一点浅见:
如果把密码技术看作一个具体的计算任务，似乎图灵之后的工作，都在universal
machinery computation领域。
对人的计算过程的思考和模拟，从一开始就是图灵的灵感来源。
图灵机的发明，我个人的理解是这样一个过程。
首先他用自然语言描述或者建模，一个一般性的人类，如何使用纸笔墨水计算。
然后，非常关键的一步，他使用代数这把刀，把这个具体的过程从自然语言里切割出来。
例如他并没有讲人是如何identify纸上的两个相同的符号x。他只是空想，未来有个机
器可以做到这一点，所以他的计算模型就认为这点不是问题。尽管那时候尚没有电子工
业。
所以我认为图灵是代数或者逻辑专家。思考问题的办法和分析家，以及几何学家不同。
在图灵完成universal Turing machine之后。他转向了寻找别的计算模型。
40年代，他提出了神经网络计算模型。这个网络的形状和大脑皮层的照片非常类似。
和早期的神经网络分类器有本质的不同。第一,这个网络非常复杂，是多层的。和大脑
皮层的照片很像。
第二，这个网络有回路，就是有反馈。也有自反馈。
这个网络的每个节点都有2个输入，类似于S表达式。每个节点都进行NAND计算。选择
NAND是因为NAND可以
得到其他的布尔操作。在提出基本的网络之后，图灵在网络之间的连接加入了布尔开关
，对这些布尔开关的状态改变，
他认为就是训练。（这一步是错的，因为NAND非常霸道，改了就变成OR然后就无法表示
所有的布尔操作）。
但是这个连接有开关的网络是可以训练的。
为了训练这个网络，图灵发明了遗传算法：
“There is the genetical or evolutionary search by which a combination of
genes is looked for, the criterion being survival value. The remarkable
success of this search confirms to some extent the idea that intellectual
activity consists mainly of various kinds of search”
这是对自然演化过程的第一个计算模拟的构想。如果说图灵机是对人用纸笔计算过程的
代数概括。那么
图灵提出的genetical or evolutionary就是对基因的自然选择过程的代数概括。
我猜测，在研发过程中，图灵的立场如下：
1。既然人的纸笔计算已经创造出了那么多奇迹。机器只要能模拟这个过程，就是一个
成功的机器。
如果不成功，那就是你没弄对。
2。既然自然演化已经显示了那么多成功。那么我们只要模拟这个过程，就可以制造出
一个成功的机器。
如果不成功，那就是没有弄对。
所以图灵在没有验证的情况下，明确指出，可训练神经网络是另一种universal 计算模
型。
这里有两个很遗憾的事情。第一是图灵的这个文章，1968年才发表。在之前各种低级的
神经网络模型已经被明斯基
一本书打死了。假如这个文章40年代发表。情况应该会很不一样。至少有loop的网路结
构会早一些被重视。
第二个事情是，图灵试图观察生命，而不是大脑，然后做一个代数或者逻辑切割，建立
人工生命为基础的计算系统。
然后他写了一些化学和生物的论文。最后自制毒药自杀了。
最后，现代神经网络的突破是以分析为基础的。只是最近几年dota，starcraft的AI比
赛加入了遗传算法选择网路结构的步骤。现有的遗传算法，其实我觉得没有完全弄对。
观察和理解生物的演化，仍然是可以得到新的计算方法灵感的。
关键的困难在于，写程序是很麻烦的事，Turing自己也犯了低级错误。
然而现在的资本世界，我认为本质上是尽全力阻止技术发展的。
资本竞争的关键在防守。也就是我无法突破没关系，不让别人突破才是关键。
