可以像人脑一样给出一个经验最优解。从模仿人类思维的角度来说，人工智能可能是所有机器学习算法通用性最高的一种，也是达阵图灵测试的最有可能途径。
神经网络解决一切？ 那是在发神经
但是很多情况神经网络并不是人工智能的最优解决方案。什么问题都拿神经网络来套那是神经玻这里可以举个例子-基本的数字识别。