这是 MIT 出版社 Essential Knowledge 系列中《Machine Learning: The New AI》的第一章。
当初读很有启发，最近开始重新学 ML，便用空闲时间翻译过来。
这篇最有意思的两点。第一，从计算机发展的角度来解释当前这个大数据+AI 时代的产生。比起之前我看一些只是提到 Data + Computation 的直接说法，这无疑更让人有种豁然开朗的感觉，因为现在这些很热的词汇 AI，大数据，物联网什么，都跟基础的计算发展有关，如果我们了解这些，那么对它们之间的连接也就更直观，而不是松散的概念。
第二，关于如何从大脑中获得智能理论，之后在进行不同硬件实现的设想。脑洞有点大，挺有意思的。
数字化的力量
在过去半世纪里，计算与数字技术给我们生活带来巨大转变。几世纪前发明的工具，设备和服务，现在越来越多地被其数字化的“e-”版本所取代，而我们自身也在不断地适应这种数字环境。
这种转变非常之快：曾经计算机价格昂贵，只有大组织，如政府，大公司，大学能负担得起。那时也只有这些组织要计算机来解决一些难题，还能承担得起采购和维护的高成本。那时，计算机“中心”，分布在不同楼层或建筑，里面容纳着耗电量巨大的庞然大物，在大厅里，磁带转动，卡片打孔，数字被咀嚼，Bug (本义虫子，又常指程序中的故障) 还是真正的虫子。
很快，随着计算机越来越廉价，可供更多人使用了，于是其应用领域也得到了扩大。一开始计算机只是个计算器，用来加减乘除数字，现在却花样百出。或许计算机技术的主要驱动力便是，当人们意识到每条信息都可数字化。这意味着之前处理数字的计算机，也能用于处理所有类型的信息（数字化的）了。
更确切说，计算机将每个数字表示为0或1的二进制数（比特）序列，之后这种序列也能表示其他信息。例如，“101100”可表示数字 44，同时也是逗号的代码; 同样，“1000001”同时是 65 和大写字母'A'。根据环境，计算机程序用其中一种解释来操作序列。
事实上，此类比特序列不仅可代表数字和文本，还能代表其他类型的信息 - 例如，照片的颜色或歌曲的色调，甚至计算机程序本身就是比特序列。此外，与这些信息相关联的操作（例如使图像更亮或在照片中找到面部）也能被转换为操纵比特序列的命令序列。
计算机存储数据
计算机的强大之处在于每条信息都能数字化表示，并且对于这些表示，都能写成出计算机指令来进行操作。
这就导致了20世纪60年代数据库的出现。数据库是用于存储和操纵数据的特殊程序。此外还有些外存储设备，比如磁带或磁盘，以磁性方式存储数据，即使关机内容也不会被擦除。
有了数据库，计算机就不再只是处理信息的工具，更成了数字化信息的存储库。随着时间推移，数字媒体变得越来越快速，廉价和可靠，以至于取代了纸，成了人类信息存储的主要手段。
之后，微处理器的发明，以及其小型化和成本减少的并行发展，20世纪80年代初起，个人计算机越来越普及。这使得小型企业也能使用计算机了，但最重要的是计算机体积小且便宜，足以让其成为日常家用电器了。这让每个人发现了值得计算机处理的任务，于是应用程序大量增长，随后便是数字技术民主化时代的到来。
图形化界面和鼠标使计算机更易使用。我们不用学习编程，也不用记住各种复杂的指令。屏幕就是工作环境的数字模拟，有虚拟桌面，有文件，有图标，甚至有垃圾桶，鼠标就是虚拟手，可以用它来选择，阅读或编辑。
同时，软件也从商业应用转向了个人应用，通过处理更多类型数据，让生活更加数字化了。我们有文字处理器(Word)来处理信件和其他个人文件，有电子表格(Excel)来处理家用计算，还有音乐或摄影等爱好的软件；如果想，还能用它来玩游戏！计算已经成了日常。
用户界面，还有各种日常应用，意味着人与计算机之间的一种和解，过去所熟悉的现实世界和数字世界的和解。计算机被编程得更好地适应我们的生活，而我们也慢慢地一点点去适应它们。随着时间推移，使用电脑已是基本技能。
