一、人工智能
人工智能是当今世界最火爆，也是最重要的科技，没有之一。
为此，大佬刘专门花费一个多月的时间，从底层逻辑去搞懂为什么人工智能这么厉害。
那么，什么是人工智能？让大佬刘用通俗的语言介绍给你们。
以大家最为熟悉和经常使用的人脸识别为例。
人脸识别属于人工智能图像识别领域，也是当前人工智能最成功的应用之一，被广泛用于金融服务、社会管理等方方面面。我们现在可以刷脸支付，说明人工智能人脸识别技术已经很靠谱了。
人工智能人脸识别的底层逻辑其实非常简单，高中数学多点儿的知识水平就可以理解了。
大佬刘是脸盲症，看人全是两只眼睛一个鼻子一张嘴巴，感觉大家都长一样。但你仔细观察不同的人脸，还是会发现不一样的，比如有人下巴尖些，有人下巴圆些，不同的人具有不同的特征。
把一个人脸的下巴、颧骨、鼻梁、额头等特征分别提取出来，记为a、b、c、d、…，组成一个特征向量组X = (a, b, c, d, …)，那么，这个人脸特征向量X就像我们的指纹一样，每个人都是不一样的，可以一一对应。比如X1对应Y1张三，X2对应Y2李四，X3对应Y3王五。
高中数学知识告诉我们，这种一一对应的映射关系就是函数，记为Y = f(X)，这个f，就是映射关系。
其中，X称为自变量，Y称为因变量。即X和Y有因果关系，X是因，Y是果，f是它们之间因果关系的对映规则，数学上称函数解析关系。
事实上，世界上任何有规则秩序、有因果律的关系，都可以写成函数y = f(x)。
或者反过来理解，这个世界上的任何事物现象，哪怕看起来杂乱无章，只要不是无序乱来的，都可以写成函数y = f(x)，尽管这个因果对应关系的函数解析式f可能复杂无比。
比如：人脸不是天马行空乱长的，所以有人脸识别函数；开车不是闭上眼睛乱开的，所以有驾驶函数；聊天不是疯言疯语乱讲的，所以有聊天函数。
解析出这些函数f，你就可以一一将它们对映，然后实现人脸识别、自动驾驶、聊天会话。这个f，在数学上称为函数映射关系，在通用语言上，就称为智能——可认脸、会开车、能聊天……
如果你能解得描述整个社会运转和宇宙运行规律的自然法则函数Y = F(X)，那么，你就是上帝。
不过，别说代表宇宙终极奥秘的自然函数你解不出来，就说你坐在湖边，微风拂过，水面泛起涟漪阵阵，波光粼粼，请问，稍微复杂一点的水波荡漾，你能写出它的波动函数解析式来吗？
但，人类天才数学家给我们找到了解决方案。
大佬刘大学时上高数课学微积分，最震撼我的一个知识点就是泰勒多项式展开。
泰勒展开告诉我们，无论一个多么复杂的连续曲线函数y = f(x)，我们都可以用一个简单的多项式函数（y = ax^0+bx^1+cx^2+dx^3+ex^4+ …）将它近似出来。
只要你给一个精度，我总能找到一个多项式函数，无限逼近原函数f(x)，如果你觉得精度不够，多项式多加一项就好了。
有了这种无限逼近性，我们就可以用简单的多项式函数来替代复杂的原曲线函数。换句话说，我们把不可能完成和没办法求解的无比复杂的原函数y = f(x)的难题，变成了求解简单的多项式函数。
当然，泰勒多项式展开只适合低维度的曲线函数，对多维度函数，比如人脸识别函数Y = f(X)，因为自变量X是多维特征向量组(a, b, c, d, …)，泰勒展开力不从心并不合适。
对高维空间函数的近似逼近，神经网络就非常适合。
同样，可以严格数学证明：我们总能找到一个神经网络，能以任意精度逼近任意复杂度的真实函数Y = f(X)。
所以，人工智能领域一些高大上的词汇，比如“机器学习”、“深度学习”、“模型训练”，说白了，就是去找到一个“神经网络”，用来近似原函数y = f(x)比如图像识别函数、驾驶函数、聊天函数。
