有人说现在人工智能的本质，就是通过统计找规律。 其实 神经网络 的 本质，就是 用 数据 来给 嵌套 复合函数 做最佳参数 拟合。就是 假设 现实世界的规律 符合特点定函数，但这个函数的有参数没有定，用因果数据来找这个参数最好值。
神经网络由激活函数组合而成
其实，我们大家都知道 的 牛顿万有引力定律，在 牛顿刚提出时，也有一个未定参数，那就是 万有引力常数，没有万有引力常数，可以做一些计算，但是计算不出 地球，太阳，月球的质量。 后来 卡文迪许 用大铁球 测出了万有引力常数，就可以做各种计算了。
万有引力公式g起初是未知的
现在神经网络 做机器学习，类似卡文迪许 标定万有引力常数。
区别就在于，万有引力公式中，只有一个未定参数，而神经网络中，未定参数 有好多，多的达到几十亿个，其实就是所说的 神经网络的权重 数据，神经网络中，所假定的函数，不是万有引力公式，而是 激活函数，就是人为规定的非线性函数，而且是 多层嵌套的复合函数，嵌套的层数，就是神经网络的层数，所谓深度学习，就是神经网络 层数多，所以叫深度学习。
人们用简单的逻辑门 和 触发器 组合，设计出非常复杂的 ，功能丰富的计算机，用简单的激活函数，分层组合以后，设计出来具有特定领域超过人类智能的程序。
复杂的计算机由简单的逻辑门组合而成
只是 逻辑门 如何组合，现在数学基础 非常牢靠，如何化简数字电路，规则非常明确，但是如何优化神经网络，还是一片模糊，各人靠自己的经验，所以有人讽刺机器学习 开发工程师 调参侠。
这说明，相对于cpu,显卡设计，神经网络设计，可提高的空间还是 非常大的，
集成电路领域，有著名摩尔定律，
现在预测，人工智能领域，也摩尔定律，
就是 每18个月，实现同样的智能水平，
大模型需求的 参数 降低一半。
需要的算力降低一半。
这一切将都是靠通过优化神经网络结构和算法来实现
预测未来ai 将获得和过去电脑一样的发展速度。