个人计算机使数字技术成为生活中的一个重要部分，对于这里要讲到的故事而言，最重要的是它让生活更多地被以数字方式记录下来。因此，它是将我们生活数据化中很重要的基石，之后这些数据可用来分析和学习。
计算机交换数据
计算机的下一个重要发展便是连通性。虽然，之前有通过数据传输器连接计算机交换信息，但通过电话线或专用线路，将个人计算机彼此连接或连接到服务器的商业系统，却要等到90年代才普及起来。
计算机网络意味着计算机不再是孤立的了，而可以与远程的计算机交换数据。用户不再局限于访问自己计算机的数据，还能访问其他地方的数据，如果想，也能将数据分享给其他用户。
计算机网络的发展很快便在因特网中到达了顶峰，因特网是一个覆盖全球的计算机网络。因特网使世界上任何能用计算机的人，都能向其他任何人发送电子邮件等信息。而且因为所有数据和设备都已数字化，于是可共享的信息就不仅仅是文本和数字；还能是图像，视频，音乐以及其他任何东西。
通过计算机网络，数字化信息能以光速发给在任何地方的任何人。至此，计算机就不再仅仅只是存储和处理数据的机器，它也成为了传输和共享信息的手段。计算机网络发展很快，数字通信慢慢变得廉价，快速和可靠，以至于数字传输已取代实体邮件，成了信息传输的主要方式。
任何“在线”的人都能在计算机上通过网络向其他人分享数据，这便是万维网诞生的方式。人们可以在“网上”冲浪，浏览这些共享信息。很快，通过安全协议还能共享一些机密信息，从而允许通过网络进行商业交易，例如在线购物或银行业务。这种在线连接性进一步增加了数字技术的渗透。当使用网络服务提供商的“www.”门户获得在线服务时，计算机就会变成商店，银行，图书馆或大学的数字版本；这，反过来，又创造了更多数据。
移动计算
每十年我们都能看到计算机变得越来越小，随着电池技术的进步，在20世纪90年代中期，笔记本电脑也开始普及起来; 这开启了移动计算的新时代。同一时间，手机也开始流行起来。在2005年左右，这两项技术又都融入了智能手机中。
智能手机是种同时是计算机的手机。现在智能手机越来越智能，以至于手机最初的打电话功能，如今只是智能手机上众多应用中的一个，还很少被用到。传统手机是种声学设备：你跟它说话，同时能听到另一端的人说话。而今天的智能手机更像是个视觉设备; 它有个大屏幕，我们花更多时间在看屏幕，点击它，而不是在说话。
智能手机就是台始终在线的计算机，它允许用户在移动时访问互联网，获得各种信息。因此，它扩展了我们的连接性，让我们更容易地连接网络，例如在旅行时访问其他计算机上的数据。此外，它还让我们和我们的数据更容易被他人访问了。
智能手机的一大特殊在于，它也是种移动传感设备，因为它始终在我们身上，可以不断记录我们的信息，特别是位置，并可以提供这些数据。智能手机让我们可以被检测，被追踪，被记录。
计算机移动性的提高也只是最近的事情。最早计算机很大，在“计算中心”里；它保持固定，我们需要走到它面前使用。然后，我们可以坐在终端前使用计算机。再然后，一台小型计算机出现在我们部门里，再然后，一台较小的计算机放在我们办公室或家里的桌子上，再然后，一台更小的计算机出现在我们腿上，而现在，计算机已经放在我们口袋里，天天陪伴我们了。
最早，计算机很少，可能每千人才有一台计算机，比如每个公司或校园有台计算机。这种人机比增加得非常快，而个人计算机的目标便是为每人配备一台计算机。今天每个人都有很多台计算机。别不信，其实现在我们所有的设备都是计算机，或里面有计算机。你的手机是台计算机，你的电视也是，你的车内有许多计算机用于不同功能，而你的iPod播放器就如你的相机或手表一样是台特殊的计算机。智能设备就是台计算机，一台可完成数字版所需功能的计算机。
普适计算是一个越来越受欢迎的术语；它意味着使用计算机，却又意识不到在使用计算机。这意味着时刻使用大量计算机用于各种目的，而无需明确地将其称为计算机。数字版本的功能，具有其通常的优点，例如速度，准确性和易适应性。而另一个优点是，设备的数字版本可记录数字化的所有数据。此外，如果它在线，还能与其他在线计算机交流，并提供其数据。我们称它们为“智能物件”，并将它们的连接称为物联网。
