孙宏斌不是最后被收割的大佬，许家印，这个本来极精明的房地产巨子，也接踵而至了。
c5.24 跟风、…
一个犹太人在十字路口开了一个加油站，生意很好；第二个犹太人在左边开了一家餐馆；第三个犹太人在右边开了一家超市 , 最后整个区域都火了；换成中国人，第一个开了个加油站，第二、三、四个都来开加油站 , 最后都不赚钱，整个区域也凋敝了。
这是一个老掉牙的网段，这样的故事隔三差五就在中国产业界真实上演。
【高买、贱卖、憋屈】
“至少降价40% ”。
2008年11月，被商务部授权为唯一谈判代表的中钢协，代表中国钢铁业同时向全球三大铁矿石巨头亮剑，要求其至少将来年的铁矿石价格降低40%。
铁矿石是钢铁生产的最重要原材料，作为世界最大钢铁生产国的中国，却自身资源严重不足，不但要每年进口约占全球贸易70%的铁矿石产品，还长期被三大巨头澳洲力拓、必和必拓与巴西淡水河谷卡着脖子坐地要价，可谓是苦铁矿石久矣。
金融海啸席卷全球，让钢铁业陷入萧条，铁矿石需求暴跌，也让中国看到扭转局面的契机：是时候争取更多话语权了。
此时，中国的铁矿石进口还在采用国际惯用的“长协”机制，每次协议约定未来5到10年的采购数量，但价格一年一谈。此时，全球钢铁价格已下跌至1994年的水平，但三大巨头卖给中国的铁矿石价格却是1994年价格的5倍多。
中钢协提出的降价目标，已是外界预期的最低幅度了，但三大巨头几乎没有任何考虑就异口同声：“绝无可能”。
此前，中国各家钢企与三大巨头的采购谈判都是各自为阵，好不容易形成一次合力的中钢协，自然也不会就此罢休，不但组织起以宝钢、武钢、首钢等大型钢企为主的“复仇者联盟”，还采取一系列措施统一口径。
手握全球最大购买力，又值全球行业大萧条，而且要求并不过分，中国钢铁业的这场翻身仗看起来是赢定了。但几个月的博弈后，中钢协还是败了。
中国钢铁业集体溃败了！
三大巨头非但没有如期降价，相反还变本加厉取消了“长协”机制。受益于“四万亿”刺激与全球钢铁市场复苏，2009年之后铁矿石行情持续攀升，三大巨头随即对中国开始了既不保量、价格也说涨就涨的“长协改短约”。用时任中钢协常务副会长罗冰生的话说就是：连谈判的资格都没有了。
由此带来的后果是灾难性的。仅2011年上半年，中国就为此累计多支出160亿美元，按当时汇率计算，直接增加钢铁行业成本1041.1亿元人民币。
原本想要翻身的中国钢铁业，由此陷入更加被动的局面，直至今天。
作为最大买家时，毫无主动权；作为最大卖家时，就能被动转主动，甚至像三大巨头那样掐着买方的脖子要价吗？
答案是，也不能。典型如稀土。
按2012年国新办发布的《中国的稀土状况与政策》，中国稀土储量占世界总量的23%，并承担着全球90%以上的供应。
三大巨头合计才掌握全球70%的铁矿石市场，以供应强弱而论，一家供应全球90%市场的中国稀土，至少该有三大巨头一样的产业话语权。但现实却是，中国稀土非但没能像三大巨头那样号令全球，反而长期被外资买方杀价盘剥，连基本的资源价值都不能兑现。
2000年到2010年，中国不占资源优势的黄金、铜、铁矿石价格涨幅都在4倍以上，而中国占据绝对资源优势的稀土价格涨幅才2.54倍。世人皆言物以稀为贵，全球稀缺的稀土轮到被中国掌管时，其价格却大幅落后于大宗商品的平均水平。以致工信部部长肖亚庆在国新办年初的新闻发布会上痛心疾首：
中国的稀土没卖出“稀”的价格，卖出了“土”的价格！
中国长期以低廉价格将稀土卖向全球的另一边，同样拥有大量稀土储备的欧美国家却长期奉行封闭矿山的策略。若此趋势不改，中国终将迎来更加被动的局面：
自己的稀土消耗殆尽，然后被现在封矿的西方国家联合起来再卡脖子。
作为最强的需求方，买不出应有的话语权；作为最强的供应方，卖不出应有的价值；便宜总是被别人占，好赖都要受制于人。
中国在全球产业链的憋屈，还远不止于稀土和铁矿石——在世界500种主要工业品中，中国已有220多种产品的产量位居全球第一，但我们在这些“世界第一”中，真正掌握了话语权和定价权的屈指可数。
【扎推、重复、过剩】
1975年，“稀土之父”徐光宪提出全新的稀土提纯技术——串级萃取，并在全国无偿推广。他原本希望通过提炼技术的普及，让中国摆脱廉价对外销售稀土矿、然后高价买回国外高纯度稀土的尴尬，让中国稀土真正做强做大。
徐光宪的无私善举，帮助了中国稀土产业的进步，却也引发了一场场中国稀土的危险竞赛。随着技术的扩散，稀土提纯的行业门槛陡然消失，从央企到地方私企，从老板到村民……无数企业和个人疯狂涌向这个行业。
上世纪80年代，全国还只有少数几家稀土开采和提炼企业。到21世纪初，光是拥有稀土采矿权的企业就已超过400家。在拥有全国近4成重稀土的江西赣州，随处可见开采稀土的塑料管道。许多村民在家支个大水缸，背几篓红土倒进去，加上硫胺，就开始生产。
2013年前后，稀土产业的野蛮生长引起国家层面的高度重视，从中央到地方陆续出台政策，采取行动，推动行业规范与产业整合，力图形成产业合力，实现产业主导权，但项目扎堆、企业各自为阵以及私自盗采，依旧持续上演。
数据显示，2019年国家层面根据全球需求和整体规划制定的稀土配额为13.2万吨，但最终市场上流通的稀土至少达26万吨。正是这些严重超配的供应过剩，才让有矿不卖的国家得以享受中国低价的盛宴。
稀土之外，钢铁业、家电业、光伏业、面板业、互联网业乃至最新的新能源汽车、最难的芯片业……也都在重复着稀土的故事，疯狂地扎堆、大量地重复，快速地过剩。
上世纪90年代国家放松对民营钢企的准入管制后，国内钢铁企业的数量就抑制不住地疯涨。1980年代，全国已有钢企114家，对比发达国家，这已是天文数字。但到2007年，统计在册、有模有样的钢铁企业已增至近800家。统计之外，甚至还有“唐山的瞒报产量就超过德国”的壮观景象。
超级的产能，不但让中国钢铁业时不时就“卖一吨钢铁还不如卖一斤白菜挣得多”，也让三大铁矿石巨头加倍卡脖子：每多出一家钢企，就要给他们多下一张买单。
2004年，德国立法补贴，让光伏成为造富之地。已经入行的中国企业一夜暴富之后，迅速吸引国内企业一哄而上。已经在行业的大规模扩产，没有在行业的跑步前进，一出手就是几十几百亿的新产能。规模企业之外，一些家庭作坊，甚至买上两三台切割机、几根硅棒，就开始切成片卖钱。
2001年，光伏行业在国内还几乎空白，但到2010年，全国已有上千家光伏制造商。2007年，一位计划扩产多晶硅的企业家，兴致勃勃地跑到美国找承建商，但却在美国承建商给出的一张全球多晶硅产能分布图面前傻了眼：“这些项目加起来，几乎是市场未来需求量的三倍以上!”更让他震惊的是，这些项目绝大多数都在中国。一个新兴的朝阳产业就这样在中国快速而且极度过剩。
液晶面板领域，京东方用上千亿的持续投入熬出胜利曙光之后，几乎每个月都有新的企业跑步进入，新的产线奠基或投入使用。
面板产业一出手就是世界战争，而且技术迭代快，低水平重复极其容易死无葬身之地。但即便“从地狱里站起来”的京东方创始人王东升曾多次提醒并警告：全球液晶显示行业未来将只会剩下3家左右，最多不会超过5家。即便目前中国面板产业仅上市公司就已有10家，且大多数投资规模都在300亿以上，也还有新的产线在建设中。
互联网以及芯片领域，疯狂扎推更有过之无不及。互联网领域，百团大战、千播大战，共享大战、社区团购卖菜大战，甚至互联网卖烧饼，也都一哄而起；芯片领域，仅2020年，全国新成立的半导体企业就多达5万家，平均每天新增140家；新能源造车，同样也是运动式地前赴后继。
企业跟风、扎堆、重复的另一边，一些地方政府甚至比企业更疯狂。
光伏产业最火爆时，一年财政收入不到18亿的江西新余市，借了2亿给彭小峰，快速孵化出一个世界级的光伏企业赛维LDK。更有一些地方政府，不需要企业出一分钱，就能帮企业借钱建设一个有规模的光伏厂，甚至规模越大越好。到2012年，全国已有300多个城市把大力发展光伏产业纳入当地的远景规划，并累计兴建了100多个光伏产业园。
液晶面板火爆时，一个产线项目，常常会被10多个，甚至更多地方政府集体争夺，争夺不到的，则会以令人吃惊的政策优惠劝说企业再设项目，增加产能。
一位面板企业家，还曾这样对华商韬略表达对地方政府的无可奈何：“先是软磨硬泡要我们去建厂，我们不答应就转身去找其他企业，甚至去找在这个行业毫无积累的人一起干。我们提醒说，你这种低水平重复的产线就算做出来，也无法生存。结果对方领导竟然说，‘没关系，我们做不下去了，你们就过来把我们收了吧，就当是过来投资了‘。你说气人不气人。”
在武汉，地方政府对芯片产业的过度热情，则直接催生了弘芯的荒诞闹剧：一群根本没有芯片产业积累的人，仅凭一个宏大但实际虚空的项目计划，就骗到地方政府出地、出钱又出人，最终造就了一个国际笑话。
一旦出现赚钱机会或成功模式，便快速跟风、扎堆、重复，让中国企业和资本几年时间就能将一项新兴产业做成世界第一。但这世界第一的盛名之下，往往都是行业总体规模大、企业个体实力不强且大都停留在成熟技术的同质化与规模化。更不客气地说，是鱼龙混杂、散沙一盘，依靠同质化规模堆出来世界第一，总体规模之外，产业主动权与企业话语权依然在别人手里。
别人的世界第一是一艘艘航母，我们的世界第一大多是几艘大船屁股后面跟着看不到边的小舢板；别人的世界第一是建立在核心技术与高附加值上的世界第一，是可以形成拳头，到处卡脖子，我们的世界第一大多是建立在低水平重复与过剩之上的世界第一，是一盘散沙，各自为阵，想要在国际上竞争制胜，得首先踏平自己人。
【粗放、无序、内卷】
为订单，杀红了眼！
方圆不到4万平方公里的江西赣州，到2015年时统计在册的规模以上稀土企业已有68家，规模以下的小企业乃至作坊到底有多少，则无人可以给出准确答案。
为了各自的生存与发展，这些企业用尽各种心思去各显神通，一场场永无休止的抢单与内卷大战也由此展开。
厦门钨业有一次去采购，给出每吨1万元的低价，下面的企业却争相开出九千九、九千八……气得时任赣州市经委主任曹晓秋直吐槽：“扔块骨头，就疯狂地扑上去。”
国内企业来买如此，国外企业来了买就更是如此。
精明的国外买家，不但充分利用中国稀土企业各自为阵的特点，以各个击破获取着当下行情时的最低价，还几乎一致地通过一套长期盘剥策略，将中国稀土价格行情长期摁在地上来回摩擦：低价时大量买进，涨价时停止采购、消耗库存，首先逼迫实力不够的企业带头降价，继而带动其他有抵抗力的企业陆续跟随，最终让整个稀土价格再次回到低价盛宴。
如此结果就是，赣州长期守着金饭碗过着讨饭吃的日子。统计数据显示：到2012年，赣州已累计开采稀土25万吨，占全国的70%，由此造成的环境污染治理费用高达380亿元，但整个江西稀土产业2011年的利润才只有64亿元。
光伏产业，跟风、扎堆之后的内卷恶果，则堪称史诗级的灾难。
2008年，金融危机爆发，全球光伏产业跌入低谷，中国光伏巨头之一英利创始人苗连生，带着高管在井冈山掀起以价格战为首的三大战役。数月之后，当时国内最大太阳能光伏电站——敦煌10兆瓦项目的招标会上，英利在行业平均成本为2-3元/千瓦的情况下，以0.69元/千瓦的地狱价一举中标。国内激战的同时，各家企业也把价格战快速打到全球市场。
自相残杀，不但让中国光伏产业集体沦为欧美的车间，持续亏损为其生产还要被“双反”，也让那一代光伏企业几乎集体成为先烈。曾经造就中国首富的尚德破了产，而且留下一大堆不光彩，以及与地方政府的恩怨情仇；另一位首富彭小峰，不但公司破产，还个人身负巨债，身陷囹圄；率先价格大战的苗连生，消灭了对手，也消灭了自己的企业，背着巨债开始了挖鱼塘、养鸭子。
