AI模型与人脑在数学机制上并没有什么区别。
只要模型够大、样本够多，AI就可以变得更智能！
chatGPT的出现，实际上已经证明了这点。
1，AI和人脑的底层细节都是基于if else语句
逻辑运算，是产生智能的基础运算。
编程语言的基本逻辑是if else，它会根据条件表达式把代码分成两个分支。
在这个基础上，程序员可以写出非常复杂的代码，实现各种各样的业务逻辑。
人脑的基本逻辑也是if else，if else这两个词就来自英语，对应的中文词汇是如果...否则...
人脑在思考问题时也是这么一个逻辑思路，这点上跟电脑没有区别。
if else语句，逻辑的核心
AI模型的“if else语句”就是激活函数！
AI模型的一个运算节点，我们也可以叫它“神经元”。
它有一个输入向量X，一个权值矩阵W，一个偏置向量b，还有一个激活函数。
激活函数的作用实际就是if else语句，而WX + b这个线性运算就是条件表达式。
在激活之后，AI模型的代码相当于运行在 if分支，而不激活时相当于运行在else分支。
多层神经网络的不同激活状态，实际上也是对样本信息的二进制编码。
深度学习也是对样本信息的二进制编码
AI模型对样本信息的编码是动态的、并行的，而不是和CPU代码一样是静态的、串行的，但它们的底层基础都是if else。
在电路层面要实现if else并不难，一个三极管就可以实现。
2，人脑比电脑聪明，是因为人类获得的信息更多
人脑每时每刻都在获取外界的信息，每时每刻都在更新自己的“样本数据库”，但程序代码没法自我更新，这是很多人能做到的事而电脑做不到的原因。
人脑的代码是活的，电脑的代码是死的。
“死代码”当然不可能比“活代码”更聪明，因为“活代码”可以主动查找“死代码”的BUG。
而根据实数的连续性，只要“死代码”编码的信息是可数的，那么它就总存在编码不到的BUG点。
这在数学上可以用康托三分集来佐证。
不管我们用多少位的三进制小数去编码[0, 1]区间上的实数，总有至少1个点是没法编码进去的。
所以当两个人抬杠的时候，总是能找到可抬杠的点
但是电脑的代码一旦写好就没法主动更新了，所以程序员可以想出各种办法去欺骗CPU。
例如，intel的CPU本来要求在进程切换时要切换任务门的，但Linux就想出了一个办法只切换页目录和RSP寄存器
在intel CPU看来，Linux系统一直在运行同一个进程，但实际上不是。这就是所谓的进程软切换。
所以，只要CPU的电路固定了，那么CPU编码的信息也就固定了。
CPU编码的信息固定了，那么它编码不到的信息就是无限的，就是可以被程序员利用的。
而程序员之所以可以利用这种信息，是因为程序员的大脑是活的，可以动态的更新样本。
3，神经网络的出现改变了这种情况
神经网络真是一个伟大的发明，它在固定的电路上实现了动态的信息更新。
所有写好的程序能处理的信息都是固定的，包括CPU电路，也包括各种系统的代码。
但神经网络不是这样，它的代码虽然是写好的，但它只需要更新权值数据，就可以改变模型的逻辑脉络。
实际上只要不断地输入新样本，AI模型就可以不断地用BP算法（梯度下降算法）更新权值数据，从而适应新的业务场景。
AI模型的更新不需要修改代码，而只需要修改数据，所以同样的CNN模型用不同的样本训练，它就可以识别不同的物体。
在这个过程中，不管是tensorflow框架的代码，还是AI模型的网络结构都是不变的，变的是每个节点的权值数据。
理论上来说，只要AI模型可以通过网络抓取数据，它就可以变得更智能。
这跟人们通过浏览器看东西（从而变得更聪明），有本质的区别吗？好像也没有。
4，只要模型够大、样本够多，或许ChatGPT真可以挑战人脑
人脑有150亿个神经元，而且人的眼睛和耳朵每时每刻都在给它提供新的数据，AI模型当然也可以做到这点。
或许比起AI来，人类的优势在于“产业链”更短
一个婴儿的出生只需要Ta父母，但一个AI模型的诞生显然不是一两个程序员可以做到的。
仅仅是GPU的制造就不止几万人。
GPU上的CUDA程序并不难写，但GPU制造的产业链太长了，远不如人类的出生和成长。
这或许是AI相对于人的真正劣势。
