倍福文学

手机浏览器扫描二维码访问

第13章 如果你一辈子只能喝一口鸡汤（第1页）

后世很多对理工科和工程技术没什么兴趣的人，都觉得人工智能只是一个工具，一个应用。

哪怕人工智能有可能夺走你的工作，大家也就怕一怕，或者咒骂一下，咒骂完之后该干啥干啥，这事儿就算完了。

不过，顾玩却知道有一条后世被无数人懊悔没有早知道的人工智能铁律这条铁律很容易听懂，只要你不对技术的东西心存成见和抵触，那么哪怕你是个纯文科生，你也能很轻松理解这条铁律，并且从中受益。

说句不夸张的话，哪怕你把它当成是鸡汤那么，只要你脑子里有一个系统，系统给你下了一个任务，告诉你，整个人类21世纪里生产出来的鸡汤，你只能喝一碗，剩下的都要倒掉，如果多喝一碗，系统就把你抹杀。

那么，那一刻你该怎么选择

你应该把全人类生产的其他鸡汤全部倒掉，只喝这一碗。

这是一碗被科学充分严谨证明、而且能让人的学习能力终生受益的科学鸡汤。

其蕴含的补益，属于朝闻道、夕可死矣的档次，一入口就是一甲子的内力。放到武侠里，主角不跳个十次崖都不配得悟这种宇宙本源之道。

而顾玩此时此刻，就是在给麻依依描绘如何测量出这碗科学鸡汤。

只不过，很多先知先觉的话，他要修饰一下才好说出口，所以就成了下面这种诱导性的对话

“你有没有想过一个问题你这辈子读了十三年书了，你的学习效率一直是这么高，而且很稳定的么

难道就没有什么时候学习效率低、自习了一晚上什么都没进步，做了一张卷子也毫无收获的时候”

麻依依立刻觉得心有戚戚焉。

学霸和学神，虽然学习能力比正常人强，但他们对效率的变化也更敏感。有些时候学了一会儿毫无收获，就会比普通人更焦虑，然后调整学习方法和节奏。

要是没心没肺的学渣，说不定做一晚上毫无收获的重复劳动，他也乐呵呵的不觉得有什么问题。

“当然，我经常对自己的学习效率不满，有时候又觉得课上老师在浪费我时间。”

麻依依感同身受地说。

顾玩笑道“这个问题，其实说到底，是因为学习的节奏，跟你的能力区，没有精准匹配。你也学了一学期的心理学和认知神经科学了，下面这几个概念你应该不陌生，那就是学习中的学习区、舒适区和恐慌区。”

麻依依“这个我当然知道，舒适区就是我完全懂了的东西。比如我们高考前很多时候在做卷子，有些简单题已经滚瓜烂熟，哪怕是为了加深印象，一个月练三四遍也就足够了。

但题海战和做模拟卷的时候，不得不每个月练几十遍甚至上百遍，何止遍，做到后来情绪都毛了，很不耐烦。这个就是舒适区嘛，练了也没进步，全都懂了。

至于恐慌区，就是一张卷子看下来，有些题目什么都不懂，一点头绪都没有。不但不知道怎么解，连解它需要的前置知识都不知道，完全听天书。

而最后的学习区，就是介于舒适区和恐慌区之间的，这里的难度对你刚刚好。有一点挑战性，有一些你不懂的东西，但是只要你用心，借助你现有知识结构体系内的已有知识，重新嫁接、归纳、演绎、推演，可以把这个不懂解决掉。

在学习区的时候，如果不懂的比例太高，就会恐慌，厌学。如果不懂的比例太低，就会疲掉，懒得走心。只有不懂的比例刚刚好，才最容易进入最高效学习状态按照大心理学家米哈利的理论，这种状态就叫心流。”

“心理学和认知神经科学的基础还不错嘛。”

顾玩表扬了女朋友一句，

确实，作为才双修心理学一个学期的新人，有这种见解已经很牛逼了。

然后顾玩话锋一转:“不过，以往我们都认为，心流是一种可遇而不可求的状态，但很快，随着对机器学习的剖析，我们会现，进入心流或者说最高效学习状态，是有科学的最优解的。

这个最优解，就需要我们把一张卷子、一次学习、一个机器大数据训练集的对错比例、难易比例，调到一个最优化的玄妙数值上。只有量身定做了这个数值，无论人还是机器，都能达到最完美的学习效率。哪怕一个学渣，都能在学习中感受物我两忘开天眼的高效。”

“具体要怎么做到”

麻依依已经忘了自己是在聊学术问题了。

对啊，具体要怎么做到

在地球上，2o18年的时候，亚利桑那大学和布朗大学的两位人工智能算法专家，就给出了最优解。

他们的结论是，让一个机器学习的训练集中，对错比例控制在1587时，可以达到机器学习算法效率最高、进步最快的状态。

比如让计算机用人工智能图像识别，来鉴别一万张类似猫的图片，来学习“怎样判断图里面的东西是不是一只猫”

。

这时候，你要拿8413张真的是猫的图片，和1587张似猫非猫的图片，去给人工智能喂数据，那么机器学完这1oooo万图片、得到对错评分后，得到的提高是最多的。

这个是自然数学法则的最优解了，换句话说，你拿8414张真猫图和1586张似猫非猫图去喂，机器吃完这1万个大数据之后，进步量也会比岗前前一组略低。

这个数据具体怎么来的呢是人类算法学家，从2o1o年，谷歌开始操练深度学习以来，不断反复试验，全人类算法专家共同实验了八年，摸出来的。

更奇妙的是，地球人后来做了更多深入实验，现这个学习效率机制，真的不仅适用于机器学习，也适用于人类大脑。

在“试错型学习”