後世很多對理工科和工程技術沒什麽興趣的人，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，咒罵完之後該幹啥幹啥，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，那麽哪怕你是個純文科生，你也能很輕松理解這條鐵律，并且從中受益。

說句不誇張的話，哪怕你把它當成是雞湯那麽，隻要你腦子裏有一個系統，系統給你下了一個任務，告訴你，整個人類21世紀裏生産出來的雞湯，你隻能喝一碗，剩下的都要倒掉，如果多喝一碗，系統就把你抹殺。

那麽，那一刻你該怎麽選擇？

你應該把全人類生産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，屬于朝聞道、夕可死矣的檔次，一入口就是一甲子的内力。放到武俠裏，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，所以就成了下面這種誘導性的對話

“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麽高，而且很穩定的麽？

難道就沒有什麽時候學習效率低、自習了一晚上什麽都沒進步，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，他也樂呵呵的不覺得有什麽問題。

“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，是因爲學習的節奏，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，下面這幾個概念你應該不陌生，那就是學習中的‘學習區’、‘舒适區’和‘恐慌區’。”

麻依依“這個我當然知道，舒适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，哪怕是爲了加深印象，一個月練三四遍也就足夠了。

但題海戰和做模拟卷的時候，不得不每個月練幾十遍甚至上百遍，何止遍，做到後來情緒都毛了，很不耐煩。這個就是舒适區嘛，練了也沒進步，全都懂了。

至于恐慌區，就是一張卷子看下來，有些題目什麽都不懂，一點頭緒都沒有。不但不知道怎麽解，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，就是介于舒适區和恐慌區之間的，這裏的難度對你剛剛好。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系内的已有知識，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态按照大心理學家米哈利的理論，這種狀态就叫‘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，

确實，作爲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，以往我們都認爲，心流是一種可遇而不可求的狀态，但很快，随着對機器學習的剖析，我們會發現，進入心流或者說最高效學習狀态，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。”

“具體要怎麽做到？？”麻依依已經忘了自己是在聊學術問題了。

……

對啊，具體要怎麽做到？

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，對錯比例控制在時，可以達到機器學習算法效率最高、進步最快的狀态。

比如讓計算機用人工智能圖像識别，來鑒别一萬張類似貓的圖片，來學習“怎樣判斷圖裏面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，那麽機器學完這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。

這個數據具體怎麽來的呢？是人類算法學家，從2010年，谷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制，真的不僅适用于機器學習，也适用于人類大腦。

在“試錯型學習”，或者說早期認知方面，人腦和模拟人腦宏觀運作規律表現的深度學習，是一緻的。

地球人當時設計的人體實驗，主要是拿嬰兒做實驗，因爲可以盡量減少幹擾項。選取原本認知發育水平差不多的嬰兒，讓他們認圖片訓練，就跟現在一兩歲的小孩，看畫本教他們什麽是貓、什麽是狗。這個訓練跟深度學習的機器視覺訓練，是很相似的。

然後放大樣本容量，給每個嬰兒的畫片對錯比例不同。結果最終果然是錯誤率接近的嬰兒，認知新事物進步速度最快。成年人的話，實驗暫時還沒法設計，因爲幹擾項太多。

這就最終引申出一個驚人的結論怎麽樣的學習，才是最高效？最容易進入心流的？

結論就是對于活人而言，也是一個知識點裏，有15點幾的内容，是你不懂的，還有85的基礎知識，是你懂的。

這時候，你的好奇心會被調動到最高，你對完全未知的恐懼心和排斥感也會壓低到一個恰到好處的水平。

那麽多學渣爲什麽學渣？爲什麽學習效率低？還不是因爲他的成績，并沒有剛好契合老師教育難度的“懂與不懂對錯比例”？

爲什麽有那麽多段子，說數學差生當年隻是數學課上撿了一下筆，再次擡起頭已經不懂老師在講什麽了？

這段子雖然是段子，但理科學渣很多都是一點一滴從學習區脫節到恐慌區，最後放棄治療的。

這時候如果有個家教，知道你跌入恐慌區了，肯了解你，摸清你的水平，給你一個你最舒服的學習區對錯比例節奏、略微調低難度，說不定這些人的一輩子是可以拯救的。

很多有經驗的金牌老師，其實就是幹的這個活兒，因爲書上那點知識點，老師其實都懂。好老師和差老師的區别，就在于好老師經驗豐富，稍微幾道題一測，就知道孩子目前是什麽水平、落後到什麽程度、該用什麽樣的難度和節奏去因材施教。

