在“前沿”和“主流”两种意义上，人工智能的含义都已经变成了深度学习。我们想回顾一下深度学习的2018年，而更重要的，恐怕是澄清几个关键概念的迷思：
神经网络
神经元
深度神经网络（深度学习）
AI芯片
神经网络
        “神经网络”这四个字很有迷惑性，很容易被人想象成为一种超级复杂的对象。在直观的想象中，既然是“网络”，一定是有大量的神经元，它们之间互相连接，形成超级复杂的网状结构，也许网络结构还能动态的变化，而这整张网络具有某种“神秘”力量。实际上，“网络”这种表达是学术界的一种爱好，学术界喜欢把任何在节点之间有连接的结构都称为“网络”，无论这结构有多简单。实际上，神经网络的结构还是比较简单、清晰的。在经典的神经网络中，神经元划分成清晰的层次，比方说，从下到上分为4层神经元。同一层之内的神经元独立、并列，没有任何连接。而上一层的每一个神经元，和下一层的每一个神经元之间，则都有连接。每一个神经元，从与它连接的下一层神经元获得输入，进行某种运算，产生一个输出；而它的输出，则通过连接，成为上一层中与它相连的神经元的输入之一。第一层（最下层）的神经元，可以看作是“假”的神经元，因为它只负责接收外界的输入；而最后一层（最上层）的神经元，它们的输出不再通过连接传给上一层神经元（已经没有更上一层了），而是成为整个神经网络的输出。神经网络本身的结构就是这么简单，而且也不可能有任何动态的结构变动（哪怕是人类的大脑，出生时有多少神经元，它们之间怎样互联，一辈子都不会发生变化；当然，有些神经元会老化死亡）。当然，在这种清晰简单的结构下，可以有很多层，而每一层内，可以有很多个神经元；这样，至少在规模上，神经网络可以变的很大。
神经元
        作为“神经网络”基本单元的“神经元”，是不是一种有神秘能力的事物？并不是。如前述，一个神经元的功能只是从下一层的神经元获得输入，进行计算，得到结果，再交给上一层的神经元而已。它的核心动作，就是“进行计算”；而所作的“计算”，实际上只是乘法和加法这种超级简单的运算而已。如果把大脑看作是一个巨大的神经网络，那它的“神经元”正是其字面意思，即脑神经元，或者说脑细胞。然而，对我们讨论的（人工）“神经网络”来说，并不会有物理上，或硬件上的“神经元”存在，因为那样做代价高昂，又没有什么特别的好处；一般来说，我们用处理器的运算来模拟一个抽象的“神经元”的运算。
深度神经网络（深度学习）
        “深度”二字并非比喻，请勿因此而产生任何有关人类思考的“深刻性”方面的联想。实际上，“深度”二字在神经网络领域内完全是字面意思，就是指从下到上有“很多层”神经元的神经网络。深度神经网络比“浅”神经网络规模更大、更复杂，而能力更强，近年来算法和硬件的突破，是深度学习形成超级热度的原因。
AI芯片
        AI芯片的概念在2018超级火热，它会以若干种不同风格的名字出现，比如GPU、ASIC、FPGA。这些不同的名字，实际上是关于用哪种技术路线，来高效实现AI应用的目标。AI芯片的意思具有人工智能的芯片吗？当然不是。
在最夸张的厂商口中，它是“AI芯片”
在稍微实际一点的手机厂商口中，它们是“NPU”，或是“神经网络处理器”，他们的意思是，这个芯片能够高效的进行神经网络的运算。
在更实际一点的Geek厂商，比如Google口中，它是“TPU”，或是“张量处理器”，Google的意思是，这是一片能进行高效张量运算的处理器。Google不爱说人话。
实际上，最接近事实的描述是，这是一片能够进行超级高效的固定大小的矩阵乘法且