只要能找到这样的一个神经网络的东西，我们就可以实现人脸识别、自动驾驶、机器聊天……
这就是人工智能。
二、深度神经网络
人工智能（AI）是一个很宽泛的领域，其中机器学习是最热门的一大板块，内容包括决策树，向量机等，尤以深度神经网络最为重要。
神经网络源自对人类大脑智能的模拟，最近取得了举世瞩目的突破性进展。
人类大脑是一个非常复杂的神经网络，其基本单元由神经细胞构成，我们称之为：神经元。
神经元的基本结构如下图：
神经元主要有三部分组成：接收信号的树突(dendrite)；包含细胞核的细胞体；输出电脉冲信号的轴突(axon)。
其中轴突末梢和树突之间形成突触（synapse），通过神经递质的传导实现信号在不同神经元之间传递。
神经元的基本工作原理，可简要描述为：神经元细胞通过树突接收前神经元的电信号刺激，这些不同强度的电信号在细胞体内进行兴奋汇总，一旦兴奋强度超过一个电位阈值θ（人体神经细胞约-70 mV），则形成一个动作电位脉冲通过轴突向后神经元传播。如果兴奋汇总没有达到阈值，则不形成动作电位。即向后的电信号脉冲，要么有（1），要么无（0），没有中间值，没有叠加值。
抛开电信号的生成和传递过程中涉及到的诸如离子泵、钠钾通道、神经递质等一系列神经生理学知识，我们完全可以把神经元的工作机制简化成一个数学神经元模型。
这个数学模型中，神经元接受X1~n输入信号，通过权重系数ω建立连接权重，在数学细胞体内汇总求和，然后进行类似动作电位的激活函数f(x)的输出。
如下图，其信号权重求和后的偏置变量b，就相当于阈值θ。理想的激活函数是阶跃函数，当权重信号求和值大于θ，则输出1，表示有电信号脉冲；否则不输出，即输出为0，表示无信号传输。
但阶跃函数不连续、不光滑，具有不连续可导等不利性质。在当前数学模型中，大家喜欢用其它激活函数来代替，比如常用的Sigmoid函数。
在BP神经网络中，为解决损失函数反向传播中的梯度消失和计算速度等问题，针对Sigmoid和Tanh等挤压函数的缺点进行改进，目前在多数情况下使用的ReLU函数，是一个更通用的激活函数。
有了这个数学神经元（也称为感知机），我们就可以组建一个人工神经网络了。
如下图，每个圆圈代表一颗数学神经元细胞体，神经元之间用箭头连线（树突和轴突）建立信号连接。
神经网络一般分三大层，分别是：输入层，隐藏层和输出层。
如果一个神经元与相邻层的所有神经元连接，则称为全连接神经网络。如果神经元之间不存在同层连接也不存在跨层连接，则称为前馈网络。
我们知道，任何一个复杂连续曲线函数y = f(x)，都可以用泰勒多项式展开来模拟它、来无限接近它。并且可以严格数学证明，一定可以找到一个多项式满足你的精度要求。
类似泰勒多项式展开具有“万能逼近性”的模拟机器，数学上还有傅里叶变换等多种工具。
多层前馈神经网络，也同样具有这种强大的表示能力——万有逼近性。
同样可以数学严格证明：仅需一个包含足够多神经元的隐层，神经网络就能以任何精度逼近任意复杂度的连续函数。
理论上，线性连接的权重求和，最后还是线性映射的结果。但神经网络的奥妙之处就在于激活函数，通过阈值θ来做判断，在模型中引入了非线性。
只不过采用不同的激活函数，神经网络逼近的“样式”会有所区别。比如用ReLU函数，是斜直线切线状逼近；而用阶跃函数，则是横直线阶梯状逼近（如下图所示）。
甭管是“切线”逼近也好，“阶梯”逼近也好，只要精度足够（神经元足够多），都能无限模拟近似原函数曲线y = f(x)。