过剩的粗放、无序与各自为阵的内卷，让拥有资源和供应优势的产业，被摁在全球价值链低端盘剥，也让拥有需求与购买力优势的产业被卡住脖子高价盘剥。
铁矿石就是这样被卡住的。当年中钢协与三大巨头谈判时，表面团结一致的诸多钢厂，都在为自身利益各怀鬼胎。他们不但无视中钢协的要求，私下与外方签订“丧权协议”，甚至还投敌卖国，上演了触目惊心的间谍案例。
根据后来公开的信息，几十家中国钢企相关负责人，都在那期间被三大巨头收买，不少人都一边参加中钢协会议，一边向三大巨头事无巨细地提供着会议和产业情报。
走出国门之后，中国企业最擅长的同样也是跟风、扎堆、内卷的戏码。1999年，重庆企业家尹明善在东南亚摩托车市场告捷，一大批中国摩托车企业闻讯后蜂拥而至。短暂的扎堆狂欢后，一场场以次充好的低价内卷战，不但将市场还给了日本企业，还抹黑了整个中国企业在东南亚市场的形象。
即便规模大、实力雄厚、行业集中、容易形成合力的领域，中国的产业内卷也一样会上演。比如，享受着各种支持，也被寄望于提升中国产业整体竞争力的大型央企，往往就更是在国际上杀价、抬价的内卷高手。
2013年1月，阿根廷电动车组采购招标。中国北车力压国外群雄，以每辆车239万美元的价格胜出。可北车还没来得及庆祝，就被中国南车突然横插一杠，报出了127万美元的超低价。最终的结果是，南北车集体败走麦城，因为阿根廷认为，整个中方企业的报价都“很不严肃”，所以他们不但终止了南北车的竞标，还同时暂停了与中方已签约的其他项目合作。
但南车这个加害者，其实也是受害者。
2011年，南车的一位高管还曾公开批判央企在海外投标时的“窝里斗”：“一家公司旗下的两家分公司为抢夺同一个项目，报价可以相差1亿元……把这个市场搞坏了，把中国企业的形象和信誉毁坏了，这是很危险的事情。”
两车的恶斗，直到高层亲自批示，应减少恶性竞争和资源浪费，形成一个拳头对外，并在2014年12月南北合并，才算结束。
华商韬略接触的不少央企负责人，也都对央企的内斗既厌恶，也无可奈何，进而既是内斗的受害者，也是内斗的加害者。
“最怕的不是国外对手，而是国内同行。”
一家大型电站设备企业董事长就曾向我们讲过一个这样的悲壮故事：一次海外电站设备招标中，该企业好不容易以微利谈妥一张百亿级订单，但协议还没签订，一家闻风而至的国内同行就直接开出了比成本还低一成的报价。最终，这家企业只能为保订单而还手，并报出更低的割肉价。“我知道这个做下来要亏钱，但没有办法，整个集团已经做了计划，工厂不能停摆，工人要吃饭。”
工程竞标、产品销售领域，像卖稀土一样杀价内卷；走出去投资、并购的中国企业，则像钢企购买铁矿石一样抬价内卷。
2008年前后，中国企业到海外疯狂收购矿山资源，不少项目都同时被数家、数十家中国企业争夺。一些大型钢企还把在铁矿石谈判中的内斗戏码重新上演。武钢、鞍钢、宝钢、中钢等央企，都曾同时围猎相同标的并相互抬价。借贷环境宽松时的一些大型民企，同样花钱不眨眼，常常出手就是上亿美元甚至数亿美元的加价，以示自己的阔绰与志在必得。时间一长，中国企业在海外投资及收购时的内斗，甚至在国际商界创造出一个专有名词：“中国溢价”。
把准脉搏的海外企业和国际投行，则创新出一种专门针对中国的溢价策略：即便一个项目只有一家中资企业参与竞购，他们也会再找几家中资企业当托，假意参与竞购，诱迫参与竞购的中资抬价。华商韬略接触的多位私募基金投资者也都感叹，内斗是中国企业在海外并购投资的一个顽疾。
卖要防止自己人，买也要防止自己人。持续在各个行业上演的扎堆、内斗，最终斗掉的，不只是企业的个人利益，也更是中国在全球产业链的集体利益，是中国在全球产业链掌握核心、走向高端的希望和前景。
【掣肘、困境、破解】
提出稀土串级萃取理论的徐光宪，直到2015年去世，也没能看到中国稀土产业的真正强大，生命的最后时光里，他讲得最多的是：
中国的稀土事业还是没有发展好。
如今，中国几乎垄断了全球精炼稀土产能，但依然处在全球产业链低端，依然要高价从国外进口高端稀土材料与产品。比如日本，就长期低价从中国进口各种稀土原材料，加工出更高技术含量的应用产品，然后再高价卖回中国。通过这种从中国进口稀土再卖给中国高端稀土产品的模式，没有稀土的日本人，赚到的利润往往是中国企业的数十数百倍。
为何中国稀土不能攻上高精尖，起步晚、技术落后已只是借口。更深层次原因是，企业从投资布局开始就低水平重复，同质化过剩，高精尖和高价值不足，而一旦陷入同质化过剩，即便企业想要主动升级，也会被行业的长期积弊掣肘：一是同质化内卷，导致利润微薄，甚至要亏本经营，生存都是问题，何谈研发；二是即便研发成功，如果不是超级投入、超级技术的超级壁垒，往往也会因为同行不择手段地再次跟风、扎堆，继续陷入同质化的内卷里。
以稀土为例，即便国家层面为形成合力而成立的六大稀土集团，也至今都停留在以资源为主导，研发集体薄弱的粗加工领域，既继续各自为阵，也被中小企业与地方政府的利益博弈死死拖住整合的进程，根本没有实现形成合力的初衷。2019年，中国实际流通的稀土超过26万吨，但被寄望于一统全国稀土交易，合力谋求国际定价权的包头稀交所，全年实际交收量才可怜的0.3万吨。
与之对应，六大集团非但没让中国稀土在全球产业掌握更多话语权，相反还让自己越混越差，甚至一年不如一年。数据显示，坐拥全球最大稀土矿白云鄂博矿的北方稀土集团，到2019年的销售毛利率已下降至10%左右。
低价与低端同质化内卷，同时还让本该创造更大价值，助力国家掌握产业核心的资本、人力、资源被大大浪费。以稀土为例，到2012年，中国国有企业稀土开采的吨回收率只有60%，大型民营企业回收率仅为40%，一些私采乱挖的小型企业甚至不及5%。至今，稀土磁性材料领域的核心技术，依然大多在日本和美国企业手中。“出口产品还得向人家付专利费。”
类似的困境，不断在国内许多行业上演。
无锡尚德五年做到全球光伏四强时，施正荣原计划再接再厉搞研发升级，建立真正掌握核心的世界级企业，但全行业的快速过剩和疯狂内卷，最终让那一代的中国光伏企业都集体殉葬。如今崛起为新龙头的隆基股份，则因为选了不同技术路线，甚至是因为没钱去豪赌而幸运地活了下来。但在行业突破及碳中和的巨大刺激下，包括隆基在内的光伏业者，已然开始了新的高歌猛进，一个接一个的大项目与大扩张，或将为光伏再次过剩与内卷埋下伏笔。
液晶面板领域，中国目前已在成熟技术和市场为主的大尺寸领域成为绝对的世界第一，并将曾经的世界霸主韩国三星、LG逼到了缴械投降，纷纷关闭或出售了大尺寸的LCD产线。但看起来占尽风头，报了当年被卡脖子之仇的另一面，也潜藏着过剩、内卷，迟滞产业进一步向上升级的困境与隐忧。
目前，中国的液晶产业大都集中在制造环节，上游的液晶材料、玻璃基板、偏光片等原材料，以及制造设备等核心高附加值产品，依然是大量依赖进口。韩国三星、LG退出大尺寸市场，与其说是缴械投降，不如说是主动撤退：不再跟被中国企业染成红海，也无太多利润可言的大尺寸市场玩了，转而集中精力布局下一代显示技术与生产，图谋着再一次对中国厂商形成降维打击。
这也意味着，如果国内面板企业继续在大尺寸领域扩大同质化竞争与内卷，好不容易熬出头的京东方、TCL等企业或将被再次拖入困境：既无法将自己苦战日韩多年终于拿到的大尺寸领先优势变成应有的利润；也将因为被陷在大尺寸的内卷，而没有足够的利润和精力去投资未来，进而在新一代显示浪潮来临时再次被动，也让中国液晶面板业失去彻底掌握产业核心价值的机会。
即便十分孱弱的中国芯片业，也都有了过剩与内卷，会迟滞向上创新与攀登的隐忧。中国芯片业落后先进技术和制程太远，只能走在外资巨头的身后，从啃吃没有太高技术门槛的低端市场积累实力和品牌，然后再走向高端。一哄而上的芯片热，极有可能造成的局面则是：好不容易熬出来几家在中低端做出点名堂的企业，就会有一堆跟随的国内同行为了自己的生存，不择手段地将其拖入持续的内战，使其迈向高端的步伐既被外资死死卡住，也被自己人死死拖住。
一边是在中低端市场的同质化过剩与内卷，造成巨大的资本和资源浪费；一边是在高端与高价值的不足，长期被卡脖子；而中低端的同质化内卷，则会加倍掣肘产业的整体转型升级，这也是中国大多数产业的缩影。
因为扎堆，导致过剩，因为过剩，导致内卷，因为内卷，导致利润微薄甚至亏损，因为薄利和亏损，导致没钱研发升级……最终，就算跑出世界第一，也是没有话语权和溢价能力的第一，甚至是落后的、别人已经不玩儿的第一。
与中国产业在世界市场低水平内卷鲜明对比的，是外资在中国市场的高度团结：为最大程度保持市场优势，他们不但能本国企业抱团，甚至能跨国跨地区地团结起来。团结的力量，不但让他们能用铁矿石这种初级产品卡住中国的脖子，也能让他们最大程度收割技术、专利的壁垒，并将壁垒持续筑高。
面对中钢协强势的谈判，澳大利亚能与巴西同呼吸共命运；中国医保谈判，真正掌握独门新药的外资企业一度抱团缺席，宁丢市场规模也不丢定价权；为打压中国科技产业，美国能联合42国在《瓦森纳协议》将半导体材料列入限制对华出口的清单，并给出冠冕堂皇的理由：防止被用于军事用途。
当中国出口的产品对他们的产业形成威胁，他们会举起反倾销的大旗，把官司打到WTO，阻拦中国企业的前进；当中国对持续贱卖的稀土稍微采取点出口管制，他们还是会跑到WTO起诉，要求取消出口控制。
最体现外资企业精诚团结收割中国市场的，莫过于2001—2006年，韩国三星、LG、台湾奇美、友达等六家液晶面板厂商，在长达6年的时间，持续召开了53次共商会议。这些平日里巴不得对方死的对手们，几乎每个月就密会一次：交换市场信息，合谋操纵价格，共享不当暴利。
而被六大外资卡住脖子的中国彩电企业们，在2001至2006年所做的，却不是团结起来一致对外，而是一边被卡脖子，一边上演着内卷肉搏战。以至于看不下去的龙永图在一次论坛上，以“古人说苛政猛于虎，现在家电行业是内斗猛于虎。”警告中国家电业最大的问题就是企业间的内斗和内耗。
如今，备受内卷伤害的中国电视业，即便已在技术、品质等方面世界级领先，也依然只能维持不到2%的净利率，曾将价格战打到最厉害的长虹，其电视业务则率先且持续陷入亏损，可谓害人害己。
至于很多人高呼的中国电视业终于打败了日韩，更客观的事实是，如果没有合理的利润，他们宁可撤退，转而进入其他市场或领域，也不陪跑或陪葬。比如，已在中国市场市占率不足2%的三星电视，在全球市场依然高居第一，而且是更高利润率的第一。
一个犹太人在十字路口开了一个加油站，生意很好；第二个犹太人在左边开了一家餐馆；第三个犹太人在右边开了一家超市……最后整个区域都火了；换成中国人，第一个开了个加油站，第二、三、四个都来开加油站……最后都不赚钱，整个区域也凋敝了。
这是一个老掉牙的网段，这样的故事隔三差五就在中国产业界真实上演。在产业经济必须向上突破的今天，这样的故事，实在不该继续上演。
“一个中国人是一条龙，一群中国人是条虫。”这是所有中国人都不喜欢，但又都感同身受过的一句话。内斗，已经让中国企业吃了太多苦头，在更需团结的今天，这种苦头也不该再吃了。
c2.24 陈小英…
穿透夹缝顽强生长。
人均55件！全年突破800亿件！市场规模10万亿元。狂飙突进的中国快递业，创造了一个又一个创业和财富传奇，15岁就开始打工谋生的陈小英，则是传奇中的传奇。
1. 1976年，陈小英生于桐庐县，这里距离杭州西南方向约百里，重峦叠嶂，富春江斜贯而过。
2500年前，伍子胥在这里遁入荒山，死里逃生。历代多有文人墨客结庐于此，元代黄公望的《富春山居图》更是成为传世名作。
但陈小英的童年并没有这么诗情画意。她的老家子胥村在离县城30多公里的山沟里，自小家境贫寒，与父母、哥哥相依为命，终日围着几亩薄田操劳，陈小英从小便扛起了家庭重任，种茶、养猪、下田都不在话下。
