() 後世很多對理工科和工程技術沒什麼興趣的人，都覺得人工智能隻是一個工具，一個應用。
哪怕人工智能有可能奪走你的工作，大家也就怕一怕，或者咒罵一下，咒罵完之後該乾啥乾啥，這事兒就算完了。
不過，顧玩卻知道有一條後世被無數人懊悔沒有早知道的人工智能鐵律：這條鐵律很容易聽懂，隻要你不對技術的東西心存成見和抵觸，那麼哪怕你是個純文科生，你也能很輕鬆理解這條鐵律，並且從中受益。
說句不誇張的話，哪怕你把它當成是雞湯那麼，隻要你腦子裡有一個係統，係統給你下了一個任務，告訴你，整個人類21世紀裡生產出來的雞湯，你隻能喝一碗，剩下的都要倒掉，如果多喝一碗，係統就把你抹殺。
那麼，那一刻你該怎麼選擇？
你應該把全人類生產的其他雞湯全部倒掉，隻喝這一碗。
這是一碗被科學充分嚴謹證明、而且能讓人的學習能力終生受益的科學雞湯。
其蘊含的補益，屬於朝聞道、夕可死矣的檔次，一入口就是一甲子的內力。放到武俠裡，主角不跳個十次崖都不配得悟這種宇宙本源之道。
而顧玩此時此刻，就是在給麻依依描繪如何測量出這碗科學雞湯。
隻不過，很多先知先覺的話，他要修飾一下才好說出口，所以就成了下麵這種誘導性的對話：
“你有沒有想過一個問題：你這輩子讀了十三年書了，你的學習效率一直是這麼高，而且很穩定的麼？
難道就沒有什麼時候學習效率低、自習了一晚上什麼都沒進步，做了一張卷子也毫無收獲的時候？”
麻依依立刻覺得心有戚戚焉。
學霸和學神，雖然學習能力比正常人強，但他們對效率的變化也更敏感。有些時候學了一會兒毫無收獲，就會比普通人更焦慮，然後調整學習方法和節奏。
要是沒心沒肺的學渣，說不定做一晚上毫無收獲的重複勞動，他也樂嗬嗬的不覺得有什麼問題。
“當然，我經常對自己的學習效率不滿，有時候又覺得課上老師在浪費我時間。”麻依依感同身受地說。
顧玩笑道：“這個問題，其實說到底，是因為學習的節奏，跟你的能力區，沒有精準匹配。你也學了一學期的心理學和認知神經科學了，下麵這幾個概念你應該不陌生，那就是學習中的‘學習區’、‘舒適區’和‘恐慌區’。”
麻依依：“這個我當然知道，舒適區就是我完全懂了的東西。比如我們高考前很多時候在做卷子，有些簡單題已經滾瓜爛熟，哪怕是為了加深印象，一個月練三四遍也就足夠了。
但題海戰和做模擬卷的時候，不得不每個月練幾十遍甚至上百遍，何止三五遍，做到後來情緒都毛了，很不耐煩。這個就是舒適區嘛，練了也沒進步，全都懂了。
至於恐慌區，就是一張卷子看下來，有些題目什麼都不懂，一點頭緒都沒有。不但不知道怎麼解，連解它需要的前置知識都不知道，完全聽天書。
而最後的學習區，就是介於舒適區和恐慌區之間的，這裡的難度對你剛剛好。有一點挑戰性，有一些你不懂的東西，但是隻要你用心，借助你現有知識結構體係內的已有知識，重新嫁接、歸納、演繹、推演，可以把這個不懂解決掉。
在學習區的時候，如果不懂的比例太高，就會恐慌，厭學。如果不懂的比例太低，就會疲掉，懶得走心。隻有不懂的比例剛剛好，才最容易進入最高效學習狀態按照大心理學家米哈利的理論，這種狀態就叫‘心流’。”
“心理學和認知神經科學的基礎還不錯嘛。”顧玩表揚了女朋友一句，
確實，作為才雙修心理學一個學期的新人，有這種見解已經很牛逼了。
然後顧玩話鋒一轉:“不過，以往我們都認為，心流是一種可遇而不可求的狀態，但很快，隨著對機器學習的剖析，我們會發現，進入心流或者說最高效學習狀態，是有科學的最優解的。
這個最優解，就需要我們把一張卷子、一次學習、一個機器大數據訓練集的對錯比例、難易比例，調到一個最優化的玄妙數值上。隻有量身定做了這個數值，無論人還是機器，都能達到最完美的學習效率。哪怕一個學渣，都能在學習中感受物我兩忘開天眼的高效。”
“具體要怎麼做到？？”麻依依已經忘了自己是在聊學術問題了。
……
對啊，具體要怎麼做到？
在地球上，2018年的時候，亞利桑那大學和布朗大學的兩位人工智能算法專家，就給出了最優解。
他們的結論是，讓一個機器學習的訓練集中，對錯比例控製在15.87%時，可以達到機器學習算法效率最高、進步最快的狀態。
比如讓計算機用人工智能圖像識彆，來鑒彆一萬張類似貓的圖片，來學習“怎樣判斷圖裡麵的東西是不是一隻貓”。
這時候，你要拿8413張真的是貓的圖片，和1587張似貓非貓的圖片，去給人工智能喂數據，那麼機器學完這10000萬圖片、得到對錯評分後，得到的提高是最多的。
這個是自然數學法則的最優解了，換句話說，你拿8414張真貓圖和1586張似貓非貓圖去喂，機器吃完這1萬個大數據之後，進步量也會比崗前前一組略低。
這個數據具體怎麼來的呢？是人類算法學家，從2010年，穀歌開始操練深度學習以來，不斷反複試驗，全人類算法專家共同實驗了八年，摸出來的。
更奇妙的是，地球人後來做了更多深入實驗，發現這個學習效率機製，真的不僅適用於機器學習，也適用於人類大腦。
在“試錯型學習”，或者說早期認知方麵，人腦和模擬人腦宏觀運作規律表現的深度學習，是一致的。