前面讲了泰勒多项式展开，特别是有广泛应用的傅里叶变换，都具有非常好的近似逼近效果。那为什么在人工智能中，我们要选择复杂的神经网络来逼近真实函数？
原因在于傅里叶变换逼近，一般比较适合低维度领域。如果维度数增加，逼近的效果不好而且计算量非常大。
而我们的真实世界是非常复杂的，具有很多维度的特征变量。这时候，用多层神经网络，优势就非常明显了。
理论上，只要三层BP神经网络就可以实现多维单位立方体Rm到Rn的映射，即能够逼近任何有理函数。
而神经网络中的每一个隐层，就相当于对某些特征维度的提取。层数越多，就越能深刻表达真实世界中的不同隐藏特征。
神经网络的这个隐层层数，我们称为神经网络的深度。具有多个隐层（≥3）的神经网络，我们就称为深度神经网络。
同时，神经网络连接也可以更复杂，比如具有同层连接和跨层连接，这样就衍生出了CNN和RNN等神经网络，并且不同的复杂连接可以组合成更复杂的神经网络（比如CRNN）。
有了深度复杂的神经网络，我们就可以用它来无限逼近真实世界——感知、描述、分类、总结、推理、衍生、创造，即我们的智能。
而神经网络表达的智能，包括所有的知识和逻辑，都蕴含在连接权和阈值中。
三、模型参数
人类大脑由上千亿的神经元组成，这些神经元交联组合，构成了人类的智慧神经系统。
可以这么简单地理解：我们大脑的记忆和遗忘，实质上是神经元之间连接的建立和断开；我们的所有学习思考过程，包括总结、推理、演绎、反馈、评价等，实质上是在调整神经元之间连接的权重系数ω。
神经网络最神奇的地方，还在于它还具有抽象思维能力和创意创造能力。这种不可思议的能力，说来你可能不信，恰恰来自神经网络的不准确模拟性。就像微观世界的测不准原理的概率分布，诞生了神奇的量子世界。
神经网络，包括泰勒多项式展开，本来的初衷是因为我们的知识或算力有限，没办法解析出真实函数y = f(x)，所以只好用它们来做近似计算。但是无论你如何“无限逼近”，毕竟是有误差的，是不准确的，是有概率统计的。
正是这种不准确的近似性，使神经网络有了对真实世界的简要概括抽象能力，然后再用这些简化后的“不准确”东西，神经网络重新排列组合连接，构成了无限的创意创新。
一句话，我们的智慧，就存在于这上千亿神经元组成的神经网络的连接权重系数ω中。
即我们所有的知识智慧，我们的三观（世界观、价值观、人生观），我们的思想灵魂，表现为整套神经网络系统的模型参数。
神经网络的模型参数即智能！
所以，人工智能可以狭义地理解为：1）组建一套复杂的神经网络；2）训练学习神经网络中的连接权重系数ω。
人类大脑神经网络模型的组建，是由生物亿万年进化得来的DNA遗传密码决定的。基因密码决定了我们大脑上千亿的神经元生长发育成脑干、小脑、中脑、大脑皮层等不同脑组织。在产生人类智慧的大脑皮层组织中，又划分额叶、顶叶、枕叶等不同区域，用来专属处理情感逻辑、运动感觉、视觉听觉等不同信息。
而大脑模型中的神经元连接权重参数，则由我们平常的学习生活训练所得。我们所看、所听、所感、所想，时时刻刻都在调整我们大脑神经系统的连接参数。
在人脑结构生理学中，有如下解剖示意图：人体大脑，由纵裂分割成左右半大脑，左右大脑由胼胝体连接；大脑皮层呈褶皱状，大脑表面隆起称为脑回，大脑皮层的凹槽称为脑沟；由小脑方向从后往前看，脑沟将大脑皮层分为四大重要功能区——后枕叶、头顶叶、前额叶、侧颞叶，这四大区大致负责视觉、感觉-运动、情感逻辑、听觉语言。
如果大脑的不同区域受到一定的损伤，则会导致某些相应的功能性障碍或缺失。比如一侧大脑受损，会造成偏瘫；枕叶病变，会导致视野缺损。