1990年，她的父亲去世，失去了顶梁柱的家庭变得更加窘迫。年仅15岁的陈小英被迫从初中辍学在城里当木匠的哥哥给她介绍了一份工作，在杭州一家印染厂打工。
在这里，她结识了比自己大三岁的同乡聂腾飞。说来有趣，聂腾飞老家就在邻村。相似的出身和命运，让两个人心心相印，不久便坠入爱河，这才有了他们后来的创业经历。
不过，让两人没想到的是，他们为生活所迫的一次创业，竟然撑起了中国快递业半边天，更没想到的是，从此桐庐的父老乡亲浩浩荡荡加入快递大军，让老家成为了快递之乡。
上世纪90年代，上海浦东新区成立。进出口贸易发展如火如荼，外贸公司遇到了一个棘手问题：为了赶船期，商户的报关单需紧急送往上海吴淞海关。
当时邮政EMS最快也要3天，外贸公司只能派人专送，次日达的跑腿业务应运而生。当晚9点从杭州出发，次日凌晨3点到达上海。一次寄送三四单，就相当于普通打工人一个月的工资。
而当时在印染厂一天工作八九个小时，月收入才20元。不甘心挣“死工资”的聂腾飞心思活泛，1991年便离开印染厂，在一家快递公司跑腿。
两年后，报关单业务越来越多，聂腾飞另立门户，拉来女友陈小英、弟弟聂腾云以及工友詹际盛等，拼凑3万元，在杭州开起一家快递跑腿公司，取名“神通”（申通前身，曾用名“盛彤”）。
公司起步时，几乎一穷二白，资产仅有一辆桑塔纳、几辆自行车。几个人的晚餐，常聚在一起吃泡面。
白天，聂腾飞挎着BP机扫楼，晚上坐火车去上海，再由詹际盛骑自行车投递报关单。
深更半夜，聂腾飞常常拎着蛇皮袋赶火车，有座就坐，没座就站着，困了就钻到座位底下睡。有时包裹太大，还被列车员呵斥，“天天大包小包占着地儿，把这儿当你家了？补票！”
杭州还可以骑自行车，上海只能靠公交和步行，几个男人揣着地图，边走边看边打听，天天穿梭在杭州和上海的大街小巷。
17岁的陈小英负责在办公室打电话推销，每天要打上千次电话，工作超过17小时，经常忙得顾不上吃饭，累得倒头就睡。
很多人以为她是骗子，要么挂掉电话，要么破口大骂。尽管心理压力巨大，陈小英每通电话仍要保持语调轻快，“您好，我们是次日达公司盛彤，请问您有报关单需要送到上海吗？”
大家起早贪黑，一年下来赚了2万多，几个人更有斗志了。由于核心业务集中在上海，陈小英将公司改名为“申通”，取上海代称“申”与“四通八达”之意。
2. 1995年，在杭州、上海站稳脚跟后，申通的生意越做越大，扩张到宁波、金华、南京、无锡等地。
1997年申通走向全国，长驱直入北京、广州、武汉、成都和青岛。1998年，申通已拥有50多个网点，员工近2000人，崛起为长三角快递一哥。
公司蒸蒸日上之际，谁料天降横祸。1998年秋天，聂腾飞在去绍兴的高速公路上，因车速过快发生紧急侧翻，不幸身亡，年仅25岁。
丈夫突然离世，留下悲痛欲绝的陈小英和1岁的儿子。
树倒猢狲散。这场事故犹如一场大地震，不少业务骨干纷纷“单飞”，公司几乎分崩离析。昔日同僚变敌手，陈小英孤立无援，面临极大考验。
在哥哥的支持下，陈小英接手申通。2001年，在陈小英的治理下，申通版图从长三角辐射到华南、华北等地，年营业额突破10亿元。
陈小英和哥哥还雄心勃勃计划：3年内申通的营业额冲上30亿至50亿元；员工扩容到15000多人，独立网点增至430家，覆盖全国600个以上城镇；每天运送包裹突破20万票，每月运送包裹突破600万票，把快递做到香港……
随后，陈小英革新了加盟制度，打破了快递业固有的弊端，至今仍被同行沿用。
1998年年末，在国营邮政快递的夹缝中，民营快递从最初的两三家发展到了100多家，靠的就是加盟制度带来的爆发式增长。
但地方加盟商的实力膨胀之后，开始和总部叫板，丢件、扣件、盗件、倒戈频繁发生，管理愈发艰难。
此外，行业良莠不齐，恶性竞争事件频发。有同片区的快递网点为了争夺客户，把利润压到一单几毛钱，甚至有快递员为了争夺一单生意而大打出手。
一面是惨烈的价格战，一面仍需要不断扩张地盘、提高市场占有率，陈小英面临泰山压顶般的资金压力。
当时，摆在陈小英面前的有三条路：一是保持加盟模式，同时增加末位淘汰机制；二是直营与加盟并重，在中心节点采取直营，牵制所在地的加盟网点；三是全面直营，这也是全球快递四大巨头所选的路。
如何抉择？陈小英思绪烦乱，她撇开手头一切工作，闭关整整一星期，终于得到了新灵感。
2003年，陈小英在申通推行“总分两级加盟”制：原来的承包网点变为“一级加盟商”，快递员可以通过承包城市的一小片区域成为“二级加盟商”，一级加盟商向总部交付押金，二级加盟商给一级加盟商交付押金，收入全归他们自己所有。
“两级”相互牵制，网点利益关系趋于稳定。由此，申通发展驶入了快车道。
3. 陈小英巩固行业地位的第二个杀手锏是与淘宝结盟。
2004年，淘宝的交易额只有10亿元，2005年暴涨至80亿元，到了2006年翻倍至169亿元，之后连续几年都迅猛增长。2006年，淘宝成为亚洲最大的购物网站。同年，中国网民数量突破1亿，每天有900万人上淘宝。
春江水暖鸭先知。陈小英很快就捕捉到了淘宝未来的巨大影响力，在粗放的快递业迅速建立了分拨中心和统一的信息管理系统。
在草莽生长的阶段，快递企业是“黑户”，但在丰厚利润的诱惑下，不少人前赴后继，奔向这条发家致富路，民营快递因此在猫鼠游戏中悄然壮大。
直到2009年，《新邮政法》颁布，为民营快递正名，申通才终于把“快递”写入公司名称中。
政策利好，加上淘宝订单爆发，陈小英再次尝到时代红利的甜头。
继圆通之后，2007年，申通成为淘宝商家早期合作伙伴。与淘宝合作不到半年时间，申通订单从一天约6万票，大涨3倍多至20万票。而圆通也借助与淘宝的深度合作，迅速跻身第一梯队。
2008年，淘宝每天产生至少500万单快递，申通日订单量占据了20%。
其他桐庐快递也都纷纷跟进，将淘宝电商市场瓜分殆尽，快速起飞。电商件逐渐成为快递业的主营业务，“9.9包邮”一词开始流行。2013年，三通一达占据了淘宝80%的份额。
2009年，双11购物节横空出世，掀起全民狂欢的消费盛宴。
为了拔得头筹，33岁的陈小英打响更为残酷的价格战。当时，一份普通快递的底价是4块钱，但陈小英却咬牙杀到每单2.7元，令业界为之震惊。
果然，在2010年的双11大战中，申通夺得40%的市场份额。
价格换市场的做法，此后在通达系中轮番上演，大家比拼的是谁更能忍、更能熬。为了从快递的千军万马中杀出来，陈小英似乎别无选择。
2012年双11，申通乘胜追击，成为最大赢家。当天申通收件量为640万，第二天攀升至755万，占据天猫淘宝快件量最大份额。
2012年全年，申通业务量达到11.6亿件，日均319万件，业务收入超过100亿元。
2012年，陈小英以1.6亿元收购天天快递，让原本在申通担任总裁的奚春阳出任董事长。后来，他成了陈小英的第二任丈夫。
乘着双11快车，申通迎来发展的黄金时代，业务从长三角向全国渗透，年均增速达到52%。
到了2013年春末夏初，在阿里的主导下，刺刀见红的通达系罕见地坐在同一张桌子上，共同成立菜鸟网络，各出资5000万元、占股1%。2014年5月，菜鸟联合14家主流快递公司推出电子面单，推动全行业步入智能化之路。
不过，与淘宝联姻是一把双刃剑。阿里的整合，一方面让申通等通达系搭上电商快车，信息化手段应对“爆仓”洪峰游刃有余，另一方面，各家纷纷成为阿里附庸，如同被拴在一起的蚂蚱。
此时，顺丰悄无声息崛起。顺丰创始人王卫花了6年时间，于2008年完成直营化改革，逐渐与倚重加盟的“桐庐帮”在服务质量上拉开差距。
虽然“顺德帮”抵不过“桐庐帮”人多势众，顺丰市场份额仅占10%，却以3900亿元市值超过了通达系之和。
4. 推动申通上市，是陈小英在申通做的最后一件大事。
经过一年重组，2016年12月30日，陈小英与哥哥敲响了深交所上市的钟声，以169亿元借壳艾迪西上市。但圆通却早已抢先一步，夺下A股“快递第一股”桂冠。
上市之后，申通反而步入了下滑通道：2014年前，申通一直稳居行业老大，2015年，市场份额陡降到12.4%，滑至第三，此后徘徊在四五名，被甩出第一梯队。
第二年，41岁的陈小英退居二线，卸去申通所有职务，将业务都交给哥哥陈德军打理，但资本版图的扩张势头却不减。
2019年开始，陈小英兄妹俩经过数次套现获得约80亿元，阿里累计间接持有申通25%的股份。
如今，她手握两大快递龙头申通和天天快递股权，分别占21%和49%。
除此之外，据企业工商信息资料，陈小英名下有12家企业，担任23家公司高管，实际控制166家公司，间接控制381家公司，遍及物流、电商、投资、影视、石化、酒店、房地产、新能源汽车等。
2020年3月，申通创始人陈小英位列《2020胡润全球白手起家女富豪榜》第60位，身家100亿元，与圆通创始人张小娟并列；韵达创始人陈立英排名38位，身家130亿元。
公开报道显示，陈小英选择将医疗领域作为二次创业的突破口。
18岁时，陈小英的父亲意外从梯子上摔下，因当时医疗技术落后，不幸去世。从此，陈小英在心中埋下了发展医疗事业的种子。而今，她功成名就，终于可以实现未竟之愿。
天眼查资料显示，2016年至今，陈小英密集布局健康养老产业，并以汇泉健康管理有限公司董事长的身份活跃在新的舞台上，该公司由申通投资，拥有成员企业11家。
2017年12月29日，陈小英投资并发起的铭一口腔在杭州正式开业，其持股70%。
2018年，在杭师大钱江学院汇泉护理学院的成立仪式上，陈小英捐赠了首期500万教育基金。
早在2016年，她曾代表申通向浙江大学捐赠4000万元，设立了“陈小英医学教育教学奖励基金”。
5. “穷则思变”，回首过往，陈小英用这几个字来形容自己的创业生涯。
她说，自己不是富二代，只是凭着一股不服输的韧劲和不怕苦的干劲，从零起步，从3个人开始创业，使申通成为拥有2.5万个站点、30多万员工的庞大企业。
更值得书写的是，她一人串起了一部中国快递史：一对小夫妻草根创业，带领申通走向巅峰，还让申通成为民营快递的“黄埔军校”，孵化出占据快递业逾七成份额、总市值超过2600亿元的通达系。
1994年，申通元老詹际盛与聂腾飞分道扬镳，另立山头，天天快递诞生；
1999年，小叔子聂腾云携妻子陈立英退出申通，凭借宁波和慈溪网点撑起了韵达；
2000年，陈德军的初中同学张小娟与丈夫喻会蛟领着17条好汉，杀入上海滩，创办圆通；
2002年，在申通老兵商学兵的鼓动下，陈小英兄妹的发小赖梅松放弃了红火的木材生意，注资50万元，成立中通快递。10年后，中通成为了国内市值最高的快递公司；
2005年，桐庐人徐建荣创立“汇通快运”。2010年因经营不善卖身百世物流，改旗易帜。
虽然看起来谱系复杂，但实际上“天下快递是一家”，都与陈小英有着千丝万缕的联系。桐庐县这样一个曾经名不见经传的小地方，也因此成为闻名全国的“民营快递之乡”。
在随后的行业洗牌中，上述申通直系大军青出于蓝而胜于蓝，包揽了行业第一梯队。
2020年前三季度，中通、韵达、圆通、申通、百世市场份额分别为20.6%、17.2%、14.8%、10.6%、10.6%，通达系合计占比为73.8%。
如今，从零到800亿，中国快递业虽崛起于草根，却不断迈向智能化、国际化，雄冠全球。
回首来时路，正是以陈小英为代表的70后打工人赤手空拳，穿透夹缝顽强生长，才缔造出如今的壮观森林。
时代浪潮的裹挟中，愿每一朵不屈服于命运的浪花都能创造属于自己的奇迹。
c7.1 合伙做生…
一、诚信原则: 合伙赚钱，诚意当先，以诚相待。不要去管你的伙伴怎么对你!自己先做自己!
