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。放到武侠小说里，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，何止三五遍，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，我们会发现，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，2018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10000万图片、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2010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，发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”，或者说早期认知方面，人脑和模拟人脑宏观运作规律表现的深度学习，是一致的。
本章未完，请翻开下方下一章继续阅读