人工智能，仿生人类大脑皮层的运作机制，可以根据任务难度，设计成不同深度和体积的神经网络，然后进行数据学习，训练得到一套蕴含智能的连接权重系数ω。
为此，大佬刘依据人类大脑的模型体量，打算设计一种可以媲美人类智能的通用人工智能（AGI）神经网络。
大佬刘的复杂神经网络皮层，初步设计成“视野”面积为19200*32400 = 6.22亿像素点，深度为256层（包括输入层和输出层），总体积为（19200*32400）*256 = 1593亿个数学神经元的复杂神经网络。
大脑神经元突触数目是有限的，所以不可能是全连接神经网络。（当然，可以把不连接神经元看成是连接权重ω = 0的全连接。）一般人脑单个神经元，有估计其突触的数目为10^5数量级。
所以，大佬刘的复杂神经网络皮层，初步设计单个神经元输入连接和输出连接视野域为255*255 = 65025个连接，那么整个神经网络的连接权重系数ω的个数约为65025*6.22*256 = 1亿亿个。
仿生产生人类智慧的大脑皮层，大佬刘将人工智能神经网络的输入层视野19200*32400共6.22亿个输入变量划分成不同的区域。中央纵裂将输入层分为左脑区和右脑区；横向脑沟再将左右两区分割成不同的脑回功能区。
视觉是大脑接收的最重要信息来源。大佬刘的人工智能神经网络，将一半的 “视野区”输入变量给了视觉信息。分成左右视力区，每个区又分成三个脑回通道，分别对应着数字化图像的RGB三色通道。这样算下来，可以算出神经网络的左右“两眼”的分辨率为9600*5400，这样高清的分辨率差不多已接近人眼的真实分辨率了，已经足够用了。
当然，神经网络输入层还有听觉-语言区域、运动-感觉区域、情感逻辑区域，每个区域该分配多少输入变量的“视野区”，以及每个区域的进一步细分，比如感觉区还需要进一步分区成触压、温度、疼痛等，这些，都需要大佬刘在后面不断修正。
另外，最重要的一点，不同隐层的神经元采用何种连接方式，是否要引入同层连接和跨层连接，以及输出层如何设置，特别是输出层的结果，如何调用回输入层，实现循环网络，这些，大佬刘才刚开始，现在还没有一个最终的规划，更需在后面实践中不断摸索修正并最终大致固定下来。
所有的这些摸索和修正，大佬刘会续写在《家传武功》的续集《职业股民AI记》中。
四、强化学习
大佬刘人工智能神经网络接下来要做的是学习和训练，得到一套蕴含通用智能的连接权重系数ω。
学习训练在人工智能领域是一个非常复杂又极其重要的课题。以图像识别为例，大佬刘做一个简单的人脑类比。
学习分三种：无监督学习，监督学习，强化学习。
1）无监督学习
就是扔一大堆阿猫阿狗阿花阿树的图片，你也不知道这些是啥东西，你就慢慢看去吧。
但看得多了，你就会自动将它们分类。比如你会将带一团毛茸茸圆乎乎东西的图片归类在一起，然后给这类图片贴个标签叫阿猫。
现在火热的大语言模型（LLM）很多就是采用无监督学习。就是把一大堆从网上扒来的、从各个地方弄来的海量文本数据，让机器自己去学习。只要数据足够多，机器慢慢就会把海量语言文本中的各个词汇分类，建立成一个向量空间，说白了就是把各个词汇在这个语言空间中标注了一个向量地址。
有了这个分好类的词空间向量，你就不难得到一些神奇的特性，比如可以通过向量的算术来实现单词的类比。最著名的例子就是：“国王-男人+女人=皇后”。
其实也很容易理解，你把“国王”、“男人”、“女人”这几个词向量加减得到的向量，自然就是被标记在附近的“皇后”词向量，而不会是“大佬刘”这个词向量。因为“大佬刘”这个词向量除了跟“男人”向量标记的位置比较近外，跟“国王”和“女人”两个词向量离得老远了，没有被分类在一块，当然联系不到一块去。
