大多数人不知道神经网络其实很简单，他们以为神经网络异常复杂。与数学领域的分形相似，神经网络可以处理似乎很复杂的任务，但这种复杂性来自重复以及随机数生成器。
假设你构建了一个有20层的深度神经网络……
恭喜你！你拿来上述代码，再次对循环语句进行循环。这肯定非常难，这取决于将另一个For语句和冒号放在何处。
“深度学习”和N层深度只是一个通过自己运行输出结果的神经网络。由于你对循环语句进行循环，所以这被称为递归神经网络（RNN）。
这与学开车相类似，但只能够右转弯，但你还是可以到达任何地方。这可能不是最有效的，但这比左转弯来得容易。
假设你使用英伟达GPU训练了神经网络，后来将神经网络移到了手机上……
在上面那11行代码中，出岔子（或未实现）的是种子未设置。不设置种子，我就无法保证第二次能和第一次获得同样的随机数，因而结果可能会大不一样。由于手机和台式机无法给出同样的随机数，而不同的手机芯片都会有不同的随机数，在基于GPU的系统上训练的神经网络到了手机上很有可能无法运行。
由于相比在锁系统中分类，训练需要多花几百万、甚至几十亿倍的时间，构建面向手机的神经网络几乎是不可能的。更何况不同设备之间始终存在差异。对于语音识别来说，相差正负5%关系不大，但是对于癌症检测/诊断来说，关系就很大了。
假设你训练了一个神经网络完成人类尚无法完成的事情……比如仅凭一张照片来判断某人是不是同性恋。
不，你做不到。神经网络是“哑”黑盒子系统。如果你折磨它们，你可以对测试数据进行很好的拟合，但是无法从随机来源测试中获得很好的结果。AI很擅长伪相关（spurious correlations），肯塔基州的结婚率并不提高溺水率。
而且，照片近距离拍摄这个事实也无法证明照片里的动物是猫而不是狮子。所以，地平线的形状并没有导致什么东西是狮子或猫。
人们想为AI赋予神话色彩，但总的来说，人类做不了的事情，AI也无能为力。有些时候例外，但仅限于透明AI。神经网络并不透明，即使在透明系统中，人类也只能复制最终的结果。
假设你使用TensorFlow来……
还记得上面那11行代码吗？TensorFlow只是那11行代码的封装器。它的擅长之处在于，帮助你直观地显示那11行代码中发生的事情。它在很多方面类似谷歌分析（Google Analytics）。要完成谷歌分析所做工作的所有数据可能都在服务器日志里，但查看那些日志很困难，而查看谷歌分析很容易。与此同时，虽然谷歌分析会告诉你服务器速度很慢，但不会告诉你原因。
了解神经网络的那些人之所以不想要或不需要TensorFlow，是由于我们不依赖那些花哨的图表和动画即可直观显示数据；因为我们查看原始数据和代码，就能搞清楚服务器速度变慢的原因。
假设你用神经网络进行自然语言处理（NLP）/自然语言理解（NLU）……
神经网络模拟起来其实比鼻涕虫的智力水平强不了多少。你教鼻涕虫理解英语的可能性有多大？
如果构建一个记下英语中每个单词一个特征的神经网络，这个网络就需要使用与整个谷歌一样强大的计算能力。如果还要记下英语中每个词义的一个特征，那么就需要地球上所有云服务计算能力的总和。
可以构建处理出色任务的AI，但神经网络有其限制。
假设你有一个自定义的神经网络……
恭喜你，你知道如何将11行神经网络代码封装在11行遗传算法代码中，或者是封装在44行分布式演进算法代码中。好撰写一份新闻稿了，因为你的55行代码可以……噢，稍等……
假设你针对……任何情形训练了一个神经网络。
恭喜你，你是数据牧人（data wrangler，意为数据管理员）。虽然这听起来很了不起，但你就是狗狗训练员。而你的狗拥有鼻涕虫一般的智能，唯一有利的方面就是你可以有好多狗。拥有训练集并不神奇。别让自己或别让他人以为你只不过是美其名曰的鼻涕虫训练员。
假设你结合了神经网络和区块链……
恭喜你，你知道如何大搞声势。遗憾的是，哈希挖掘和神经网络根本没有共同之处，想通过区块链农场的所有节点来运行所有数据集行不通。如果你以逾16种方式来“切分”负载（数据集是正常大小），神经网络就会开始出现问题。如果你有几十亿个记录，或者你在搞反向传播（Back Propagation），想测试多个级序的数据显示，可能会碰到更棘手的情况，但这些技术无法将规模扩大到成千上万个节点的环境。
我用神经网络做不了多少事。
我的工具箱里有神经网络代码，不过本该就是这样。它是可供选择的工具，而不是整个产品的基础。我的大多数工作在认识论中是自定义启发法。多种技术的结合称为思维模拟（Mind Simulation）。思维模拟用来用软件模拟大脑的软件，就是过去所说的大脑模拟器，而神经网络本该用软件模仿大脑的硬件（实则不然）。思维模拟的历史只有10年左右，而神经网络已经存在50多年了。思维模拟的不同之处还在于它是透明的，需要几百万行代码，而不是几十行代码。
