“計算機模擬人的意識活動”，與“計算機從事人的科學研究”，兩者彼此等價，這是一個極其重要的發現。
至於原因，梳理一直以來的思路，答案其實很明顯。
迄今爲止出現的計算機系統，單論速度，遠遠超越了人腦的等效算力，這樣講並沒有原則性的錯誤，雖然直到今天，人類仍未弄清人腦的計算能力，但根據人與計算機在完成典型任務時的表現，也能得出一個大致的判斷。
從自動駕駛，到同聲傳譯，再到19*19路的圍棋對抗，計算機在一項項任務中勝過了人類，對應的人腦算力之上限，也在不斷提升。
但這種提升，不僅在理論上無法一直持續，在實踐中也一樣辦不到。
與現代計算機類似，人腦，可以粗略的看做一臺通用計算機，內置大量任務的算法，雖然只有大腦、小腦/植物神經系統這兩個不對稱核心，也就是實際上的單線程，但通過執行不同的任務算法，可以完成許多截然不同的工作。
功能多樣，但，並不能用一系列任務的等效算力之和，作爲人腦的預測算力。
正如計算機的算力，決不能用運行所有算法時體現出的算力，簡單疊加，這是一個很淺顯的低級錯誤。
故而估測人腦的（最大）算力，只需盤點所有能被計算機替代的任務中，哪一種所需的算力最大，而在IT領域極大發展的今天，要做到這一點，相比幾十年、甚至十幾年前的情形，更要容易得多。
譬如圍棋，曾經令人工智能束手無策，甚至一流AI都無法戰勝人類業餘圍棋選手，在十幾年前才逐漸逆轉。
時至今日，在劇變的大背景下，圍棋人工智能的發展速度已很遲緩。
原因用不着多解釋，在新時代奴隸制的簡單再生產態勢下，作爲人類的一種精神活動，對生產體系並無任何助益、而僅僅只是頭腦鍛鍊與消遣的圍棋，早已淡出AI研究者的視線，這方面的研究接近停滯，也是再正常不過。
資產主義社會中，一切社會活動，歸根結底都是利益在推動。
到了新時代的奴隸制，情況，是稍有改變，不排除某些頂層對圍棋是饒有興致，願意投入資源進行一些研究。
但，在AI棋力已經碾壓人類的這時代，少數頂層、有產者對圍棋的興趣，很容易被已有成果所滿足，繼續研發更強棋力之AI的動機幾乎不復存在，近十年來，AI棋力的進步幅度也的確很有限。
即便如此，到了西曆1489年，圍棋AI的棋力早已遠勝於人。
進而，用圍棋AI所需的算力，來衡量同等棋力之人的大腦“算力”，其可信度也一直在提升，精度也隨之亦然。
原理是很顯明的，人類，其中的頂尖棋手，哪怕並非生命中的每一分、每一秒都在下棋、思考棋術，認爲其大腦的算力峰值，會出現在執行“對弈”這件事的時候，這假設是十分合理而難以辯駁的。
繼而，同等棋力AI所需的算力，就可以大致當做棋手之腦的等效算力。
考慮到棋手的一生，畢竟，絕不可能百分之百圍繞着圍棋，多少總會有些分心之事，但對於頂尖棋手，引入的誤差也不會太大。
多少年來，人類的頂尖棋手之棋力，漸消漸長，隱約可見一個模糊的上限。
而人類研發的圍棋人工智能，使用互有區別的算法、架構，運行在不同的計算機系統上，達到同等棋力所需的算力也彼此相若。
種種跡象，似乎清楚的指向一個事實：
完成同樣任務的計算機之算力，就是人腦的等效算力。
在當今時代，人，不論天賦如何、又是怎樣努力，也根本無法打破人類棋力的天花板，更不可能戰勝任何一個等效棋力在十段以上的圍棋AI。
這似乎也從側面證明了，圍棋棋力，可以視爲一個人大腦能力的極限。
在這種理論指導下，稍加檢索，方然就知道了這一數字。
按圍棋AI等效法衡量的人腦算力，不同資料，給出的數據差異很大，上下限之間的差距在三到四個數量級，但憑藉自身的認識水平，他不難看得出，其中接近上限的數字幾乎都是錯誤的，更準確的數字在10~50PFlops。
至於其他數據，大多高出兩個、三個，甚至四個數量級，主要是一些研究者將圍棋AI的訓練所需算力也統計進來。
不論什麼時代的人工智能，在投入實用前，都需要一定的“訓練”過程，這一過程與人的學習很相似，目的是模仿人類的學習過程，從基本規則中“自然而然”的產生出解決實際問題的算法，當然，這些算法往往體現爲多層網絡、分支網絡的形式。
將AI訓練所需的算力，統計到總算力中，從成本覈算的角度是很正常的，在比較人和計算機的能力時，卻一點都不公平。
照此做法，計算機達到某一水平的算力，是測試發佈到實戰運作的算力總和，那麼對人而言，也需要將圍棋的漫長的學習過程一併統計進來，均分實戰中的棋力，這樣一來恐怕人腦的等效算力會更難看。
歸而總之，閒暇時想到這一切，方然的確回憶起了那些數據。
在公認爲複雜意識活動的圍棋領域，人腦的等效算力，大致就是10PFlops、也就是每秒一億億次浮點運算的水平。
對於一百四十億神經元組成的人腦，這成績，似乎已相當不錯。
但對照今天的超級計算機，毫無疑問，10PFlops級別的算力則不值一提，連零頭的零頭都不到。
那麼可以得出結論，人的能力，已完全被自己所創造的計算機碾壓，是這樣嗎；
事實果真如此嗎，不，不一定。
任務堆積如山，每一天埋頭忙碌之餘，稍事休息時，方然都會思考這微妙的問題。
思考的成果，與學術界的某些觀點不盡一致，他認爲，用計算機完成典型任務所需的算力，來衡量人腦的處理能力，是很不靠譜的做法。