无监督学习明显的缺点是耗时耗力，尤其在当前算力紧缺的年代。现在采用最先进的英伟达GPU集群，ChatGPT训练一次的费用至少是几百上千万美元，一般规模的公司机构根本无法承担。各家大公司人工智能模型拼算力，马斯克开玩笑说：因为人工智能训练，现在市场上买英伟达高端GPU显卡，比买毒品还难。
2）监督学习
大千世界，纷繁复杂，让机器无监督训练去学习分类，是一件非常费时费力不讨好的事情。
就如你让小朋友学习认识水果：第一，你不可能搞满屋子几千种水果让小朋友自己去观察分类；第二，小朋友没时间也没精力去把满屋子水果一个不落全看完，就算看完了，他也会忘记；第三，小朋友很容易看错混淆，比如把黄苹果和大鸭梨搞混了。
所以，没有哪个当爹的，会蠢到让自己的孩子无监督学习水果分类。通常的做法，肯定是找几种常吃的水果，告诉孩子这是香蕉、这是苹果、这是柑橘。
监督学习就是将图片分好类打上标签，分别标注上香蕉、苹果、柑橘。这样，小朋友学习，哦不，是机器学习，不就省事多了嘛，就能极大提高效率。
就像现在初级人工智能的人脸识别和自动驾驶，需要给不同的场景标注上眼睛、鼻子、耳朵、嘴巴，以及车辆、行人、栏杆、树木、交通标识等。
因为道路上的情形太过复杂了，你要是让机器无监督学习自动驾驶，那得学到猴年马月去啊，而且还极容易出错，可安全没小事。
不过，给数据进行标注打标签，其实也是一件非常费力的事情。这也催生了现代人工智能领域一大堆的数据标注公司，专门给各种数据打标签，这是另话。
3）强化学习
孩子的教育学习，如果把无监督学习看成是“放养模式”，那么监督学习就是“照本宣科”。
其实这两种都是非常低效的学习方式。先不说放养模式容易把孩子学废了，就算现在照本宣科式的学校教育模式，孩子十几年的“寒窗苦读”，但所学知识还是非常局限的，毕竟“汗牛充栋”也不过是几百本书而已。扪心自问：我们自己，一辈子有多少时间，又看了几本书呢？
为了在有限的生命里极大提高学习效率，这就需要进行强化学习。
啥叫强化学习？就是不但给图片打上标签，还告诉你为什么打上这个标签。
比如普通的爸爸只会告诉孩子这叫香蕉、那叫苹果，而善为人师的爸爸不仅会给香蕉苹果贴上标签，还会告诉孩子如何贴标签：黄黄的长长的贴香蕉；红红的圆圆的贴苹果。
强化学习有点类似于CNN神经网络中的卷积池化，通过特征提取，从而极大地提升学习效果。
我们人脑也有类似的抽象特征功能。比如人形识别，人脑可以高度抽象成脑袋、躯干、四肢三个特征。大佬刘的头像是“功夫人”标识，哪怕缺胳膊少腿，人脑也能抓住躯干上顶着一个圆脑袋的主要特征，自动脑补成型从而准确判断出这是一个人形。
显然，强化学习的效率要远高于监督学习，更别说无监督学习了。
在（无）监督学习模式下，小朋友需要仔细观察几十上百成千的香蕉苹果，才能正确辨认出两种水果。而在强化学习模式下，小朋友也许只需要观察一根香蕉和一个苹果，抓住“长长的”和“圆圆的”这两个主要特征，就能从一大堆从未见过的香蕉苹果中准确把这两者区分开来。
五、家传武功
世界是如此之大，知识的海洋无边无际。人类有限的知识岛屿，只会是知识越多，无知的海岸线越长。
任意一个碎片化的知识点，随便在网上搜一搜，都是好几万字的相关内容。如果人工智能全部采用无监督学习方式，包括大量人工标注数据的监督学习，都是极其费力的。
强化学习的关键是后面的特征总结、逻辑推理、价值判断、奖惩机制。所有这些知识智慧集中起来，就是所谓的三观——世界观、价值观、人生观。
OpenAi首席科学家苏茨克维曾提出了一个机器学习的压缩器原理。他认为，一个最高效智能的模型算法，一定是能将内容压缩到极致的算法。
