後世很多對理工科和工程技術沒什麼興趣的人，都覺得人工智能只是一個工具，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，只要你不對技術的東西心存成見和牴觸，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，只要你腦子裡有一個系統，系統給你下了一個任務，告訴你，整個人類21世紀裡生產出來的雞湯，你只能喝一碗，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，只喝這一碗。
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。放到武俠小說裡，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。
只不過，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穫的時候？”
麻依依立刻覺得心有慼慼焉。
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穫，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穫的重複勞動，他也樂呵呵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，藉助你現有知識結構體系內的已有知識，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。只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態，但很快，隨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。只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，對錯比例控制在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別，來鑑別一萬張類似貓的圖片，來學習“怎樣判斷圖裡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，谷歌開始操練深度學習以來，不斷反覆試驗，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”，或者說早期認知方面，人腦和模擬人腦宏觀運作規律表現的深度學習，是一致的。
地球人當時設計的人體實驗，主要是拿嬰兒做實驗，因爲可以儘量減少干擾項。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，看畫本教他們什麼是貓、什麼是狗。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15.87%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，因爲干擾項太多。
這就最終引申出一個驚人的結論：怎麼樣的學習，纔是最高效？最容易進入心流的？
結論就是：對於活人而言，也是一個知識點裡，有15%點幾的內容，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。
那麼多學渣爲什麼學渣？爲什麼學習效率低？還不是因爲他的成績，並沒有剛好契合老師教育難度的“懂與不懂對錯比例”？
爲什麼有那麼多段子，說數學差生當年只是數學課上撿了一下筆，再次擡起頭已經不懂老師在講什麼了？
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，肯瞭解你，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，其實就是乾的這個活兒，因爲書上那點知識點，老師其實都懂。好老師和差老師的區別，就在於好老師經驗豐富，稍微幾道題一測，就知道孩子目前是什麼水平、落後到什麼程度、該用什麼樣的難度和節奏去因材施教。
只不過，大多數好老師只是憑經驗，沒有從科學的角度系統、精確總結過數據。
事實上，對於人類學習而言，也不可能做到精確到15.87%的不懂率難度。
但基本上，一道題目或者一個知識塊，打包成“七道里面，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。
（這裡的“對六錯一”不是簡單的對錯配題，只是說，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、隨時讓自己進入物我兩忘學習狀態的法門，那麼不管是否愛科學、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別，也是沒什麼問題的。因爲外行人也看得懂，還能充分共鳴。
“實驗具體應該怎麼設計？”麻依依心癢難撓地問。
“你可以跟那些嬰兒康復教育機構聯手，幫忙調整視覺辨認訓練的對錯比例。讓康復前測驗得分相似的孩子，做不同對錯比例的題目，看誰康復得更快——
放心，不要有道德壓力，因爲我們介入之後，只會讓這些孩子比沒有介入前康復得更快。你設計的數據集，怎麼樣都會比目前沒有專業設計過數據集的盲練更有效果。
至於實驗資源，我幫你動用關係去聯絡。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。”
——
PS：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係並不緊密，但我還是選擇詳細寫了。
書已經這樣了，我也不圖寫得多爽，反正爽不爽都是這麼些人看。
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。讓原本不那麼學霸的人，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，我希望讀者裡如果有學生，10年後20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。因爲只要全國讀者受衆羣體裡，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，毫無疑問屬於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，將來能活得比只看小白文的讀者更光鮮。
咱做長線生意。
當然口號喊得再響，我首先也要承認這本書確實寫得不好，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。