二、目标原则: 求大同,存小异!小事随它去,大事不糊涂,看准共同的目标价值,把握大局观。
三、信任原则: 合伙人最忌讳相互猜疑,要相信,不管任何时候。只有你的伙伴，能把利益的天平，放在你一边。
四、宽容原则: 彼此之间的宽容理解才能使合伙走的更长。
五、吃亏原则: 自己多吃点小亏,让对方多占便宜。要知道，没有绝对的公平合理。只有多为你的伙伴做奉献。
六、交往原则: 己所不欲，勿施于人。把合伙人一直当真心朋友相处,不要把金钱当作合作关系的纽带。
七、公平原则: 亲兄弟要明算帐,不要你好我好大家好,最后都是一些无原则纠纷。
八、谦虚原则: 多看别人优点,少看别人缺点;相互学习,共同提高。
九、沟通原则: 不打肚皮官司,有什么想法不要让其过夜, 多沟通。
十、坚持原则: 敢于坚持原则,用生命去捍卫共同制订的规则,并为你的合作伙伴鞠躬尽瘁。
最适合做合伙人的10类人
1、彼此是谈得来的朋友。
2、有共同的人生价值观。
3、彼此能充分了解信任。
4、遇事彼此易沟通。
5、彼此有奉献牺牲精神。
6、彼此宽容大度。
7、志趣要能基本相投。
8、彼此能坚定支持对方。
9、彼此有一定专业背景。
10、有共同理想。
五类绝对不能合伙的人
1、不与私欲太重的人合作，因为他们看不见别人的付出，只在意自己的结果。
2、不与没有使命感的人合作，因为他们只以赚钱为目的。
3、不与没有人情味的人合作，因为在一起会不快乐。
4、不与负面消极的人合作，因为他们会吸干你的正能量。
c3.20 “螃蟹…
什么是“螃蟹文化”
所谓“螃蟹文化”也叫“螃蟹效应”，是指当螃蟹放到不高的水池里时，单个螃蟹可能凭着自己的本事爬出来。
但是如果好几个螃蟹，它们就会叠罗汉，总有一个在上边，一个在下边，这时底下的那个就不干了，拼命爬出来，并且开始拉上面螃蟹的腿，结果谁也爬不高。这就是螃蟹文化。
钓过螃蟹的人或许都知道，篓子中放了一群螃蟹，不必盖上盖子，螃蟹就是爬不出去的，因为只要有一只想往上爬，其它螃蟹便会纷纷攀附在它的身上，结果就是把它拉下来，最后没有一只能够爬出去。
“螃蟹文化”与企业管理
螃蟹如此，企业也同样，如果员工之间、员工与老板之间经常为了各自的利益而相互算计，或明争或暗斗，甚至想尽办法去破坏或打压，久而久之，企业组织里就只剩下一群互相牵制、毫无生产力的螃蟹。
在竞争机制中，应避免这种“螃蟹文化”。竞争面前固然不必讲谦让，但竞争的规则却不容践踏，一旦规则遭到破坏，有序变成了无序，那么，每一个个体都将面临来自四面八方不择手段的攻击，结果就会出现“螃蟹效应”。
相互牵制的螃蟹永远爬不出一尺竹篓，内斗不断的企业难逃“长不大”、“做不强”乃至一朝崩盘的命运。
“螃蟹效应”是一种企业伦理的反映，进而表现为不道德的职场行为。其主要特点是，组织成员目光短浅，只关注个人利益，而忽视团队利益；只顾眼前利益，而忽视持久利益，相互内斗，进而整个团队会逐渐地丧失前进的动力，如此，便会出现1+1<2，而且随着“1”增加到N个，最终的能量“和数”会远小于N，从而最终失去生命力。这恰如封建社会里各利益集团之间的互相倾轧一样，最终导致朝纲败坏，王朝没落。
企业中也存在着这样的现象，但一般不表现为单个人之间的内斗，因为企业中的权力毕竟不比官场，只是职责的体现，单个的力量过于薄弱，而是结成朋党，以部门之间或几个团体之间的力量进行内斗。
这样的企业一般是有过早期的辉煌，产品在市场上处于垄断地位，一些管理者便昏的头脑，不去思考组织的未来发展战略，而是热心于内部之间的争权夺势，于是企业会在内耗中失去活力。
企业应该避免螃蟹效应，通过硬的制度和软的文化两个方面来倡导团队精神，企业才能得到更好的发展。
“螃蟹效应”的原因
1.人的自私心理。这种自私心理导致了主观倾向，是产生“螃蟹效应”的首要因素。
2.人的好强心理。人总是很好强，与同龄年人相比，往往谁也不会服谁，并总想在某些方面超越竞争对手，于是相互间总会形成牵制，有形和无形的争斗就展开了，“螃蟹效应”也就应运而生。
3.人才的聘用制度不健全。由于人才聘用制度不科学，导致合适的人不能进入合适的岗位，许多有能力的却得不到晋升，而一些专攻权术的人却能平步青云，这是“螃蟹效应”产生的客观根源。
4.激励机制与企业文化落后或不健全。使贤能者被同化而缺乏改革进取意识。
5.权力和责任不对等。有时权力大、职位高，承担的责任反尔小了，所以心理上大家都向往权力，都想往上爬，于是一只螃蟹向爬上去，其他的螃蟹总会想办法去阻挠。
6.缺乏团队协作的文化氛围。没有很好的用团队建设的理念和文化来引导人产生协作文化，看不到1加1大于2的效应，让自私的心理越来越膨胀。
7.小人、庸人当道。为巩固自已的地位，他们对贤能者进行排挤、打压、迫害，使整个团队里只存在差于自已及听自已话的人。甚至踩着别人肩膀往上爬的心理，做出损人利已或损人不利已的事情。
8.平均主义。不患寡而患不均的平均主义意识作用，眼红他人优秀而自已平庸，出现不配合或玩釜底抽薪的动作。
9.墨守成规的保守主义者。将平衡与稳定视作第一要务，怕有人打破平衡会产生其它影响而限制进取创新。
10.体制上，员工职业发展通道受阻。个人职业发展通道受到了限制，正常的方式无法实现时，便会采用异常的方式。
11.思想上，员工缺乏市场观念。 员工“双小”意识严重（小农意识和小市民意识），全员缺乏大市场的概念，不是对外，而只对内，部门之间会相互埋怨，严重的会互相倾轧，互拆墙脚。
12.战略上，企业缺乏愿景指引。尤其是文化层面，方向性，即员工心中缺少企业的灯塔和企业的灵魂，从而导致员工意识短浅，不会在长期的企业发展中实现个人的发展，而转而进行螃蟹争斗，从眼前的，身边的更容易实现利益的道路上行走。
“螃蟹效应”可能的后果
1.一山不容二虎
两个人的能力在伯仲之间，总会成为竞争对手，最终总有一个牺牲品，企业内部也形成内耗。
2.鹬蚌相争，渔翁受利
职场中有时会出现这样的无奈，两只螃蟹可能是某一职位的最佳人选，但由于他们相互牵制，为了各自的利益明争暗斗已趋白热化，用了谁都会给整个团队带来不利影响，最终的结果是只能抛开他们，而选择一个资质差的。
3.三个和尚没水吃
一个人就能干好的工作，两个人或更多的人却干不好。最后出现相互推诿、扯皮，降低整体效率。
4.创业难，守业更难
创业时能形成共同的目标，而守业时却都想着个人利益，这就是同患难易，共富贵
AI圣经-Ian …
青山遮不住，毕竟东流去
深度学习这个术语自 2006 年被正式提出后，在最近 10 年得到了巨大发展。它使人工智能(AI)产生了革命性的突破，让我们切实地领略到人工智能给人类生活带来改变的潜力。
该书包括 3 个部分，
第 1 部分介绍基本的数学工具和机器学习的概念，它们是深度学习的预备知识。
第 2 部分系统深入地讲解现今已成熟的深度学习方法和技术。
第 3 部分讨论某些具有前瞻性的方向和想法，它们被公认为是深度学习未来的研究重点。因此，该书适用于不同层次的读者。我本人在阅读该书时受到启发良多，大有裨益，并采用该书作为教材在北京大学讲授深度学习课程。本书脉络图如下所示：
这是一本涵盖深度学习技术细节的教科书，它告诉我们深度学习集技术、科学与艺术于一体，牵涉统计、优化、矩阵、算法、编程、分布式计算等多个领域。书中同时也蕴含了作者对深度学习的理解和思考，处处闪烁着深刻的思想，耐人回味。第 1 章关于深度学习的思想、历史发展等论述尤为透彻而精辟。
“人工智能的真正挑战在于解决那些对人来说很容易执行、很难形式化描述的任务，比如识别人们所说的话或图像中的脸。对于这些问题，我们人类往往可以凭直觉轻易地解决”。为了应对这些挑战，他们提出让计算机从经验中学习，并根据层次化的概念体系来理解世界，而每个概念通过与某些相对简单的概念之间的关系来定义。由此，作者给出了深度学习的定义：“层次化的概念让计算机构建较简单的概念来学习复杂概念。如果绘制出表示这些概念如何建立在彼此之上的一幅图，我们将得到一张‘深’(层次很多)的图。由此，我们称这种方法为AI深度学习 。
“如今神经科学在深度学习研究中的作用被削弱，主要原因是我们根本没有足够的关于大脑的信息作为指导去使用它。要获得对被大脑实际使用算法的深刻理解，我们需要有能力同时监测(至少是)数千相连神经元的活动。我们不能够做到这一点，所以我们甚至连大脑最简单、最深入研究的部分都还远远没有理解”。值得注意的是，我国有些专家热衷倡导人工智能与脑科学或认知学科的交叉研究，推动国家在所谓的“类脑智能”等领域投入大量资源。且不论我国是否真有同时精通人工智能和脑科学或认知心理学的学者，至少对交叉领域，我们都应该怀着务实、理性的求是态度。唯有如此，我们才有可能在这一波人工智能发展浪潮中有所作为，而不是又成为一群观潮人。
“媒体报道经常强调深度学习与大脑的相似性。的确，深度学习研究者比其他机器学习领域(如核方法或贝叶斯统计)的研究者更可能地引用大脑作为参考，但大家不应该认为深度学习在尝试模拟大脑。现代深度学习从许多领域获取灵感，特别是应用数学的基本内容如线性代数、概率论、信息论和数值优化。尽管一些深度学习的研究人员引用神经科学作为重要的灵感来源，然而其他学者完全不关心神经科学”。的确，对于广大青年学者和一线的工程师来说，我们完全可以不用因为不懂神经(或脑)科学而对深度学习、人工智能踯躅不前。数学模型、计算方法和应用驱动才是我们研究人工智能的可行之道。深度学习和人工智能不是飘悬在我们头顶的框架，而是立足于我们脚下的技术。我们诚然可以从哲学层面或角度来欣赏科学与技术，但过度地从哲学层面来研究科学问题只会导致一些空洞的名词。
关于人工神经网络在 20 世纪 90 年代中期的衰落，作者分析到：“基于神经网络和其他AI技术的创业公司开始寻求投资，其做法野心勃勃但不切实际。当AI研究不能实现这些不合理的期望时，投资者也就感到失望。同时，机器学习的其他领域取得了进步。比如，核方法和图模型都在很多重要任务上实现了很好的效果。这两个因素导致了神经网络热潮的第二次衰退，并一直持续到 2007 年”。“其兴也悖焉，其亡也忽焉”。这个教训也同样值得当今基于深度学习的创业界、工业界和学术界等警醒。
深度学习发展与《深度学习》概览
引言
当人类第一次构思可编程计算机时，就已经在思考计算机能否变得智能 (尽管这距造出第一台计算机还有一百多年)(Lovelace, 1842)。如今，人工智能 (artificial intelligence, AI) 已经成为一个具有众多实际应用和活跃研究课题的领域，并且正在蓬勃发展。我们期望通过智能软件自动地处理常规劳动、理解语音或图像、帮助医学诊断和支持基础科学研究。
在人工智能的早期，那些对人类智力来说非常困难、但对计算机来说相对简单的问题得到迅速解决，比如，那些可以通过一系列形式化的数学规则来描述的问题。人工智能的真正挑战在于解决那些对人来说很容易执行、但很难形式化描述的任务，如识别人们所说的话或图像中的脸。对于这些问题，我们人类往往可以凭借直觉轻易地解决。
针对这些比较直观的问题，本书讨论一种解决方案。该方案可以让计算机从经验中学习，并根据层次化的概念体系来理解世界，而每个概念则通过与某些相对简单的概念之间的关系来定义。让计算机从经验获取知识，可以避免由人类来给计算机形式化地指定它需要的所有知识。层次化的概念让计算机构建较简单的概念来学习复杂概念。如果绘制出表示这些概念如何建立在彼此之上的图，我们将得到一张“深”(层次很多) 的图。基于这个原因，我们称这种方法为 AI 深度学习(deep learning)。
AI 许多早期的成功发生在相对朴素且形式化的环境中，而且不要求计算机具备很多关于世界的知识。例如，IBM 的深蓝 (Deep Blue) 国际象棋系统在 1997 年击败了世界冠军Garry Kasparov(Hsu, 2002)。显然国际象棋是一个非常简单的领域，因为它仅含有 64 个位置并只能以严格限制的方式移动 32 个棋子。设计一种成功的国际象棋策略是巨大的成就，但向计算机描述棋子及其允许的走法并不是这一挑战的困难所在。国际象棋完全可以由一个非常简短的、完全形式化的规则列表来描述，并可以容易地由程序员事先准备好。
具有讽刺意义的是，抽象和形式化的任务对人类而言是最困难的脑力任务之一，但对计算机而言却属于最容易的。计算机早就能够打败人类最好的国际象棋选手，但直到最近计算机才在识别对象或语音任务中达到人类平均水平。一个人的日常生活需要关于世界的巨量知识。很多这方面的知识是主观的、直观的，因此很难通过形式化的方式表达清楚。计算机需要获取同样的知识才能表现出智能。人工智能的一个关键挑战就是如何将这些非形式化的知识传达给计算机。
一些人工智能项目力求将关于世界的知识用形式化的语言进行硬编码 (hard-code)。计算机可以使用逻辑推理规则来自动地理解这些形式化语言中的声明。这就是众所周知的人工智能的知识库方法。然而，这些项目最终都没有取得重大的成功。其中最著名的项目是 Cyc (Lenat and Guha, 1989)。Cyc 包括一个推断引擎和一个使用 CycL 语言描述的声明数据库。这些声明是由人类监督者输入的。这是一个笨拙的过程。人们设法设计出足够复杂的形式化规则来精确地描述世界。例如，Cyc 不能理解一个关于名为 Fred 的人在早上剃须的故事 (Linde, 1992)。它的推理引擎检测到故事中的不一致性：它知道人体的构成不包含电气零件，但由于 Fred 正拿着一个电动剃须刀，它认为实体——“正在剃须的 Fred”含有电气部件。因此，它产生了这样的疑问——Fred 在刮胡子的时候是否仍然是一个人。