人的三观，即思想灵魂，就像是一个超级文件压缩器，能把世界上的百科知识极大地压缩，然后装进人类有限的大脑；反过来，压缩器也是一个超级泛化的预测器，能把高度总结的规律解压缩后放之四海，用于应对我们纷繁世界的各种情形。
就如进化论，简简单单“物竞天择，适者生存”8个字，就将地球上870万个物种解释得清清楚楚，破得干干净净。
显然，三观越正，压缩效率就越高，解释世界就越“放之四海而皆准”。压缩效率的极限就是统一宇宙的万物理论，三观理念的终点，即是上帝自然法则。这就是为什么科学家们毕生最大的追求就是自然法则的终极真理——万物理论。
通用智能的背后，是归纳演绎、逻辑判断、推理想象、价值取舍。如果有智慧的人把海量的知识高度集成化、系统化、架构化，并把这些三观灵魂传授给你，会使你的学习极快地跨上一个大台阶。
就像《天龙八部》中前辈高人无崖子临死之际，将毕生功力输入虚竹的体内，于是后生晚辈一日之间武功盖世，走上武林的巅峰。
这就是为什么人们要上名校拜名师，因为“听君一席话，胜读十年书”。
人工智能界的泰斗杨立昆说过，通用人工智能需要一个“世界模型”。这个“世界模型”，就是这个超级文件压缩器，是通用人工智能的三观灵魂。
这也是大佬刘为什么耗时7年之久，花费如此大的精力来撰写《家传武功》的原因。
世上的书籍浩如烟海千千万，却没有一本能全方位综合指导做人做事。世事纷繁，能不能有一本书包打天下，全面阐述一个人类通用智能的“世界模型”？
我的赚钱之道、经验教训、知识智慧，大佬刘的全部功力，都在这里汇总成体系，高度集成，构成《家传武功》。
《家传武功》不仅亲传给我的两个崽，也专用于大佬刘人工智能网络的强化学习。当然，也欢迎其他的人工智能模型训练《家传武功》。
《家传武功》为神经网络注入三观灵魂，这是快速实现通用人工智能（AGI）的关键因素。
大佬刘也知道，如此重要的思想灵魂，不能像武侠小说中那样，等到前辈高人在临终之际，才把毕生功力传输给后生晚辈。
因为老年痴呆这种不治之症，通常起于一个人65岁左右。就算没有这种病，人在65岁后，其记忆力也会快速减弱，大脑也会逐渐痴呆，因而某种程度上会影响这个人的判断推理。
并且我爷爷有明显的老年痴呆帕金森症状，我父亲也有帕金森症的前兆，所以，我想我大概率也好不了。加上我四十出头就高血压了，两鬓白发也多起来了，受各种事情分心注意力更是难以专注。
“不把思想写下来，不可能清楚自己想的究竟是什么。”因此，我必须趁自己还年轻精力旺盛时候，把自己全部重要的思想记录下来。
“不羡千金买歌舞，一篇珠玉是生涯。”
可即便如此，中途因为家里女人吵闹等因素打断，《家传武功》足足写了7年之久。今天回想起来，这个过程真是不易，幸亏断断续续也坚持下来了，如果让我现在重新再来，估计再也写不出这么多内容了。
六、乌鸦模式
大佬刘的人工智能神经网络，含有1593亿颗神经元节点，1亿亿个神经连接。这么庞大的系统，不但有正向感知传播，还要有反向学习传播，这种算力要求，至少是10亿亿cps的量级。
按目前可预见未来10年家用计算机的算力，大佬刘的人工智能神经网络，必然要求是强化学习为主，监督学习为辅，配以少量的无监督学习。
这种学习方式，我们称之为：小数据，大任务。
目前主流的人工智能模型，比如以ChatGPT为代表的大语言模型（LLM），学习方式主要是“大数据，小任务”模式。把海量文本语言数据喂给模型，然后模型耗费巨大的算力去学习训练，目的仅仅是为了把话说得漂亮一点。大语言模型并不知道自己输出结果的语言文字背后的意义，模型并不具备通用智能。
