大家可能读过iamtrask超棒的文章(A Neural Network in 11 lines of Python)：
11行python写一个神经网络：
X = np.array([ [0,0,1],[0,1,1],[1,0,1],[1,1,1] ])
y = np.array([[0,1,1,0]]).T
syn0 = 2*np.random.random((3,4)) - 1
syn1 = 2*np.random.random((4,1)) - 1
for j in xrange(60000):
l1 = 1/(1+np.exp(-(np.dot(X,syn0))))
l2 = 1/(1+np.exp(-(np.dot(l1,syn1))))
l2_delta = (y - l2)*(l2*(1-l2))
l1_delta = l2_delta.dot(syn1.T) * (l1 * (1-l1))
syn1 += l1.T.dot(l2_delta)
syn0 += X.T.dot(l1_delta)
参考文献：
宇宙没有义务让人理解，但AI有义务被人，并帮助人理解！ —— David 9
一个AI模型，无论被工程师如何设计，它最终还是要和使用者交互，哪怕只是一个小小简单的判断分类问题。一旦它把判断结果信息传递给人类，人与机器之间的边界就变的难以划分。AI判断结果一定有错误信息（或AI够不着的问题），人类应该怎么处置？
当然，后一种更容易操作，把AI够不着的问题都留给人类解决，如医疗领域的SPIRIT-AI和CONSORT-AI协议，就旨在提供一套完善的医疗实验交互方针：
因为医疗临床实验需要更高规范和更低出错率。不仅仅是医疗，事实上，目前的多数领域的AI落地，交互，都需要大量的 继续阅读可解释，自解释，以及交互式AI的未来
正确的废话总是令人讨厌，如果，正确的废话再具体一点？或选个好角度再具体一点呢？—— David 9
科学界有这样一些论文题目，看起来有点意思，请允许David列出一些：
一些研究人员大胆地指出：A其实就是B！这就像告诉我们，“天上的云其实就是水分子，光其实也是一种波，妈妈唠叨其实是为了关心你”。看起来似乎都是正确的废话。
但是有两点值得注意：
1. 这至少可以帮你换个角度解释世界。
2. A其实就是B，是说A被B包含，即A⊆B，说明，B的解释范围比A大（得多）， 继续阅读为什么说Transformer模型甚至神经网络的“颠覆”会更早到来？以及神经网络的“表达力”并非真正的“壁垒”？