依靠硬编码的知识体系面临的困难表明，AI 系统需要具备自己获取知识的能力，即从原始数据中提取模式的能力。这种能力称为机器学习(machine learning)。引入机器学习使计算机能够解决涉及现实世界知识的问题，并能做出看似主观的决策。比如，一个称为逻辑回归 (logistic regression) 的简单机器学习算法可以决定是否建议剖腹产 (Mor-Yosef et al., 1990)。而同样是简单机器学习算法的朴素贝叶斯(naive Bayes) 则可以区分垃圾电子邮件和合法电子邮件。
这些简单的机器学习算法的性能在很大程度上依赖于给定数据的表示 (representation)。例如，当逻辑回归用于判断产妇是否适合剖腹产时，AI 系统不会直接检查患者。相反，医生需要告诉系统几条相关的信息，诸如是否存在子宫疤痕。表示患者的每条信息称为一个特征。逻辑回归学习病人的这些特征如何与各种结果相关联。然而，它丝毫不能影响该特征定义的方式。如果将病人的 MRI(核磁共振) 扫描而不是医生正式的报告作为逻辑回归的输入，它将无法做出有用的预测。MRI 扫描的单一像素与分娩过程中并发症之间的相关性微乎其微。
在整个计算机科学乃至日常生活中，对表示的依赖都是一个普遍现象。在计算机科学中，如果数据集合被精巧地结构化并被智能地索引，那么诸如搜索之类的操作的处理速度就可以成指数级地加快。人们可以很容易地在阿拉伯数字的表示下进行算术运算，但在罗马数字的表示下，运算会比较耗时。因此，毫不奇怪，表示的选择会对机器学习算法的性能产生巨大的影响。
许多人工智能任务都可以通过以下方式解决：先提取一个合适的特征集，然后将这些特征提供给简单的机器学习算法。例如，对于通过声音鉴别说话者的任务来说，一个有用的特征是对其声道大小的估计。这个特征为判断说话者是男性、女性还是儿童提供了有力线索。
然而，对于许多任务来说，我们很难知道应该提取哪些特征。例如，假设我们想编写一个程序来检测照片中的车。我们知道，汽车有轮子，所以我们可能会想用车轮的存在与否作为特征。遗憾的是，我们难以准确地根据像素值来描述车轮看上去像什么。虽然车轮具有简单的几何形状，但它的图像可能会因场景而异，如落在车轮上的阴影、太阳照亮的车轮的金属零件、汽车的挡泥板或者遮挡的车轮一部分的前景物体等。
解决这个问题的途径之一是使用机器学习来发掘表示本身，而不仅仅把表示映射到输出。
这种方法我们称之为表示学习(representation learning)。学习到的表示往往比手动设计的表示表现得更好。并且它们只需最少的人工干预，就能让AI系统迅速适应新的任务。表示学习算法只需几分钟就可以为简单的任务发现一个很好的特征集，对于复杂任务则需要几小时到几个月。手动为一个复杂的任务设计特征需要耗费大量的人工、时间和精力，甚至需要花费整个社群研究人员几十年的时间。
表示学习算法的典型例子是自编码器(autoencoder)。自编码器由一个编码器(encoder) 函数和一个解码器(decoder) 函数组合而成。编码器函数将输入数据转换为一种不同的表示，而解码器函数则将这个新的表示转换回原来的形式。我们期望当输入数据经过编码器和解码器之后尽可能多地保留信息，同时希望新的表示有各种好的特性，这也是自编码器的训练目标。为了实现不同的特性，我们可以设计不同形式的自编码器。
当设计特征或设计用于学习特征的算法时，我们的目标通常是分离出能解释观察数据的变差因素(factors of variation)。在此背景下，“因素”这个词仅指代影响的不同来源；因素通常不是乘性组合。这些因素通常是不能被直接观察到的量。相反，它们可能是现实世界中观察不到的物体或者不可观测的力，但会影响可观测的量。为了对观察到的数据提供有用的简化解释或推断其原因，它们还可能以概念的形式存在于人类的思维中。它们可以被看作数据的概念或者抽象，帮助我们了解这些数据的丰富多样性。当分析语音记录时，变差因素包括说话者的年龄、性别、他们的口音和他们正在说的词语。当分析汽车的图像时，变差因素包括汽车的位置、它的颜色、太阳的角度和亮度。
在许多现实的人工智能应用中，困难主要源于多个变差因素同时影响着我们能够观察到的每一个数据。比如，在一张包含红色汽车的图片中，其单个像素在夜间可能会非常接近黑色。汽车轮廓的形状取决于视角。大多数应用需要我们理清变差因素并忽略我们不关心的因素。
显然，从原始数据中提取如此高层次、抽象的特征是非常困难的。许多诸如说话口音这样的变差因素，只能通过对数据进行复杂的、接近人类水平的理解来辨识。这几乎与获得原问题的表示一样困难，因此，乍一看，表示学习似乎并不能帮助我们。
深度学习(deep learning) 通过其他较简单的表示来表达复杂表示，解决了表示学习中的核心问题。
深度学习让计算机通过较简单的概念构建复杂的概念。图 1.2 展示了深度学习系统如何通过组合较简单的概念 (例如角和轮廓，它们反过来由边线定义) 来表示图像中人的概念。深度学习模型的典型例子是前馈深度网络或或多层感知机(multilayer perceptron, MLP)。多层感知机仅仅是一个将一组输入值映射到输出值的数学函数。该函数由许多较简单的函数复合而成。我们可以认为不同数学函数的每一次应用都为输入提供了新的表示。
学习数据的正确表示的想法是解释深度学习的一个视角。另一个视角是深度促使计算机学习一个多步骤的计算机程序。每一层表示都可以被认为是并行执行另一组指令之后计算机的存储器状态。更深的网络可以按顺序执行更多的指令。顺序指令提供了极大的能力，因为后面的指令可以参考早期指令的结果。从这个角度上看，在某层激活函数里，并非所有信息都蕴涵着解释输入的变差因素。表示还存储着状态信息，用于帮助程序理解输入。这里的状态信息类似于传统计算机程序中的计数器或指针。它与具体的输入内容无关，但有助于模型组织其处理过程。
图 1.2 深度学习模型的示意图。计算机难以理解原始感观输入数据的含义，如表示为像素值集合的图像。将一组像素映射到对象标识的函数非常复杂。如果直接处理，学习或评估此映射似乎是不可能的。深度学习将所需的复杂映射分解为一系列嵌套的简单映射 (每个由模型的不同层描述) 来解决这一难题。输入展示在可见层(visible layer)，这样命名的原因是因为它包含我们能观察到的变量。然后是一系列从图像中提取越来越多抽象特征的隐藏层(hidden layer)。因为它们的值不在数据中给出，所以将这些层称为“隐藏层”; 模型必须确定哪些概念有利于解释观察数据中的关系。这里的图像是每个隐藏单元表示的特征的可视化。给定像素，第 1 层可以轻易地通过比较相邻像素的亮度来识别边缘。有了第 1 隐藏层描述的边缘，第 2 隐藏层可以容易地搜索可识别为角和扩展轮廓的边集合。给定第 2 隐藏层中关于角和轮廓的图像描述，第 3 隐藏层可以找到轮廓和角的特定集合来检测特定对象的整个部分。最后，根据图像描述中包含的对象部分，可以识别图像中存在的对象 (经 Zeiler and Fergus (2014) 许可引用此图)
目前主要有两种度量模型深度的方式。一种方式是基于评估架构所需执行的顺序指令的数目。假设我们将模型表示为给定输入后，计算对应输出的流程图，则可以将这张流程图中的最长路径视为模型的深度。正如两个使用不同语言编写的等价程序将具有不同的长度，相同的函数可以被绘制为具有不同深度的流程图，其深度取决于我们可以用来作为一个步骤的函数。图 1.3 说明了语言的选择如何给相同的架构两个不同的衡量。
图 1.3 将输入映射到输出的计算图表的示意图，其中每个节点执行一个操作。深度是从输入到输出的最长路径的长度，但这取决于可能的计算步骤的定义。这些图中所示的计算是逻辑回归模型的输出，σ(wTx)，其中σ是 logistic sigmoid 函数。如果使用加法、乘法和 logistic sigmoid 作为计算机语言的元素，那么这个模型深度为 3；如果将逻辑回归视为元素本身，那么这个模型深度为 1
另一种是在深度概率模型中使用的方法，它不是将计算图的深度视为模型深度，而是将描述概念彼此如何关联的图的深度视为模型深度。在这种情况下，计算每个概念表示的计算流程图的深度可能比概念本身的图更深。这是因为系统对较简单概念的理解在给出更复杂概念的信息后可以进一步精细化。例如，一个 AI 系统观察其中一只眼睛在阴影中的脸部图像时，它最初可能只看到一只眼睛。但当检测到脸部的存在后，系统可以推断第二只眼睛也可能是存在的。在这种情况下，概念的图仅包括两层 (关于眼睛的层和关于脸的层)，但如果我们细化每个概念的估计将需要额外的 n 次计算，那么计算的图将包含 2n 层。
由于并不总是清楚计算图的深度和概率模型图的深度哪一个是最有意义的，并且由于不同的人选择不同的最小元素集来构建相应的图，所以就像计算机程序的长度不存在单一的正确值一样，架构的深度也不存在单一的正确值。另外，也不存在模型多么深才能被修饰为“深” 的共识。但相比传统机器学习，深度学习研究的模型涉及更多学到功能或学到概念的组合，这点毋庸置疑。
总之，这本书的主题 —— 深度学习是通向人工智能的途径之一。具体来说，它是机器学习的一种，一种能够使计算机系统从经验和数据中得到提高的技术。我们坚信机器学习可以构建出在复杂实际环境下运行的 AI 系统，并且是唯一切实可行的方法。深度学习是一种特定类型的机器学习，具有强大的能力和灵活性，它将大千世界表示为嵌套的层次概念体系 (由较简单概念间的联系定义复杂概念、从一般抽象概括到高级抽象表示)。图 1.4 说明了这些不同的 AI 学科之间的关系。图 1.5 展示了每个学科如何工作的高层次原理。
图 1.4 维恩图展示了深度学习既是一种表示学习，也是一种机器学习，可以用于许多 (但不是全部)AI 方法。维恩图的每个部分包括一个 AI 技术的实例
图 1.5 流程图展示了 AI 系统的不同部分如何在不同的 AI 学科中彼此相关。阴影框表示能从数据中学习的组件
1.1 本书面向的读者
本书对各类读者都有一定的用处，但主要是为两类受众而写的。其中，一类受众是学习机器学习的大学生 (本科或研究生)，包括那些已经开始职业生涯的深度学习和人工智能研究者。另一类受众是没有机器学习或统计背景，但希望能快速地掌握这方面知识，并在他们的产品或平台中使用深度学习的软件工程师。现已证明，深度学习在许多软件领域都是有用的，包括计算机视觉、语音和音频处理、自然语言处理、机器人技术、生物信息学和化学、电子游戏、搜索引擎、网络广告和金融。
为了更好地服务各类读者，我们将本书组织为 3 个部分。第 1 部分介绍基本的数学工具和机器学习的概念。第 2 部分介绍最成熟的深度学习算法，这些技术基本上已经得到解决。第 3 部分讨论某些具有展望性的想法，它们被广泛地认为是深度学习未来的研究重点。
读者可以随意跳过不感兴趣或与自己背景不相关的部分。熟悉线性代数、概率和基本机器学习概念的读者可以跳过第 1 部分。若读者只是想实现一个能工作的系统，则不需要阅读超出第 2 部分的内容。为了帮助读者选择章节，图 1.6 给出了本书高层组织结构的流程图。
图 1.6 本书的高层组织结构的流程图。从一章到另一章的箭头表示前一章是理解后一章的必备内容
我们假设所有读者都具备计算机科学背景。也假设读者熟悉编程，并且对计算的性能问题、复杂性理论、入门级微积分和一些图论术语有基本的了解。
《深度学习》英文版配套网站是 www.deeplearningbook.org。网站上提供了各种补充材料，包括练习、讲义幻灯片、错误更正以及其他应该对读者和讲师有用的资源。
《深度学习》中文版的读者，可访问人民邮电出版社异步社区网站 www.epubit.com.cn，获取更多图书信息。
1.2 深度学习的历史趋势
通过历史背景了解深度学习是最简单的方式。这里我们仅指出深度学习的几个关键趋势，而不是提供其详细的历史：
-
深度学习有着悠久而丰富的历史，但随着许多不同哲学观点的渐渐消逝，与之对应的名称也渐渐尘封。
-
随着可用的训练数据量不断增加，深度学习变得更加有用。
-
随着时间的推移，针对深度学习的计算机软硬件基础设施都有所改善，深度学习模型的规模也随之增长。
-
随着时间的推移，深度学习已经解决日益复杂的应用，并且精度不断提高。
1.2.1 神经网络的众多名称和命运变迁
我们期待这本书的许多读者都听说过深度学习这一激动人心的新技术，并对一本书提及一个新兴领域的“历史”而感到惊讶。事实上，深度学习的历史可以追溯到 20 世纪 40 年代。深度学习看似是一个全新的领域，只不过因为在目前流行的前几年它还是相对冷门的，同时也因为它被赋予了许多不同的名称 (其中大部分已经不再使用)，最近才成为众所周知的“深度学习”。这个领域已经更换了很多名称，它反映了不同的研究人员和不同观点的影响。
