要再进一步理解“神经元网络”，还需要再扭转一次“传统观念”。

      什么传统观念呢？就是：

“先干，边干边学”是对的！

      什么意思呢？举个传统方式的小例子：炒菜

      现在人都懒了，想要炒个新菜，都上网搜一下“菜谱”，然后把菜谱打印下来，放在锅台上，一步一步照着做。

      与菜谱类似的还有：操作手册、SOP……

      还有我们传统思维里面的：编程。 

      计算机这么多年了，我们哪怕是用Excel的公式，都是用一条或者一批代码，按步骤描述我需要进行的数据处理过程。

      比如，我们要让一个程序输出一个“交叉，X”的图形；

      我要输出一条从左下到右上的斜线，一般情况下需要输入：y=x。用公式的方法告诉计算机绘制第一条从左下到右上的斜线。

      然后再输入y=-x。告诉计算机绘制第二条从左上到右下的斜线。

     得到了这么一个图形。

      这就是典型的，计算机根据菜单、手册、程序、SOP来完成一个事情。

      这种做法，在人类的观点中，一般情况下会被打上这两类标签： 

            正面评价：标准、可靠、质量有保证、稳定

            负面评价：机械、迂腐、死老筋、刻板、笨

“神经元网络”的出现，会如何打破这样的“传统观念”呢？

      上面的例子里，y=x  y=-x，是程序员通过思维提炼出来的。

      而如果你面对一个“神经元网络”的程序的时候。你就不要去编写这个程序了，而是把结果值告诉计算机。计算机会自己提炼出y=x

      给入的数据就是

            x1=1,y1=1

           x2=1,y2=-1

            x1=2,y1=2

            x2=2,y2=-2

      “神经元网络”根据你的这些输入输出，就算出了x，y之间的关系。

      然后你再给个指令，照着做100个案例。“神经元网络”就根据你之前告诉他的样本所计算出来的关系，继续重复100遍。

      哦！马盖的！这像不像：“来你看我做，看到了么？好，你做一下”

      这就是网上铺天盖地说的“人工智能的学习能力”；

     那还要程序员干嘛？哇塞，以后买个“神经元网络”的计算机回家，跟我一块上学，把书本上的例题、解题步骤抄进去，不就可以帮我写作业了！哈哈。

      网上的那些《图像识别、语音识别》的人工智能的案例，好高深，看不懂，不好理解。我们上面的那个，就画两个斜线组成一个“X”的案例又太垃圾了吧？抄课本就能写作业也太“忽悠”了吧？能说点靠谱的么？

      说个企业管理上会遇到的问题。“人工智能报表”

      很多企业都有BI项目，用来实现“商业智能”，其实就是把经营数据展现出来，分析和判断经营情况。

      这些报表往往不是一个、两个，而是几组，什么是几组呢？就是这些报表还提供“钻取”，就是选择一些参考的信息，进行更详细的查看。

      可能要看完好几组报表最终才能知道，“哦！这个月干得不错”

      但是，当你面对几百个BU（考核单元）的时候，一个一个看，一个一个分析，就不再是有意思的事情了，基本上属于“看到吐”。

      肯定会有领导提出来，“来来来，你把报表搞得直观一点”。通常的做法，我们就把一个一个报表的主要的KPI拿出来，放到一张总表里面，然后再通过写一堆“IF ELSE，或者 CASE，或者 Where”进行条件判断，对数据进行分类。

      要是扔给“神经元网络”的话，就有意思了。

      你按照上面的那个例子，把子报表的KPI的输出，和你期望看到的评价的分类：比如：“1、干得不错效率高花钱少；2、干得还行就是有点懒还有潜力；3、干得不行效率低花钱少……”

      然后弄上一堆“训练数据”，可以是你自己模拟出来的，也可以是过去一段时间的真实数据。

      得嘞！“神经元网络”就根据你给的这个数据，“学会看报表”了！

      但是，这里往往会遇到一个难题！一个非技术的难题！

      很多人说：

   “大数据就是大忽悠”

      很多人说：“搞大数据的、人工智能的，都特别忽悠！特别能吹！”

      能不忽悠么？

           你说你的程序“能看报表”了，你的代码呢？你的判断条件呢？你的依据呢？

            没有！

            没有你说什么，一边去！

            那你说，结果有没有道理？

          有道理又不能当饭吃！

      是呀，的确没有写代码，的确没有明确的条件写入计算机。都是凭“学习之前的经验”得来的。

      好多人工智能项目的“行业顾问”，一直在研究，用什么方法能够说服传统IT的管理者，应用人工智能项目。因为，很多传统IT管理者的很多问题，是没办法在人工智能的世界里找到直接的解释的。甚至无法想象，一个企业里的业务流，居然没有写流程图，就是人工智能“凭感觉”在推动。

      好了，到这里，这个“神经元网络”的应用模型讲完了。

      下面扯一扯另外一个模型：如何计算培训的成本和辨别欺骗

未完待续。。。。。。

画外音：今天下午，与微软的经理，以Dynamics CRM为主题的交流中，微软的PPT就提到了“机器学习”的人工智能技术介入：“CRM的工作流调整”、“改进传统BI的数据分析能力”。

另外，利用机器学习、人工智能进行报表解读的项目，最有名的，应该是今年春天，在上海听到的上海市国税的人工智能选案项目，在营改增以后，国税掌握了全面的企业经营数据，以往，企业报表都是由会计进行编制，表面看起来肯定是“滴水不漏”的。

发现问题，一般都是通过“查账”，但是，查账这个行为，在以前的编程模式下，不太好写。现在好了，有了这么多基础数据，加之会计规则、会计原理的约束，企业的账目解读用机器学习建模的话，比自然语言分析要容易的多。

刚才看了一下，除了6月份报道的，”发现涉税违法行为的时间“，缩短到了惊人的50天。最近报道的，人工智能选案的准确率高过了95%。某些报道说已经到了98.5%。

看到这样的信息，不知道是该高兴，还是该不高兴。。。