计算思维VS人类存活时间

深度学习中的许多建模及计算思维，让我回想起小时候计算人类存活时间的尝试。

大概是小学学习除法和比例的时候，家里有一个拆除了滴滴声的计算器，出于对宇宙人生的好奇，对自然百科的些许认知，以及对加减乘除运算的讶喜，我列了一系列的算式，试图计算出人类的存活时间。最终得出一个可观的、当时令我很满意的答案。

最近学习机器学习中一些不知道内部路径与规则，直接将大数据丢入进而训练模型、测试模型，包括数学思维线性回归函数中，将未知的部分直接用伊普斯龙代替，猜测“自然规律”是简单线性关系、加减关系、进行尝试，如果恰好较为符合，则利用此模型；对于不太符合的情况，优化模型或者等待其他的猜测与尝试…

当加减法不够用时，人们先暂时放一放；后来思维模式提升到乘除法，解决了一大波加减思维层难以解决的问题，同时又发现了乘除法解决不了的问题；待到发现了乘方开方指数对数等等更多数学承载着的自然规律的奥秘，人们解决问题的思维便由此一路前进！

刚开始学这个专业时，总是弄不明白为什么计算思维总是说不清到底是什么，却有着某种共识就是要那样做，或者说那样“试”，觉得计算思维简直像是无头苍蝇乱撞，是无根之水，无本之木。其实那些尝试、那些愿景并非毫无根据，而是人们认为自然界本身有着某种规律，只不过人们还没有认清，因此使用了一种方法，将大数据放进模型（算式）里，试图反向探索那些规律的关键因素（好比用大量的(x,y)数组，去找出y=kx+b 中的k值或b值）。

人们搜集着更多的可用数据、变化着函数类型，去寻找更接近的模型，更接近自然规律的法则。

大数据专业早些年那么重要，是因为20组数据比2组数据有利于判断函数到底是直线还是U型曲线；而人工智能专业如今如此重要，是因为积攒了大量数据后，模型（函数、算式）日益重要。【现有函数都不能满足，人们不知道是什么函数，不过也不需要非弄明白是哪个函数公式，只要能够预测成功就可以了】

Furthermore

联邦学习阶段人们不需要看见草（数据），只要看见羊（模型）就可以了。会不会有一天羊（模型）需要被保护起来，也不需要被看见，只要看见奶（效果、或者预测结果）就可以了；接着奶（预测）也不需要看见，不需要看见人喝奶，只要人健康（影响，效益的产生等）就可以了？