全面地讲述深度学习的历史超出了本书的范围。然而，一些基本的背景对理解深度学习是有用的。一般认为，迄今为止深度学习已经经历了 3 次发展浪潮：20 世纪 40 年代到 60 年代，深度学习的雏形出现在控制论(cybernetics) 中；20 世纪 80 年代到 90 年代，深度学习表现为联结主义(connectionism)；直到 2006 年，才真正以深度学习之名复兴。图 1.7 给出了定量的展示。
我们今天知道的一些最早的学习算法，旨在模拟生物学习的计算模型，即大脑怎样学习或为什么能学习的模型。其结果是深度学习以人工神经网络(artificial neural network, ANN) 之名而淡去。彼时，深度学习模型被认为是受生物大脑 (无论人类大脑或其他动物的大脑) 所启发而设计出来的系统。尽管有些机器学习的神经网络有时被用来理解大脑功能 (Hinton and Shallice, 1991)，但它们一般都没有设计成生物功能的真实模型。深度学习的神经观点受两个主要思想启发：一个想法是，大脑作为例子证明智能行为是可能的，因此，概念上，建立智能的直接途径是逆向大脑背后的计算原理，并复制其功能；另一种看法是，理解大脑和人类智能背后的原理也非常有趣，因此机器学习模型除了解决工程应用的能力，如果能让人类对这些基本的科学问题有进一步的认识，也将会很有用。
图 1.7 根据 Google 图书中短语“控制论”“联结主义”或“神经网络”频率衡量的人工神经网络研究的历史浪潮 ( 图中展示了 3 次浪潮的前两次，第 3 次最近才出现)。第 1 次浪潮开始于 20 世纪 40 年代到 20 世纪 60 年代的控制论，随着生物学习理论的发展 (McCulloch and Pitts, 1943; Hebb, 1949) 和第一个模型的实现 (如感知机 (Rosenblatt, 1958))，能实现单个神经元的训练。第 2 次浪潮开始于 1980—1995 年间的联结主义方法，可以使用反向传播 (Rumelhart et al., 1986a) 训练具有一两个隐藏层的神经网络。当前第 3 次浪潮，也就是深度学习，大约始于 2006 年 (Hinton et al., 2006a; Bengio et al., 2007a; Ranzato et al., 2007a)，并且于 2016 年以图书的形式出现。另外，前两次浪潮类似地出现在书中的时间比相应的科学活动晚得多。
现代术语“深度学习”超越了目前机器学习模型的神经科学观点。它诉诸于学习多层次组合这一更普遍的原理，这一原理也可以应用于那些并非受神经科学启发的机器学习框架。
现代深度学习最早的前身是从神经科学的角度出发的简单线性模型。这些模型设计为使用一组 n 个输入 x1,··· ,xn，并将它们与一个输出 y 相关联。这些模型希望学习一组权重 w1,··· ,wn，并计算它们的输出 f(x,w) = x1w1 + ··· + xnwn。如图 1.7 所示，第一次神经网络研究浪潮称为控制论。
McCulloch-Pitts 神经元 (McCulloch and Pitts, 1943) 是脑功能的早期模型。该线性模型通过检验函数 f(x,w) 的正负来识别两种不同类别的输入。显然，模型的权重需要正确设置后才能使模型的输出对应于期望的类别。这些权重可以由操作人员设定。20 世纪 50 年代，感知机 (Rosenblatt, 1956, 1958) 成为第一个能根据每个类别的输入样本来学习权重的模型。大约在同一时期，自适应线性单元(adaptive linear element, ADALINE) 简单地返回函数f(x)本身的值来预测一个实数 (Widrow and Hoff, 1960)，并且它还可以学习从数据预测这些数。
这些简单的学习算法大大影响了机器学习的现代景象。用于调节 ADALINE 权重的训练算法是被称为随机梯度下降(stochastic gradient descent) 的一种特例。稍加改进后的随机梯度下降算法仍然是当今深度学习的主要训练算法。
基于感知机和 ADALINE 中使用的函数 f(x,w) 的模型称为线性模型(linear model)。尽管在许多情况下，这些模型以不同于原始模型的方式进行训练，但仍是目前最广泛使用的机器学习模型。
线性模型有很多局限性。最著名的是，它们无法学习异或 (XOR) 函数，即 f([0,1],w) = 1 和 f([1,0],w) = 1，但 f([1,1],w) = 0 和 f([0,0],w) = 0。观察到线性模型这个缺陷的批评者对受生物学启发的学习普遍地产生了抵触 (Minsky and Papert, 1969)。这导致了神经网络热潮的第一次大衰退。
现在，神经科学被视为深度学习研究的一个重要灵感来源，但它已不再是该领域的主要指导。
如今神经科学在深度学习研究中的作用被削弱，主要原因是我们根本没有足够的关于大脑的信息来作为指导去使用它。要获得对被大脑实际使用算法的深刻理解，我们需要有能力同时监测 (至少是) 数千相连神经元的活动。我们不能够做到这一点，所以我们甚至连大脑最简单、最深入研究的部分都还远远没有理解 (Olshausen and Field, 2005)。
神经科学已经给了我们依靠单一深度学习算法解决许多不同任务的理由。神经学家们发现，如果将雪貂的大脑重新连接，使视觉信号传送到听觉区域，它们可以学会用大脑的听觉处理区域去“看”(Von Melchner et al., 2000)。这暗示着大多数哺乳动物的大脑使用单一的算法就可以解决其大脑可以解决的大部分不同任务。在这个假设之前，机器学习研究是比较分散的，研究人员在不同的社群研究自然语言处理、计算机视觉、运动规划和语音识别。如今，这些应用社群仍然是独立的，但是对于深度学习研究团体来说，同时研究许多甚至所有这些应用领域是很常见的。
我们能够从神经科学得到一些粗略的指南。仅通过计算单元之间的相互作用而变得智能的基本思想是受大脑启发的。新认知机 (Fukushima, 1980) 受哺乳动物视觉系统的结构启发，引入了一个处理图片的强大模型架构，它后来成为了现代卷积网络的基础 (LeCun et al., 1998c)(参见第 9.10 节)。目前大多数神经网络是基于一个称为整流线性单元(rectified linear unit) 的神经单元模型。原始认知机 (Fukushima, 1975) 受我们关于大脑功能知识的启发，引入了一个更复杂的版本。简化的现代版通过吸收来自不同观点的思想而形成，Nair and Hinton (2010b) 和 Glorot et al.(2011a) 援引神经科学作为影响，Jarrett et al. (2009a) 援引更多面向工程的影响。虽然神经科学是灵感的重要来源，但它不需要被视为刚性指导。我们知道，真实的神经元计算着与现代整流线性单元非常不同的函数，但更接近真实神经网络的系统并没有导致机器学习性能的提升。此外，虽然神经科学已经成功地启发了一些神经网络架构，但我们对用于神经科学的生物学习还没有足够多的了解，因此也就不能为训练这些架构用的学习算法提供太多的借鉴。
媒体报道经常强调深度学习与大脑的相似性。的确，深度学习研究者比其他机器学习领域 (如核方法或贝叶斯统计) 的研究者更可能地引用大脑作为影响，但是大家不应该认为深度学习在尝试模拟大脑。现代深度学习从许多领域获取灵感，特别是应用数学的基本内容，如线性代数、概率论、信息论和数值优化。尽管一些深度学习的研究人员引用神经科学作为灵感的重要来源，然而其他学者完全不关心神经科学。
值得注意的是，了解大脑是如何在算法层面上工作的尝试确实存在且发展良好。这项尝试主要被称为“计算神经科学”，并且是独立于深度学习的领域。研究人员在两个领域之间来回研究是很常见的。深度学习领域主要关注如何构建计算机系统，从而成功解决需要智能才能解决的任务，而计算神经科学领域主要关注构建大脑如何真实工作的、比较精确的模型。
20 世纪 80 年代，神经网络研究的第二次浪潮在很大程度上是伴随一个被称为联结主义(connectionism) 或并行分布处理( parallel distributed processing) 潮流而出现的 (Rumelhart et al.,1986d; McClelland et al., 1995)。联结主义是在认知科学的背景下出现的。认知科学是理解思维的跨学科途径，即它融合多个不同的分析层次。20 世纪 80 年代初期，大多数认知科学家研究符号推理模型。尽管这很流行，但符号模型很难解释大脑如何真正使用神经元实现推理功能。
联结主义者开始研究真正基于神经系统实现的认知模型 (Touretzky and Minton, 1985)，其中很多复苏的想法可以追溯到心理学家 Donald Hebb 在 20 世纪 40 年代的工作 (Hebb, 1949)。
联结主义的中心思想是，当网络将大量简单的计算单元连接在一起时可以实现智能行为。这种见解同样适用于生物神经系统中的神经元，因为它和计算模型中隐藏单元起着类似的作用。
在 20 世纪 80 年代的联结主义期间形成的几个关键概念在今天的深度学习中仍然是非常重要的。
其中一个概念是分布式表示(distributed representation)(Hinton et al., 1986)。其思想是：系统的每一个输入都应该由多个特征表示，并且每一个特征都应该参与到多个可能输入的表示。例如，假设我们有一个能够识别红色、绿色或蓝色的汽车、卡车和鸟类的视觉系统，表示这些输入的其中一个方法是将 9 个可能的组合：红卡车、红汽车、红鸟、绿卡车等使用单独的神经元或隐藏单元激活。这需要 9 个不同的神经元，并且每个神经必须独立地学习颜色和对象身份的概念。改善这种情况的方法之一是使用分布式表示，即用 3 个神经元描述颜色，3 个神经元描述对象身份。这仅仅需要 6 个神经元而不是 9 个，并且描述红色的神经元能够从汽车、卡车和鸟类的图像中学习红色，而不仅仅是从一个特定类别的图像中学习。分布式表示的概念是本书的核心，我们将在第 15 章中更加详细地描述。
联结主义潮流的另一个重要成就是反向传播在训练具有内部表示的深度神经网络中的成功使用以及反向传播算法的普及 (Rumelhart et al., 1986c; LeCun, 1987)。这个算法虽然曾黯然失色且不再流行，但截至写书之时，它仍是训练深度模型的主导方法。
20 世纪 90 年代，研究人员在使用神经网络进行序列建模的方面取得了重要进展。Hochreiter (1991b) 和 Bengio et al. (1994b) 指出了对长序列进行建模的一些根本性数学难题，这将在第 10.7 节中描述。Hochreiter 和 Schmidhuber(1997) 引入长短期记忆(long shortterm memory, LSTM) 网络来解决这些难题。如今，LSTM 在许多序列建模任务中广泛应用，包括 Google 的许多自然语言处理任务。
神经网络研究的第二次浪潮一直持续到 20 世纪 90 年代中期。基于神经网络和其他AI技术的创业公司开始寻求投资，其做法野心勃勃但不切实际。当AI研究不能实现这些不合理的期望时，投资者感到失望。同时，机器学习的其他领域取得了进步。比如，核方法 (Boser et al., 1992; Cortes and Vapnik, 1995; Sch¨olkopf et al., 1999) 和图模型 (Jordan, 1998) 都在很多重要任务上实现了很好的效果。这两个因素导致了神经网络热潮的第二次衰退，并一直持续到 2007 年。
在此期间，神经网络继续在某些任务上获得令人印象深刻的表现 (LeCun et al., 1998c; Bengio et al., 2001a)。加拿大高级研究所 (CIFAR) 通过其神经计算和自适应感知 (NCAP) 研究计划帮助维持神经网络研究。该计划联合了分别由 Geoffrey Hinton、Yoshua Bengio和 Yann LeCun 领导的多伦多大学、蒙特利尔大学和纽约大学的机器学习研究小组。这个多学科的 CIFAR NCAP 研究计划还包括了神经科学家、人类和计算机视觉专家。
在那个时候，人们普遍认为深度网络是难以训练的。现在我们知道，20 世纪 80 年代就存在的算法能工作得非常好，但是直到 2006 年前后都没有体现出来。这可能仅仅由于其计算代价太高，而以当时可用的硬件难以进行足够的实验。
