人类大脑中的每一个神经元链接的运算细节，德州仪器TI神经网络是怎么具体运算

过往在机器学习阶段，人类总是试图用计算机的每一个运算细节都去对应人类大脑中的每一个神经元链接的运算细节，形成公式和数据的具体表达。而如此机械地去试图解析万亿数量级的事情，本身就不现实。在这一问题上，在机器学习走入死胡同之后，以训练学习为核心的深度学习迎来了解决问题的曙光，德州仪器TI深度学习的人工神经网络需要靠训练来完成。人工神经网络中有若干的中间隐藏层，在隐藏层中，技术人员无法知道其中的具体逻辑，但却可以通过调整神经网络的结构和神经元节点的权重来完善训练。训练过后，达到满意的结果，就意味着这个神经网络的模型诞生了。于是，当日后使用这个模型时，便可以通过文字、语音或图像的输入达到自己想要的输出结果了。这也意味着我们把深度学习的神经网络当做一个有生命的整体来看待，就像一个美术学员，既然我们也无法了解这个学员大脑中的神经网络是怎么具体运算的，我们通常的做法就是通过成体系的培训以及给他赏析大量的艺术作品，然后再检查这个学员的阶段性学习成果，来确定他是否学习到位，这便是训练的过程。人们放弃了对深度学习的中间环节所产生逻辑的课解释性，获得了深度学习带来的震撼结果。这种放弃可解释性的智慧，是人类从机器学习到深度学习的一个巨大进步，这便是深度学习的“不可解释性”，这种“不可解释性”也导致了深度学习在形而上的概念理解领域具有高度的总结概括能力，并且具有了艺术创作的能力，于是很适合在AIGC领域的应用，在图灵的《计算机器与智能》一文中，他完全搁置了机器通过怎样的运作原理来达到智能的问题，而对于机器的智能表现提出了重要的关注度。德州仪器TI类似人类这样的智慧生物其智慧产生的内在运作逻辑仍然处于未知状态，所以我们衡量智力的唯一手段应是其外部的行为表现。图灵测试则是对这一理念的完美诠释。该测试并不要求机器与人类的所有思考过程、所有思考行为都保持一致，而是要求机器的某项外在表现与人类一致即可。