隻不過，大多數好老師隻是憑經驗，沒有從科學的角度系統、精确總結過數據。

事實上，對于人類學習而言，也不可能做到精确到的不懂率難度。

但基本上，一道題目或者一個知識塊，打包成“七道裏面，對六錯一”的比例，那也已經很高效了，至少能把人的學習熱情和好奇心，調動到理論峰值的90以上。

（這裏的“對六錯一”不是簡單的對錯配題，隻是說，要讓一個學習的知識塊，有七分之六你懂的，七分之一你還不懂。

而且這七分之一要跟前面懂的那七分之六有繼承性。你可以通過總結、歸納前面的七分之六，融會貫通學會最後的七分之一。然後再把餅往前多畫一點，再劃七分之一不懂的進來，各個擊破。）

考慮到中國人最功利了，也最重視教育和往上爬。

顧玩相信，真要是有絕對科學的、讓人掌握心流、随時讓自己進入物我兩忘學習狀态的法門，那麽不管是否愛科學、文科生還是理科生，都會關注這個成果的。

靠着這樣的論文成果，刷名望刷到國民教父級别，也是沒什麽問題的。因爲外行人也看得懂，還能充分共鳴。

“實驗具體應該怎麽設計？”麻依依心癢難撓地問。

“你可以跟那些嬰兒康複教育機構聯手，幫忙調整視覺辨認訓練的對錯比例。讓康複前測驗得分相似的孩子，做不同對錯比例的題目，看誰康複得更快

放心，不要有道德壓力，因爲我們介入之後，隻會讓這些孩子比沒有介入前康複得更快。你設計的數據集，怎麽樣都會比目前沒有專業設計過數據集的盲練更有效果。

至于實驗資源，我幫你動用關系去聯絡。等到卷積神經網絡和深度學習算法方面的積累差不多了，你這個成果就能進入聯合引爆的節點。”

s上面已經三千字了，下面例行不要錢吐幾句槽。

我知道，這一章其實跟主線的關系并不緊密，但我還是選擇詳細寫了。

書已經這樣了，我也不圖寫得多爽，反正爽不爽都是這麽些人看。

我還是有一個樸素的想法，希望我的書能夠把讀者的智商拔高，爲科普做點事情。讓原本不那麽學霸的人，看了我的書之後，不是僅僅爽到了，而是現實生活中也更牛逼了。

我不想禍害年輕人，我希望讀者裏如果有學生，年後會比現在更成功，依然有錢來看我的正版書。

我不想賺人口紅利的錢。

另外，我覺得這也是一種與小白文戰鬥的方式。因爲隻要全國讀者受衆群體裏，有文化、智商提升了的人多一個，看小白的人就少一個。

所以提升人民智商和學識，毫無疑問屬于和小白文戰鬥的範疇。

我也不是爲了你們，我是爲了我自己。

希望連科普文都看得下去的讀者，能夠從中受益，将來能活得比隻看小白文的讀者更光鮮。

咱做長線生意。

當然口号喊得再響，我首先也要承認這本書确實寫得不好，我功力不足，本來就是打算試試水現學現寫。所以成績一差連學都懶得學了，惡性循環。

但也沒辦法，不可能不知道一個領域有沒有前途，就去學很多。

就算我寫得很專業節奏很好，我現在回頭估摸了一下，物理類和宇宙學題材，在某點極限也就是兩三千均。