神经网络研究的第三次浪潮始于 2006 年的突破。Geoffrey Hinton 表明名为“深度信念网络”的神经网络可以使用一种称为“贪婪逐层预训练”的策略来有效地训练 (Hinton et al., 2006a)，我们将在第 15.1 节中更详细地描述。其他 CIFAR 附属研究小组很快表明，同样的策略可以被用来训练许多其他类型的深度网络 (Bengio and LeCun, 2007a; Ranzato et al., 2007b)，并能系统地帮助提高在测试样例上的泛化能力。神经网络研究的这一次浪潮普及了“深度学习”这一术语，强调研究者现在有能力训练以前不可能训练的比较深的神经网络，并着力于深度的理论重要性上 (Bengio and LeCun, 2007b; Delalleau and Bengio, 2011; Pascanu et al., 2014a; Montufar et al., 2014)。此时，深度神经网络已经优于与之竞争的基于其他机器学习技术以及手工设计功能的 AI 系统。在写这本书的时候，神经网络的第三次发展浪潮仍在继续，尽管深度学习的研究重点在这一段时间内发生了巨大变化。第三次浪潮已开始着眼于新的无监督学习技术和深度模型在小数据集的泛化能力，但目前更多的兴趣点仍是比较传统的监督学习算法和深度模型充分利用大型标注数据集的能力。
1.2.2 与日俱增的数据量
人们可能想问，既然人工神经网络的第一个实验在 20 世纪 50 年代就完成了，但为什么深度学习直到最近才被认为是关键技术？自 20 世纪 90 年代以来，深度学习就已经成功用于商业应用，但通常被视为一种只有专家才可以使用的艺术而不是一种技术，这种观点一直持续到最近。确实，要从一个深度学习算法获得良好的性能需要一些技巧。幸运的是，随着训练数据的增加，所需的技巧正在减少。目前在复杂的任务中达到人类水平的学习算法，与 20 世纪 80 年代努力解决玩具问题 (toy problem) 的学习算法几乎是一样的，尽管我们使用这些算法训练的模型经历了变革，即简化了极深架构的训练。最重要的新进展是，现在我们有了这些算法得以成功训练所需的资源。图 1.8 展示了基准数据集的大小如何随着时间的推移而显著增加。
图 1.8 与日俱增的数据量。20 世纪初，统计学家使用数百或数千的手动制作的度量来研究数据集 (Garson, 1900; Gosset, 1908; Anderson, 1935; Fisher, 1936)。20 世纪 50 年代到 80 年代，受生物启发的机器学习开拓者通常使用小的合成数据集，如低分辨率的字母位图，设计为在低计算成本下表明神经网络能够学习特定功能 (Widrow and Hoff, 1960; Rumelhart et al., 1986b)。20 世纪 80 年代和 90 年代，机器学习变得更偏统计，并开始利用包含成千上万个样本的更大数据集，如手写扫描数字的 MNIST 数据集 (如图 1.9 所示)(LeCun et al., 1998c)。在 21 世纪的第一个 10 年里，相同大小更复杂的数据集持续出现，如 CIFAR-10 数据集 (Krizhevsky and Hinton, 2009)。在这 10 年结束和接下来的 5 年，明显更大的数据集 (包含数万到数千万的样例) 完全改变了深度学习可能实现的事。这些数据集包括公共 Street View House Numbers 数据集 (Netzer et al., 2011)、各种版本的 ImageNet 数据集 (Deng et al., 2009, 2010a; Russakovsky et al., 2014a) 以及 Sports-1M 数据集 (Karpathy et al., 2014)。在图顶部，我们看到翻译句子的数据集通常远大于其他数据集，如根据 Canadian Hansard 制作的 IBM 数据集 (Brown et al., 1990) 和 WMT 2014 英法数据集 (Schwenk, 2014)
这种趋势是由社会日益数字化驱动的。由于我们的活动越来越多地发生在计算机上，我们做什么也越来越多地被记录。由于计算机越来越多地联网在一起，这些记录变得更容易集中管理，并更容易将它们整理成适于机器学习应用的数据集。因为统计估计的主要负担 (观察少量数据以在新数据上泛化) 已经减轻，“大数据”时代使机器学习更加容易。截至 2016 年，一个粗略的经验法则是，监督深度学习算法在每类给定约 5000 个标注样本情况下一般将达到可以接受的性能，当至少有 1000 万个标注样本的数据集用于训练时，它将达到或超过人类表现。此外，在更小的数据集上获得成功是一个重要的研究领域，为此我们应特别侧重于如何通过无监督或半监督学习充分利用大量的未标注样本。
图 1.9 MNIST 数据集的输入样例。“NIST”代表国家标准和技术研究所 (National Institute of Standards and Technology)，是最初收集这些数据的机构。“M”代表“修改的 (Modified)”，为更容易地与机器学习算法一起使用，数据已经过预处理。MNIST 数据集包括手写数字的扫描和相关标签 (描述每个图像中包含 0∼9 中哪个数字)。这个简单的分类问题是深度学习研究中最简单和最广泛使用的测试之一。尽管现代技术很容易解决这个问题，它仍然很受欢迎。Geoffrey Hinton 将其描述为“机器学习的果蝇”，这意味着机器学习研究人员可以在受控的实验室条件下研究他们的算法，就像生物学家经常研究果蝇一样
1.2.3 与日俱增的模型规模
20 世纪 80 年代，神经网络只能取得相对较小的成功，而现在神经网络非常成功的另一个重要原因是我们现在拥有的计算资源可以运行更大的模型。联结主义的主要见解之一是，当动物的许多神经元一起工作时会变得聪明。单独神经元或小集合的神经元不是特别有用。
生物神经元不是特别稠密地连接在一起。如图 1.10 所示，几十年来，我们的机器学习模型中每个神经元的连接数量已经与哺乳动物的大脑在同一数量级上。
图 1.10 与日俱增的每个神经元的连接数。最初，人工神经网络中神经元之间的连接数受限于硬件能力。而现在，神经元之间的连接数大多是出于设计考虑。一些人工神经网络中每个神经元的连接数与猫一样多，并且对于其他神经网络来说，每个神经元的连接数与较小哺乳动物 (如小鼠) 一样多，这种情况是非常普遍的。甚至人类大脑每个神经元的连接数也没有过高的数量。生物神经网络规模来自 Wikipedia (2015)
1. 自适应线性单元 (Widrow and Hoff, 1960)；2. 神经认知机 (Fukushima, 1980)；3. GPU- 加速卷积网络 (Chellapilla et al., 2006)；4. 深度玻尔兹曼机 (Salakhutdinov and Hinton, 2009a)；5. 无监督卷积网络 (Jarrett et al., 2009b)；6. GPU- 加速多层感知机 (Ciresan et al., 2010)；7. 分布式自编码器 (Le et al., 2012)；8. Multi-GPU 卷积网络
(Krizhevsky et al., 2012a)；9. COTS HPC 无监督卷积网络 (Coates et al., 2013)；10. GoogLeNet (Szegedy et al., 2014a)
如图 1.11 所示，就神经元的总数目而言，直到最近神经网络都是惊人的小。自从隐藏单元引入以来，人工神经网络的规模大约每 2.4 年扩大一倍。这种增长是由更大内存、更快的计算机和更大的可用数据集驱动的。更大的网络能够在更复杂的任务中实现更高的精度。这种趋势看起来将持续数十年。除非有能力迅速扩展新技术，否则至少要到 21 世纪 50 年代，人工神经网络才能具备与人脑相同数量级的神经元。生物神经元表示的功能可能比目前的人工神经元所表示的更复杂，因此生物神经网络可能比图中描绘的甚至要更大。
图 1.11 与日俱增的神经网络规模。自从引入隐藏单元，人工神经网络的规模大约每 2.4 年翻一倍。生物神经网络规模来自 Wikipedia (2015)
1. 感知机 (Rosenblatt, 1958, 1962)；2. 自适应线性单元 (Widrow and Hoff, 1960)；3. 神经认知机 (Fukushima, 1980)；4. 早期后向传播网络 (Rumelhart et al., 1986b)；5. 用于语音识别的循环神经网络 (Robinson and Fallside, 1991)；6. 用于语音识别的多层感知机 (Bengio et al., 1991)；7. 均匀场 sigmoid 信念网络 (Saul et al., 1996)；8. LeNet5 (LeCun et al., 1998c)；9. 回声状态网络 (Jaeger and Haas, 2004)；10. 深度信念网络 (Hinton et al., 2006a)；11. GPU- 加速卷积网络 (Chellapilla et al., 2006)；12. 深度玻尔兹曼机 (Salakhutdinov and Hinton, 2009a)；13. GPU加速深度信念网络 (Raina et al., 2009a)；14. 无监督卷积网络 (Jarrett et al., 2009b)；15. GPU- 加速多层感知机 (Ciresan et al., 2010)；16. OMP-1 网络 (Coates and Ng, 2011)；17. 分布式自编码器 (Le et al., 2012)；18. MultiGPU 卷积网络 (Krizhevsky et al., 2012a)；19. COTS HPC 无监督卷积网络 (Coates et al., 2013)；20. GoogLeNet (Szegedy et al., 2014a)
现在看来，神经元数量比一个水蛭还少的神经网络不能解决复杂的人工智能问题，这是不足为奇的。即使现在的网络，从计算系统角度来看它可能相当大，但实际上它比相对原始的脊椎动物 (如青蛙) 的神经系统还要小。
由于更快的 CPU、通用 GPU 的出现 (在第 12.1.2 节中讨论)、更快的网络连接和更好的分布式计算的软件基础设施，模型规模随着时间的推移不断增加是深度学习历史中最重要的趋势之一。人们普遍预计这种趋势将很好地持续到未来。
1.2.4 与日俱增的精度、复杂度和对现实世界的冲击
20 世纪 80 年代以来，深度学习提供精确识别和预测的能力一直在提高。而且，深度学习持续成功地应用于越来越广泛的实际问题中。
最早的深度模型被用来识别裁剪紧凑且非常小的图像中的单个对象 (Rumelhart et al., 1986d)。此后，神经网络可以处理的图像尺寸逐渐增加。现代对象识别网络能处理丰富的高分辨率照片，并且不需要在被识别的对象附近进行裁剪 (Krizhevsky et al., 2012b)。类似地，最早的网络只能识别两种对象 (或在某些情况下，单类对象的存在与否)，而这些现代网络通常能够识别至少1000个不同类别的对象。对象识别中最大的比赛是每年举行的 ImageNet 大型视觉识别挑战 (ILSVRC)。深度学习迅速崛起的激动人心的一幕是卷积网络第一次大幅赢得这一挑战，它将最高水准的前 5 错误率从 26.1% 降到 15.3% (Krizhevsky et al., 2012b)，这意味着该卷积网络针对每个图像的可能类别生成一个顺序列表，除了 15.3% 的测试样本，其他测试样本的正确类标都出现在此列表中的前 5 项里。此后，深度卷积网络连续地赢得这些比赛，截至写作本书时，深度学习的最新结果将这个比赛中的前 5 错误率降到了 3.6%，如图 1.12 所示。
图 1.12 日益降低的错误率。由于深度网络达到了在 ImageNet 大规模视觉识别挑战中竞争所必需的规模，它们每年都能赢得胜利，并且产生越来越低的错误率。数据来源于 Russakovsky et al. (2014b) 和 He et al. (2015)
深度学习也对语音识别产生了巨大影响。语音识别在 20 世纪 90 年代得到提高后，直到约 2000 年都停滞不前。深度学习的引入 (Dahl et al., 2010; Deng et al., 2010b; Seide et al., 2011; Hinton et al., 2012a) 使得语音识别错误率陡然下降，有些错误率甚至降低了一半。我们将在第 12.3 节更详细地探讨这个历史。
深度网络在行人检测和图像分割中也取得了引人注目的成功 (Sermanet et al., 2013; Farabet et al., 2013; Couprie et al., 2013)，并且在交通标志分类上取得了超越人类的表现 (Ciresan et al., 2012)。
在深度网络的规模和精度有所提高的同时，它们可以解决的任务也日益复杂。Goodfellow et al. (2014d) 表明，神经网络可以学习输出描述图像的整个字符序列，而不是仅仅识别单个对象。此前，人们普遍认为，这种学习需要对序列中的单个元素进行标注 (Gulcehre and Bengio, 2013)。循环神经网络，如之前提到的 LSTM 序列模型，现在用于对序列和其他序列之间的关系进行建模，而不是仅仅固定输入之间的关系。这种序列到序列的学习似乎引领着另一个应用的颠覆性发展，即机器翻译 (Sutskever et al., 2014; Bahdanau et al., 2015)。