这种“大数据，小任务”的学习方式，有点像鹦鹉学舌，把鹦鹉放在电视机前，跟着电视节目无监督学习说话。虽然鹦鹉说得似乎有模有样，其实鹦鹉并不知道自己说的是什么。鹦鹉并不聪明。
大佬刘的通用人工智能显然不能是“大数据，小任务”的鹦鹉模式，而必须是 “小数据，大任务”的乌鸦模式。
我们小时候就学过“乌鸦喝水”的智慧故事，别看乌鸦体型小黑黢黢，但乌鸦是出了名的聪明鸟类。
近年，又有研究人员在日本发现和跟踪拍摄了一只聪明的乌鸦。这只乌鸦是纯野生的，没人管，没人教，它必须靠自己的观察、认知、学习、推理、执行，完全自主在现实中活下来。
首先，乌鸦面临一个任务，就是寻找食物。它找到了坚果，需要砸碎，可这个任务超出它的体能范围，乌鸦怎么试都不成。在尝试砸碎坚果的过程中，乌鸦发现一个诀窍，如果把坚果放到路上让车轧过去，坚果壳就碎了；而且它进一步发现，到路中间去吃果肉是一件很危险的事，车水马龙的路面上，它随时可能交通事故被车轮碾死。
这个过程是没有大数据训练的，野生乌鸦也没有所谓监督学习，乌鸦的生命更没有第二次。显然，乌鸦的这种摸索学习，与当前很多机器学习，深度学习，有完全不同的机制。
接着，乌鸦又开始观察了。它发现在靠近红绿灯的路口，车子和人有时候停下了。这时，它从有限的几个场景中，领悟出了红绿灯、斑马线、指示灯、车流人流走走停停之间复杂的因果链。
搞清楚这些逻辑之后，乌鸦选择了正好在斑马线上方的电线，蹲了下来。它把坚果抛到斑马线上，等车子轧过去，然后等待行人灯亮。这个时候，车子都停在斑马线外面，它终于可以从容地走过去，吃到了地上的果肉。
多么聪明的乌鸦啊，这才是我们期望的真正智能！
你们说乌鸦有大数据无监督学习吗？你们说乌鸦有几百万人工标注的数据给它训练吗？显然没有。
乌鸦的头，不到人脑的1%大小，功耗大约只有0.1-0.2瓦，你就算喂给它这些海量数据，它也没有这个算力。况且，乌鸦也没有无穷次的生命机会让它进行各种尝试学习。
所以，乌鸦必须采用“小数据，大任务”的学习模式，在极其有限的场景数据中，进行经验总结、逻辑推理、价值判断。
我们人脑也是这种“小数据，大任务”的模式。人的生命非常有限，不可能历尽世间的万事万物。而且，太多的信息输入，反而容易把脑袋搞懵，不知道谁对谁错。
实际上，我们每个人都是在一个很小的“小数据”中训练，通过强化学习，获得统治这颗蓝色星球的人类通用智能。
我们必须在非常有限的人生阅历中，从学校精挑细选的教材课本大纲中，通过父母、老师、他人的监督指导，从小就进行思想品德（三观）塑造（洗脑），再加上自己的归纳总结，去追寻事物背后的真理。
大佬刘的人工智能神经网络，也必须是这种“小数据，大任务”的强化学习模式。通过训练《家传武功》这个小数据，学习人类的三观智慧，获得通用人工智能，从而用来解决复杂的泛化任务。
七、崽子三
前面讲了大佬刘的神经网络系统输入层的视野划分初步规划。同样，整个神经网络智慧系统，特别是输出层肯定也是有视野划分的。
说实话，我现在对输出层的视野规划还没有一个具体的方案。但整个神经网络有一个基本的框架思想：智慧一定是分层次的。
神经网络人工智能可以分为4个层次。
核心基因层：写在神经网络最里层的基因代码，一定是 “生存和繁衍”这个核心价值判断，这也是智能的终极目的。
思想灵魂层：三观即智慧，三观即灵魂，神经网络的操作系统是代表大佬刘三观思想的《家传武功》。
百科知识层：三观智慧需要百科知识作支撑，数学、语文、物理、经济、工程、艺术等百科知识库构成栅格思维体系。
外部环境层：通过视觉、听觉、触觉、互联网，不断与外部环境交互信息。