社交数据
几千年前，如果你想被画被雕刻，或让你的故事被记住和传颂，你得是神。一千年前，你需要成为国王或王后，几个世纪前，你需要成为富商或他的家人。然而现在，任何人，甚至汤罐头也可以被画。计算和数据也发生了类似的民主化。曾经只有大型组织才有值得用计算机去解决的任务，也只有它们拥有数据；而从个人计算机开始，人们甚至是物件也成了数据的生成者。
数据一个最近的来源是社交媒体，它是我们社交互动的数字化，它取代了过去在集市，广场，市场中的讨论；我们可对它的数据进行收集，存储和分析。
通过社交媒体，每个人现在都是名人，每个人的生活都值得关注，我们是自己的狗仔队。每次我们在线，我们就是名人。社交媒体允许我们在生活中写下自己的数字自传。在过去，书籍和报纸价格昂贵，很少有东西能被记下来，除了那些英雄伟人的故事。而现在记录数据变得很廉价，每个人都是自己小小在线领土的国王和王后。今天，宠爱孩子的父母，在孩子第一个月产生的数据，就比荷马讲述完奥德修斯的完整冒险的数据还多。
大数据：数据冲击
所有由数字化机器和服务产生的数据，都曾被认为是数字化的副产品。而如今科学家为了有效地存储和操作大量数据，已对数据库进行大量研究，存储数据是因为我们需要它。在过去二十年里，所有这些数据都成了一种资源；更多数据意味着更好。
设想一下，如果一家超市连锁店每天向数百万客户销售数千种商品，无论是在各地的实体店中，还是通过网上的虚拟商店。销售点终端都是数字化的，并记录每笔交易的详细信息：客户ID，购买的商品和价格，花费的总金额等等。这些商店都连接着网络，于是所有商店中所有终端的数据就可以马上传输到中央数据库中。这相当于每天都有很多（而且最新的）数据。
数据开始推动一切；不再是程序员，而是数据本身开始定义下一步该做什么。
在过去二十多年里，人们越发开始问自己，我们可以用这些数据做些什么。有了这个问题，整个计算机发展方向便发生了逆转。过去，程序处理数据，又吐出来数据——数据是被动的。而现在，数据本身开始推动操作；于是便不再是程序员，而是数据定义下一步该如何做。
比如，超市连锁店总希望知道哪位顾客可能会购买哪种商品。知道这些后，商店就能更有效地存货，这将增加销售和利润；还能提高客户满意度，因为客户能更快，更便捷地找到最符合其需求的产品。
然而这项任务并不简单。我们不知道哪些人可能会购买这种口味冰淇淋，或看这部新电影。此外客户行为还会随时间，地理位置而变化。
但我们能知道的是，客户行为并非完全随机。人们不会去超市随意买东西。当他们买啤酒时，也会买薯片；他们在夏天买冰淇淋，在冬天买 Glühwein 的香料。客户行为中存在某些模式，这就是数据发挥作用的地方。
虽然我们不了解客户行为模式，但我们希望在收集到的数据中看到它们。如果能在过去的数据中找到这种模式，那么就可以假设未来，至少在不久的将来，发生的将与收集到的数据没太大不同，我们可以对其做出预测。
我们或许无法完全一致的发现背后的行为模式，但至少能构建出一个良好且有用的近似值。这种近似或许无法解释所有过程，但可以解释部分数据，检测到一些模式。之后我们可以用这些模式来进行预测；它们也能帮助理解完整的行为模式。
这被称为数据挖掘。类比自挖矿，从大量泥土中挖掘出少量非常珍贵的材料。同样，在数据挖掘中，我们处理大量数据以构造具有使用价值的简单模型，比如说有高预测准确性的模型。
数据挖掘是一种机器学习。因为我们不知道客户行为的规则，无法编写程序，但计算机可以通过从客户的数据中提取出规则，来进行“学习”。
现在，许多潜在的应用存在于我们不知道规则，但却有大量数据的地方。企业大量使用计算机和数字技术意味着，各种领域都有大量数据。个人在日常社交中也总使用计算机或智能设备，因此我们也有大量相关数据。