这种复杂性日益增加的趋势已将其推向逻辑结论，即神经图灵机 (Graves et al., 2014) 的引入，它能学习读取存储单元和向存储单元写入任意内容。这样的神经网络可以从期望行为的样本中学习简单的程序。例如，从杂乱和排好序的样本中学习对一系列数进行排序。这种自我编程技术正处于起步阶段，但原则上未来可以适用于几乎所有的任务。
深度学习的另一个最大的成就是其在强化学习(reinforcement learning) 领域的扩展。在强化学习中，一个自主的智能体必须在没有人类操作者指导的情况下，通过试错来学习执行任务。DeepMind 表明，基于深度学习的强化学习系统能够学会玩 Atari 视频游戏，并在多种任务中可与人类匹敌 (Mnih et al., 2015)。深度学习也显著改善了机器人强化学习的性能 (Finn et al., 2015)。
许多深度学习应用都是高利润的。现在深度学习被许多顶级的技术公司使用，包括 Google、Microsoft、Facebook、IBM、Baidu、Apple、Adobe、Netflix、NVIDIA 和 NEC 等。
深度学习的进步也严重依赖于软件基础架构的进展。软件库如 Theano (Bergstra et al., 2010a; Bastien et al., 2012a)、PyLearn2 (Goodfellow et al., 2013e)、Torch (Collobert et al., 2011b)、DistBelief (Dean et al., 2012)、Caffe (Jia, 2013)、MXNet (Chen et al., 2015) 和 TensorFlow (Abadi et al., 2015) 都能支持重要的研究项目或商业产品。
深度学习也为其他科学做出了贡献。用于对象识别的现代卷积网络为神经科学家们提供了可以研究的视觉处理模型 (DiCarlo, 2013)。深度学习也为处理海量数据以及在科学领域做出有效的预测提供了非常有用的工具。它已成功地用于预测分子如何相互作用、从而帮助制药公司设计新的药物 (Dahl et al., 2014)，搜索亚原子粒子 (Baldi et al., 2014)，以及自动解析用于构建人脑三维图的显微镜图像 (Knowles-Barley et al., 2014) 等多个场合。我们期待深度学习未来能够出现在越来越多的科学领域中。
总之，深度学习是机器学习的一种方法。在过去几十年的发展中，它大量借鉴了我们关于人脑、统计学和应用数学的知识。近年来，得益于更强大的计算机、更大的数据集和能够训练更深网络的技术，深度学习的普及性和实用性都有了极大的发展。未来几年，深度学习更是充满了进一步提高并应用到新领域的挑战和机遇。
不写代码的人也完全可以看。为了方便读者阅读，作者特别绘制了本书的内容组织结构图，指出了全书20章内容之间的相关关系，如图所示。读者可以根据自己的背景或需要，随意挑选阅读。
47. 职场中的属…
『世上的国成了我主和主基督的国；祂要作王，直到永永远远。』【启11: 15】
讲道没有恩膏，这道是空的，但神希望讲道有恩膏，就会感动你迫切祷告：「主啊，求你恩膏我的讲道。」你讲道时就会带着恩膏，因此成就神的心意。神要透过祷告成就祂的事情。「神除了成就祷告的事以外，什么事都不做！」神会感动基督徒祷告，借着祷告来成就祂的事。
神可以成就所有事，但基督徒若不祷告就无法成就。经上道：「你们得不着，因为你们不求。」耶稣教门徒用主祷文祷告，显然这是祂要成就的事，要借着门徒的祷告成就。
建造更大、更多的教会，不一定就是天国临到地上，只是有助于天国降临。神的旨意是天国降临，要天国临到地上，就要神的旨意行在每个角落，就必须要每个基督徒参与，才会成就。
一个好基督徒，除了上班时间外，若其它时间全参与教会活动，会产生副作用，市长、市委、代表都不是基督徒。但社会是由这些有影响力的人带动的，这些人若不是基督徒，他们是什么人呢？圣经说他们是罪人。他们有可能是好人，但还是罪人，立志行善由得他们，行出来却由不得他们。为什么有生命的基督徒无法拥有这些位分呢？因为没时间参与领受这些位分。
国家的复兴从祷告开始。推动祷告运动同时在全国推动职场事奉运动，鼓励基督徒重生得救、圣灵充满、爱主、服事主，还要在职场上产生影响力，因此带动整个国家改变，甚至总统宣告耶稣是国家的主，所有内阁官员都认同，没有议员反对，因为在职场每个角落都有很强的影响力。
职场是真正争战的所在，而家庭和教会则是基地，是成全、造就、鼓励、受装备、身心灵得医治与更新的地方。在职场里，有很多恶者的势力，很多不合神心意的不公义的事，你要面对它、改变它，因此基督徒真正的战场是职场。
每位在职场的基督徒应都是祷告的人，随时随地举起圣洁的手祷告，并在祷告的基础中尽先知的职分。「宣扬那召你们出黑暗、入奇妙光明者的美德」，就是宣扬耶稣的美德，见证耶稣拯救我们脱离黑暗、进入光明的生活。传福音要有果效，就要先祷告，使我们说的话有圣灵的感动，彰显属灵的权柄，使人脱离捆绑、被释放。奉主耶稣基督的圣名祈求！阿们！
学习体会 : 我们在工作岗位上要发出正义之声，但要注意态度、讲话技巧，但不能不说。所有基督徒都是祷告的人，才能坚持神的托付，因此我们在工作上坚持道德原则，会遇到阻力，唯有靠祷告得胜。蒙主恩典！阿们！
42.得胜职场之路…
「并且他们所要服事的那国，我要惩罚；后来他们必带着许多财物，从那里出来。【创15: 14】
神呼召、神负责、神保护、神祝福。
“基督徒如何得胜职场？”“这份工作是神对我的呼召吗？”“工作与教会聚会冲突时，该怎么办？”“在职场如何践行信仰？”“努力赚钱就是贪爱世界吗？”在面对这些问题时，根本还是要回到神的话语里，如此才有得胜之路。
基督徒择业时，如何寻求神的带领？已从业的基督徒，如何确定自己的工作是神的呼召？
是有一个前提的，那就是面临人生重要择业选择时，你有没有真正让神来掌管人生的选择？
我们做过各样的事情，打过工，创过业。当我重生后，我有属灵的看见，通过我经历的各种事情，明白神在我身上的具体带领。当我愿意交出人生主权时，神来负责；当神来负责时，我们会看到神在每一步，都有他的计划和美意，你会真实的感觉到。
神藉着外在的人事物，放在了目前传福音的岗位上。属灵生命有了改变，更多认识神时，不敢轻易为自己人生做决定。因为人盘算的看似美好，但都不是最好。神预备的超过我们所求所想。
我们会从自己的眼界来判定，神的眼界会超越局限性，神知道哪个工作更适合我们，也知道如何成为更好的我，来彰显神的荣耀。到底是不是神的选择，我们还是要回到起初选择的时候来看待。如果我没有祷告，就是因为钱多，城市也喜欢，那么我们没有邀请神参与其中，那就是自己选择的。
人有自由，神尊重人的选择。即便是人自己的选择，也没关系，因为神行奇事不可测度，即便开始不是神的带领，神还会不断带领，最终成为荣耀神的我。神是活神，愿意参与到我们人生的大事小事中。
神的呼召不是一瞬间临到，在呼召之前神会给预备的时间。你所从事的专业领域，很可能就是神对你的呼召。我们的目光短浅，神知道我们一生要做的事情。比如摩西，神知道他将来要带领以色列百姓，所以先让他在埃及王宫生活学习了40年。需要注意的是，你的专业领域，不能确定就绝对是神对你的呼召。
许多基督徒还有一个问题，以为如果我的工作是神的呼召，那么就不会有任何的挫折和拦阻，这个是错误的观念。在工作中肯定有坎坷，但神呼召了你，就会给你相应的能力。
基督徒在择业时，要寻求神的带领，可以听取身边的父母、朋友的建议，综合起来拿到神面前祷告。如果遇到很多的拦阻，我们需要思考，这是不是神在拦阻呢？
圣经原则是“不可停止聚会”。需要注意的是，字句叫人死，精义叫人活，要明白这句话真正要表达的内容。神知道人的有限，一旦离开团契生活，人就容易属灵上得不到供养，造成属灵软弱甚至背弃信仰。不可停止聚会是为了让我们信徒之间可以彼此配搭、服侍。
以餐饮业为例，如果我有信心，相信转行也会有神的预备，那可以换个工作。如果没有这个信心，这份工作对我很重要，青年人面临着房贷、孩子上学等各种压力，放弃工作会无法承受，那么可以根据具体情况调整。最好是能保持主日一起敬拜，底线是，不能断掉了基督里跟属灵家人的连接。
从教会来说，对教会牧养工作是个挑战。近几年，很多青年人来教会，需要顾及到青年人的软弱以及他们的实际情况。比如，教会可以增加晚礼拜或者小组团契，这都是很好的牧养形式。这应该是众教会的一个看见。
工作，希伯来文就是敬拜的意思，不要把工作与敬拜对立来看。遇到工作时间与聚会时间冲突的，关键还是看当事人的心志如何，他是否渴慕亲近主。渴慕的话，主日不能聚会可以平时聚，或者参加晚礼拜、早祷，还是没时间的话，现在手机这么方便，也可以利用闲暇时间，自己听道、灵修。
主耶稣就是爱，爱的最好方式是将我们信仰的主耶稣活出给他们看，在我们的行事为人上活出见证，让我们身边的人看到神的荣美形象，比如包容、智慧、神的公义等方面。
要懂得保护自己，不仅利益、尊严，也要懂得保护灵性不被影响，不要被辖制、打压，不让自己的属灵生命处在不健康的状态。
职场是信徒属灵生命的操练场，要面对挑战，学习如何践行爱。首先要明白爱是有界限的，爱不是一味地谦让，也要有正直和公义。如果有人故意要羞辱、欺负你，这个不能纵容，要让对方懂得尊重你。在这方面，尼希米是很好的榜样，他知道如何对待不同的人，灵巧像蛇，驯良像鸽子。
在职场中有对你好的人，也有背后坏你的人，遇到不好的人，你需要操练爱仇敌的爱。我体会到了饶恕的快乐，同时意识到，好关系都是在基督的爱上建立起来的。
基督徒还要在职场过分别为圣的生活，如果你犯罪了，就无法活出见证。在一些工作中存在灰色收入，基督徒一定不要拿那当灭的物，爱的前提是要对付罪恶。
努力赚钱就是贪爱世界 ? 这是对圣经真理的误解。工作是神的计划，工人做工得工价是应当的，这与贪爱世界没有必然的联系。
工作本身是神对我们的一种计划、恩典。起初，神设立工作，希望我们在工作中体验从神来的喜乐、平安、满足。虽然有罪前、罪后的分别，但神的计划没有改变。
思考一下，什么是贪爱世界？这要看一个人心里的动机，如果就是为了努力工作赚钱，把这看得比信仰还重要，那可能是贪爱世界的。一个人内心的光景别人是不知道的，不能简单的判断，更不能这样论断神的仆人，这是极不负责的论断。
教会要懂得理解传道人的有限，教会要帮助传道人解决棘手的实际问题。教会的牧者，关系到教会信徒的属灵成长。教会关心牧者的生活情况，牧者也可以更好的关心信徒，这是相辅相成的。
贪爱世界与我们做的工作无关，与一个人的心有关。有的人在教会里，贪爱权力、名誉，那就是贪爱世界；有的人在社会上工作，但心里却是为了神，为了教会，那就不是贪爱世界。竭力赚钱，竭力省钱，竭力奉献。一个人从自己奉献的情况，也可以看出自己是否贪爱世界。
职场中重要的是爱神，比起恩赐、能力，当你跟神有好的关系，这些都会加给你。最要不得的，是不要将我们遇到的环境看得高于我们的神。碰到的各种环境，都是正常的，是神让我们能力、生命丰盛的契机，让我们有一个更好的提升。奉主耶稣基督的圣名祈求！阿们！
学习体会 : 最重要的品质，就是爱神，所作的一切就是爱神。最要不得的是什么都为己。你以神为中心，神来负责任；你以自己为中心，神要拆毁你的自私。蒙主恩典！阿们！
53. 职场中圣灵…
西门彼得回答说：『你是基督，是永生神的儿子。』【太16: 16】
职场是建立在这个宣告基础之上。「耶稣转过来，对彼得说：『撒但退我后边去罢；你是绊我脚的；因为你不体贴神的意思，只体贴人的意思。』【太16: 23】
从神的角度，祂是想拯救我们，想让我们得到救恩，并且让我们全人得拯救。得拯救是我们生命主权得拯救，是我们必须得顺服主，不是神听我们的指挥。拦阻神在我们生命当中的赐福。我们越自己做主的时候，就不能经历神的拯救。
神给我们恩典让我们自信，是没错的，我们千万不要把任何事做在主的前头，不让主来掌管，所以我们这样做主的时候，其实是拦阻神的工作。同时我们家庭的事，职场的事也是主的事，实则，我们这个人是属主的，我们所有的事都是属主的，也是让主说了算，所以我们职场要经历他的帮助和拯救。
我们要想生命蜕变，首先要把自己的主权交出来，交给主的时候生命才真正开始蜕变并经历圣灵的能力。
把主给的恩典当做夸口的，当做去自我做主的资本，那么你就拦下了神赐福的管道。而当你谦卑，跪下，完全顺服主的时候，你这个管道通开了，圣灵的能力就非常顺利地在你的职场生命中彰显出来了。
圣灵让我们屹立不倒，使我们勇敢面对死亡，勇敢面对职场的各种的难处，患难，勇敢地面对人际关系的诡诈，这完全是出于圣灵的能力，
我们的肉体必须被破碎，也就是说生命必须经历蜕变的，必须经历更新改变的，之后我们才有这种能力。这个能力需要圣灵借着环境，使我们把肉体的豪情破碎再被主恢复之后，我们才有从圣灵而来，依靠圣灵的能力。
有的人能够经历到圣灵的恩膏，但有的人经历不到，为什么呢？因他没有真正爱神，不愿意等候神，仍然活在自己的想法软弱当中。但顺服神，等候神的，必然经历神恩膏的大能。奉主耶稣基督的圣名祈求！阿们！
学习体会 :出于血气的豪情万丈，还有我们这种软弱，失迷了不愿意爱主了，神都把我们恢复过来，之后你要回应神，为了爱神而去生活，为了爱神而去侍奉，就能经历圣灵的大能，经历超过你所求所想的果效。蒙主恩典！阿们！
24.职场灵修: …