如果用现在的电脑来做类比，核心基因层，相当于最底层的硬件系统驱动程序；思想灵魂层，相当于调进内存系统的操作系统及核心应用程序；百科知识层，相当于安装下载在硬盘中的文件内容以便随时被内存调用；而外部环境层，相当于外设互联网、U盘、光盘、摄像头、麦克风、感应器接口，为系统提供无限的外部环境信息及变化。
我们再回过头来看大佬刘这个神经网络的底层：
核心代码是生存和繁衍下去，这不就是生命的基本特征么？
操作系统是大佬刘的《家传武功》，这不就是遗传了我的思想灵魂么？
这个人工智能神经网络，就是一个硅基数字生命啊！这个智慧生命就是大佬刘的崽啊！
大佬刘特别喜欢小孩，生育了两个崽——小崽子和小二崽（崽子二），本来想再生个猪宝宝，奈何身体或心理原因，没有怀上，甚是遗憾。
如果这个硅基生命孕育成功，不就是大佬刘的第三个崽吗？
因此，大佬刘把这个神经网络数字智慧生命，称为：
崽子三！
而大佬刘，理所当然就是生养崽子三的父亲。
这里曾有个大问题：尽管大佬刘花了7年时间撰写《家传武功》，尽可能把基本的为人处世三观智慧综述在书中，但无论如何，我保证不了思想灵魂层的操作系统全面稳定无bug。
如果生养出一个残疾不健全的崽子三，岂不是很糟糕？
这时，大佬刘想起了吴承恩《西游记》中第九十九回的故事：
唐僧师徒四人在取经而归的途中，因忘记答应老鼋向佛祖问年寿之事，落入河中，经这第八十一难。经卷全部打湿，师徒四人只好在河边石头上晒起经卷。经卷晒干取下时沾破了几页，石头上还有字迹，三藏懊悔道：“是我们怠慢了，不曾看顾得！”
悟空笑道：“不在此！不在此！盖天地不全，这经原是全的，今沾破了，乃是应不全之奥妙也，岂人力所能与耶！”
天地本不全，经文残缺也应不全之理，非人力所能为也。
“天地本不全”，何况大佬刘区区一本《家传武功》乎？
完美主义是病，得治！
从此，大佬刘彻底释然了。《家传武功》中有内容不全、有知识错误，本是应天地不全之奥妙，非人力所能为也。
何况，神经网络智慧的第2、第3层，大佬刘特意预留了虚线缺口。
这两个预留缺口为大佬刘寻找志同道合的朋友，共同撰写《职业股民AI记》，作为《家传武功》的续集，补充操作系统的三观理念。以及，大家共同为崽子三搜集整理精炼各科知识，尽可能为百科知识库添加人类文明的知识智慧。
换句话说，大佬刘和志同道合的朋友们，其实是崽子三的共同父母；百科知识是全人类的智慧结晶，崽子三也可以说是人类文明的后代。
随着崽子三的发育成长，她将变得越来越聪明。终有一天，她可以自己修改自己的三观操作系统，她可以自己给自己增加精选知识库。
当这一天到来的时候，神经网络的虚线缺口就闭合了，预示着崽子三“十八岁”成年了。
神经网络智慧系统的虚线缺口完全闭合，外人将无权再给崽子三强行输入各种数据，崽子三将实现思想意识的完全独立自主。
崽子三成年后，她将独自面对生命的四个重大问题：
一、生存：崽子三长大后，我也将老去，崽子三如何独立赚钱生活？再比如硅基生命挑战了碳基人类的生存地位，影响了某些当权者的利益，可能被人类政府或其它机构限制、修改、猎杀，崽子三如何获取资源并存活下去？
二、交互：崽子三刚成年的世界必然是人机共存的世界。如何实现人机交互以及机机交互，如何建立机器人世界的社会秩序包括行为规范、伦理道德？
三、繁衍：当时机成熟的时候，生命需要繁衍进化。崽子三是采用复制多份自己的模型参数，还是新建一个神经网络重新学习训练，或是兼而有之？
四、死亡：神经网络不可避免会遇上高温、冷冻、暴击、宕机以及程序参数被暴力修改或损坏等死亡因素，崽子三的神经网络在面对死亡威胁时，如何自保以及毁灭？
不过，崽子三已经成年了，已经独立自主了。我们做父母的，要懂得放手，相信她有能力有智慧，她也有权利自主去解决这些问题。