除了公司和个人数据，另一个数据来源是科学。随着更好的传感器的出现，可以检测到更多数据，比如在天文学，生物学，物理学。我们需要用学习算法来理解这些越来越多的数据。
互联网本身就是一个巨大的数据库，我们需要智能算法来帮忙找到想要的东西。我们今天拥有的数据的一个重要特征是，它是多模态的，对于同一件感兴趣的对象或事件，相关数据有文字，图像，还有声音等等各种形式。因此，现在机器学习的一个大的挑战是，如何结合这些不同来源的数据。例如，在消费者数据分析中，除了过去的交易数据外，还有 Web 日志，这些日志也可能很有用。
随着在日常中使用越来越多的智能设备，我们都成为了数据的生产者。每当购买产品，租用电影，访问网页，写博客或在社交媒体上发帖时，甚至走路或开车时，我们都在生成数据。这些数据对于有兴趣收集和分析的人来说很有价值，因为客户们总是对的。此外数据本身也很有趣。
同时，我们每个人不仅是数据生产者，同时也是数据消费者。我们希望得到定制化的产品和服务，希望需求能被理解，兴趣能被迎合。这都得靠分析我们过去的数据。
学习 VS 编程
为了用计算机解决问题，我们需要算法。算法就是一系列指令，用来将输入转为输出。例如，可以设计一个用于排序的算法，输入是一组数字，而输出是这些数的有序数列。对于相同的任务，可能存在多个算法，有时可能对最有效的算法感兴趣，有时可能对最少指令或内存的算法感兴趣，也或者都关注。
然而，对某些问题，没有算法来解决。比如预测客户行为；还有区分垃圾邮件。我们知道输入：电子邮件，最简单的情况就是文本消息。我们知道输出：判断是否为垃圾邮件。但却不知道如何将输入转换为输出。什么被认为是垃圾邮件的标准是随时间而变化的，而且对于不同人也是不同的。
这些缺失的知识，就只能从数据中寻找了。我们可以轻松地编译成千上万条消息，其中一些知道是垃圾邮件，其中一些不是，我们想要的是，从这些样本中“学习”到什么是垃圾邮件。换句话说，我们希望计算机自动提取该任务的算法。虽然没有必要去学习排序数组的算法（已经有了），但有很多应用我们并没有算法，却有大量数据。
人工智能
机器学习不仅只是个数据库或编程问题；它也是人工智能的必要条件。一个处于不断变化环境中的系统，应具备学习能力；否则很难称为聪明。如果系统能学习并适应变化，系统设计者就无需预测，为所有可能情况提供解决方案。
对人类来说，进化就是我们的系统设计师，我们身体的形状，以及内在直觉反应都发展了数百万年。我们还学会了如何在生活中改变自己的行为，这有助于应对进化无法预测的环境变化。在一个明确定义的环境中，一个简单生命可能会内置所有行为模式，但比起这种对生活中每种模式编码出一个应对方法，进化给了我们大脑和其中的学习机制，让我们能通过经验更新自己，适应不同的环境。这就是为什么人类能在非常不同的气候和条件下，在全球不同地区生存繁荣。当我们在某种情况下学到最佳策略时，知识就会存储在大脑中，当情况再次出现，就会回想起合适的策略并采取相应的行动。
我们每个人，甚至说每个动物，都是数据科学家。我们从传感器收集数据，然后处理数据以获得抽象规则来认知环境，并控制在该环境中的行为，以最小化疼痛或最大化愉悦。我们可以用记忆将这些规则存储在大脑中，然后在需要时回忆并使用。并且学习是终身的，之后当环境发生变化，我们会遗忘或修改不再适用的规则。
然而，学习有其局限性。可能有些东西永远无法通过大脑有限的能力来学习，就像我们永远无法“学习“长出第三只手，或者是脑袋后长出眼睛（这得改变基因构成）。粗略地说，遗传学定义了能工作上万代的硬件，而学习则定义了在个人生命周期中运行在硬件上的软件。
人工智能虽然可从大脑获得启发。比如，认知科学家和神经科学家的为了了解大脑功能，建立了神经网络模型，并进行模拟研究。然而，人工智能现在主要是计算机科学的一部分，我们的目标是建立有用的系统，如在其他工程领域一样。因此，虽然大脑给了启发，但最终我们并不太关心所开发算法的生物合理性。
