众人拾柴火焰高，AI也需万人帮

AI，人工智能的简称。这个词已经被大多数人所熟悉了，所以，字面上的意思，在此就不赘述了。

在目前，人工智能的框架有很多，比如Tensorflow，PyTorch，Kears，MXnet，Caffe等。大多数的人工智能框架都是深度学习框架，然而深度学习只是人工智能的众多分支中的一个。除此之外，还有像Spark Mlib 等没有包含深度卷积神经网络，但有丰富的诸如SVM，随机森林等的机器学习框架。

虽然框架众多，有深度学习的，有机器学习的，还有强化学习的，也还有迁移学习的。但是这些纷繁复杂的学习算法，背后都需要2个最为基础的前提，它们分别是：

（1）分布式云计算

（2）数量足够的高质量数据

怎么更为形象的做一个说明呢？以便你能够更加清晰的理解其中的奥秘。

这样的理解很有可能让你豁然开朗：

首先，数量足够的高质量数据犹如成千上万本优质畅销书籍。AI的最终目的是需要从这些书籍中提取并学习到大部分关键的知识，以提升AI的认知水平。那么，问题来了，AI的能力有限，它在最初的时候，大脑的存储假设只有300G的大小，大脑CPU的计算能力十分有限，意味着AI的学习能力有限，如果要将人类迄今为止积累的上百万本有用的书籍知识存储，记忆并消化，AI此时便显得十分“心有余而力不足”。

问题出现了，终究是要去解决的，那么怎么解决呢？AI正如20世纪五六十年代那样，在寒冬之际，正苦恼着，冥思着。忽然，灵感出现了，它开始从“众人拾柴火焰高”这句富有哲理的灵感之中寻求解决方案，不久之后便确实有所突破，它将这上百万本书划分为一万个书架，每个书架上100本书。每个书架上对应有一人负责。总共有1万人一起协同负责阅读这百万本书籍。于是问题便得到解决了。

其实，在20世纪五六十年代，AI早已经有过“众人拾柴火焰高，AI也需万人帮”的解决方案，只是在那个年代，万人方案所需要的分布式技术还没有出世，同时，百万书籍所依赖的数字书籍，即所谓的大数据还没有足够的积累。

众人拾柴火焰高，AI也需万人帮，通常情况下，大多数的AI是分布式计算框架，Tensorflow，PyTorch，Kears，MXnet，Caffe，Spark等都是分布式云计算框架。

单台计算机的单机计算方式，其计算能力在大数据面前显得微不足道，最常见的情况是内存不足，程序卡死，即使有时能够计算出结果，但往往都是很多天之后的事情了。一台计算机不行，那就一万台计算机，一万台不行还可以灵活横向扩展，这总可以解决问题了吧，这确实能够解决大多数的问题，一般情况下，除此之外，还需要处理好这万台计算机之间的沟通和协作，正如一个大型企业内部上万名员工一般，如何分配任务，如何协调资源，解决好了这些类似的问题，AI的确能够高效的改善人类的各个方面。

同时，大数据所积累的数据越来越多，单机的存储也面临巨大的挑战，正如一只篮子的空间有限，无法容纳不断变多的水果。那么，一只篮子不够装，一万只篮子总够装了吧。这样能够解决大部分的问题，可是，如果水果不断增加，正如互联网产生的数据日益增多，从不间断怎么办？这个也简单，篮子也可以灵活增加呗，于是篮子也可以横向扩展，只需要哪个篮子装的什么水果，有专门的机构记录便万事大吉了。

总而言之，AI的整个生命周期绝对不是单打独斗的过程，它依然同大多数人类一样，需要协作，需要沟通，需要团结，既要有独立的能力，独立的思维，又要有互相的互赖的共赢思维。一个人如若做不成AI，不妨想想“众人拾柴火焰高，AI也需万人帮”。