对于AI来说, 让结果从“不准”到“准”，不是十分容易，与传统的“找bug修bug”模式全然不同。
目前在对AI的争论当中，一个常常被提起的问题就是“算法黑箱”。也就是说，人类不能解释它的工作原理。
人工智能的核心是“神经网络”。科学家们模仿人类神经系统, 让机器进行学习。“神经元”们一层一层分布下来, 每个单元都能接收部分数据, 再将结果向上传给其他单元。
还是用“猫”来打比方。在主要用于图像识别的卷积神经网络（CNN）中，第一层可以将图片切割、降维, 得到许多小图, 第二层在每个维度利用色差寻找边缘，三四五层根据勾勒出的边缘确定各个器官形状，六七八层通过各个部分颜色判断毛色、花纹, 瞳色……最后顶层得出答案：这是猫、狗、兔子、其他。
2006年多层神经网络出现以前，机器学习都只处于初级阶段, 需要人工提取特征。而2006年后, 它进入到“深度学习”的大时代。人类不监督、半监督，机器自己分析特征、独立思考。给一万张猫的图片, 说“这都是猫”，它就懂了，再给一张它没见过的, 问“是不是猫”, 它会说是。人们给它正确答案的数据集, 它便可以进行学习, “看”的越多会的越多，不断优化自身能力。因此，“人工智能”定义十分清晰，区别是真·人工智能还是噱头只需要看它有没有模仿人脑。
然而，对每一层都在提取什么特征，以及机器为何要做这些事情、为什么能得出结论，人类无法解释。根据输出，有些提取简单易懂，比如勾勒边缘、模糊图片、突出重点、锐化图片……可是，在很多时候，人类完全get不到！看着某层下来以后图片所变成的样子，只能叫一声“什么鬼！”有时人类只能提出几个特征，AI分出好几百层！
它给了人空前的可能，也给了人无尽的困惑。
就像人类无法摸清大脑的工作原理一样，他们同样无法摸清AI的工作原理。
训练AI这种方式为何能行？它是如何学的？信息存在哪里？为何下此判断？不知道。
它好像在玄幻境界。码工时常觉得自己正在养蛊，贼刺激，给蛊虫喂个这个、喂个那个，一掀盖子，嚯，出来一个超厉害的东东！
有人说，让AI向人解释一个东西，相当于让人向狗解释一个东西，听着so sad。
人类历史充分表明，只有一个决策可以解释、分析，人才可以了解它的优点缺陷，评估风险，知道它在多大程度能被信赖。
很多专家说过“必须质疑人工智能为何做出一个决定……”“难道，无人汽车每回出事，企业都说不知原因、AI让它这么干的？”
何况，不幸的是，如同大脑会出错，AI也会出错。
于是问题来了：我们能信任AI吗？我们能在多大程度上相信AI？我们能在生死攸关时信任AI吗？
当然，也有学者表示：“它能做到就足够了！”“大脑一直为你工作，你也一直都信任它，即使并不知道它是如何工作的。”
目前，各国科学家正致力解开黑箱，政府、行业协会也对此有要求，已经取得一些成果——不少东西都是数学。
阮思澄是一直觉得，这种现象十分正常，没有那么邪乎。在人类的文明当中，往往实践先于理论。比如，老祖宗在打造刀剑时、发明火-药时，清楚地知道原理吗？NO！都是东西先出来了，能work了，大家才开始研究原因。
AI也是啊！慢慢来嘛。
不过，虽然如此，攻城狮们写程序时，也能根据他人经验，知道大概该怎么做。AI能自己学，但是，攻城狮们需要设置许多参数，比如用哪一种激活函数；如何搭建网络结构；分别设置多少卷积层、池化层、全连接层，如何排列架构；用哪一种池化方式；选择多大以及多少卷积核、多大卷积步长和池化步长、多大学习率，又分别从哪层开始、到哪层结束……[注]。也因为没道理可讲，各种奇奇怪怪的结构都有了。层数绝非越多越好，层数越多，说明运行时间越长、传递错误几率越大。
出于这个原因，对算法的调整、修改，经常就是瞎jb试，比较最终结果。
调参数能有效还好，数据也有可能不行！要知道，输入数据的大小、像素、嗓声、甚至亮度和对比度、翻转变换、旋转变换、位移……都可以对最终结果产生影响！为啥？还是，不知道。
因此，现在“经验”并不好用，结果一塌糊涂，可阮思澄和陈一非对于修改全无头绪。
他们甚至无法估摸不准到准需要耗费多长时间。
…………
阮思澄从贝恒那儿继承了个降压方式——搓脸。
她搓了搓，拨打内线叫陈一非，一起开会。
“一非，”阮思澄问，“这个结果……要多久能调整过来？”
气，她想：如果钱纳贝恒现在都在公司思恒医疗不会陷入这种困境。罢免钱纳夺回公章耽误了一个月，贝恒接手、不会，消耗了两个月，接着招聘、挖人，等陈一非入职，又是一个月。
本小章还未完，请点击下一页继续阅读后面精彩内容！