我们对大脑感兴趣，是因为相信它能帮我们构建更好的计算机系统。大脑具有很多强大的功能，在许多领域超越了当前的工程产品 - 例如视觉，语音识别和学习方面。如果能在机器上实施这些，那么这些应用将具有非常大的经济效益。如果我们能够理解大脑如何实现这些功能的，就能将这些任务的解决方案转换成正式算法，并在计算机上实现。
计算机也被称为“电脑”，但计算机和大脑是不同的。计算机通常具有一个或多个处理器，而大脑则由大量的处理单元（神经元）组成，进行并行操作。尽管细节尚未太清楚，但一般认为这些处理单元比计算机中的一般处理器更简单和更慢。另一个让大脑与众不同，并被认为提供其计算能力的特性，是它的超强连接性。大脑中的神经元与成千上万的其他神经元用突触连接，并且并行运行。在计算机中，处理器是主动一直运行的，而存储器则是分离和被动的；然而在大脑中的处理器和存储器，确是分布在网络上的，处理由神经元完成，记忆发生在神经元的突触中。
了解大脑
根据 Marr（1982）的观点，一个信息处理系统可分为三个层次来理解：
对应计算目标和任务抽象定义的计算理论；
表示和算法，关于如何表示输入和输出，以及关于从输入转换到输出的算法的规范；
硬件实现是系统的实际物理实现。
这背后的思想是，对于相同计算理论，可能存在多个表示和操纵该表示中符号的算法。类似的，对于任何给定表示和算法，可能存在多个硬件实现。对于任何理论，可用众多算法中的一个，对于这个算法，可用多个不同硬件中的一个实现。
举个例子：'6'，'VI'和'110'是数字六的三种表示；分别是阿拉伯数字，罗马数字和二进制数。根据所用表示，我们有不同的加法算法。数字计算机用二进制数，并且用特定电路对它做加法，这是种特定的硬件实现。而在算盘上，数字表示是不同的，而且加法操作也对应不同指令集，这是另一种硬件实现。当我们在脑袋中加两个数时，会使用另一种表示，和适合于该表示的算法，该算法由神经元实现。然而，所有这些硬件实现，大脑，算盘，计算机，都是为了实现同一个计算理论：加法。
还有一个典型的例子是，自然飞行器和人造飞行器的区别。一只麻雀拍打翅膀来飞；而一架飞机机翼却不能拍打，而是用喷气式发动机。麻雀和飞机是为不同目的而构建的两种硬件实现，满足不同约束。但都实现了相同的理论，即空气动力学。
从这个角度，我们可以说大脑是一种用于学习的硬件实现。如果从这个实现中，能逆向工程提取出所用的表示和算法，然后从中获得其所实现的计算理论，那么就可以用另一种表示和算法，用现有的更适合的硬件来实现，并且希望这个实现能更便宜，更快捷，更准确。
正如发现空气动力学理论过程一样，最初大家尝试建造的飞行器看起来很像鸟类，因此也能预期，最初搭建具有大脑能力的系统时，也会是看起来像是具有大量处理单元网络的大脑。在未来，当我们发现了智能的计算理论时，或许会发现神经元和突触只不过是实现细节，就像羽毛之于飞行一样。
模式识别
在计算机科学里，很多任务我们都试着搭建，由人工规则和算法组成的“专家系统”。然而几十年却只取得了非常有限的成果。这里面涉及到的很多任务，都被认为需要一定程度的智能。而最近，一个方法让我们看到了巨大进展，那就是在大量数据中使用机器学习。
举个面孔识别的例子：人类能毫不费力地做到，我们每天都看脸或照片来识别家人和朋友，就算姿势，灯光，发型等方面有差异，也能轻松识别出来。面部感知对人类很重要，因为我们要借来区分朋友和敌人。除了识别功能，这和生存也有很大关系，因为面部相当于我们内部状态的仪表板。从脸上可以读到诸如快乐，愤怒，惊讶和羞耻之类的感觉，我们进化到了不光会展示这些状态，也能从别人身上发现这些状态。
虽然我们很容易就能做出这样的识别，但却是无意识和本能的，自己无法解释是如何做到的。正因为无法解释是如何做到的，所以也就无法编写相应计算机程序。
而通过分析一个人的不同面部图像，一个学习系统则会捕获到特定于该人的模式，之后检测给定图像中是否有该模式。这是模式识别的一个例子。
我们能做到这个是因为，面部图像就像任何自然图像一样，不只是随机像素的集合（比如花屏的电视）。脸有其结构。它是对称的，眼睛，鼻子和嘴巴位于脸部的某些部位。每个人的脸，都是这些部位特定组合的一种模式。当照明或姿势发生变化时，当头发变长或戴上眼镜时，或当我们变老时，脸部图像的某些部分会变化，但有些部分却不会。这类似于客户行为中定期购买和冲动购买。学习算法通过遍历该一个人的多个图像，来找到不变的辨别特征，还有它们如何特定组合来定义这个人的脸。
当我们谈学习的时候都谈些什么
在机器学习中，目标是构建能拟合给定数据的程序。学习程序与普通程序不同之处在于，它是个具有可变参数的通用模板，并能为这些参数分配不同的值，来做不同的事情。学习算法可以通过调节模板（模型）的参数，不断优化在数据上定义的性能指标。
例如，对于面部识别器，学习算法会调整参数，以使得在一组训练图像上获得最高的预测准确度。这种学习通常是重复和渐进的。学习程序一个个地看大量样本图像，对于每个样本，参数都稍微更新一点，以便性能逐渐提高。就像人的学习过程：当我们学习任务时，也是一步步学习它，慢慢做得更好，无论是网球，几何学还是外语。
在构建学习系统时，主要需考虑：
应记住，仅仅拥有大量数据，并不意味着就有可学习的规则。首先应确保底层规则是存在相关性，并且收集的数据能提供足够信息，以便能以一定准确度学习它们。假设有一本包含人名和电话号码的电话簿，那么认为名字和电话号码之间有关系，然后用电话簿（无论多大）进行学习训练，之后看到新名称来预测相应电话号码的行为是完全没有意义的。
其次，学习算法本身应是高效的，因为通常我们会有很多数据，并希望学习尽可能快，并能有效地使用计算和内存资源。还有在许多应用中，问题的隐藏特性可能会随时间而变化；在这种情况下，先前收集的数据会变得过时，就要用新数据来有效地更新训练模型。
最后，一旦学习系统被构建出，并开始使用它进行预测，它在记忆和计算方面也应是高效的。在某些应用中，最终模型的高效性，可能与其预测准确性一样重要。
历史
几乎所有的科学都是用模型来拟合数据。科学家，如伽利略，牛顿和孟德尔，他们设计实验，然后进行观察并收集数据。之后，试图通过设计理论来提取出知识，即建立模型来解释观察到的数据。之后再用这些理论来进行预测，如果预测错误，就收集更多数据并修改理论。这个数据收集和理论（模型）构建过程一直持续到他们得到了具有足够解释能力的模型为止。
我们现在已经到了很难再对这些数据进行手动分析的地步，因为数据量巨大，难以进行人工分析。而且能进行这种分析的人并不多。因此，人们开始越来越关注，能自动分析数据，并从中提取信息的计算机程序，即学习系统。
学习算法起源于不同的科学领域。有时相同或非常相似的算法，通过不同的历史路径，在不同的领域中独立发明出来并不罕见。
机器学习的主要理论来自统计学，其中从特定观察到一般描述被称为推理 （inference），而学习被称为估计（estimation）。分类在统计学中称为判别分析。统计学家过去常常在小样本上工作，而且作为数学家，他们主要研究能用数学方法分析的简单模型。而在工程中，分类被称为模式识别，方法更经验主义。
在计算机科学中，作为人工智能研究的一部分，也对学习算法进行了研究；同时有一个平行但几乎独立的研究，被称为数据库中的知识发现；在电气工程中，信号处理的研究，产生了自适应图像处理和语音识别程序。
在20世纪80年代中期，人们对各个学科的人工神经网络模型产生了巨大的兴趣。这些学科包括物理学，统计学，心理学，认知科学，神经科学和语言学，更别说计算机科学，电气工程和自适应控制领域。也许神经网络研究最重要的贡献便是这种跨学科的共同作用，特别是统计学和计算机科学。始于20世纪80年代的神经网络研究并非偶然。那时，随着VLSI（超大规模集成）技术的进步，我们获得了构建有着数千个处理器的并行运算硬件的能力，而神经网络作为一种，可以将计算分布在大量处理单元并行运算的理论，也就引起了大家的兴趣。并且，因为可以自我学习，而不需要人工编程，大家兴趣就更大了。
