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15.87%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。
地球人当时设计的人体实验，主要是拿婴儿做实验，因为可以尽量减少干扰项。选取原本认知发育水平差不多的婴儿，让他们认图片训练，就跟现在一两岁的小孩，看画本教他们什么是猫、什么是狗。这个训练跟深度学习的机器视觉训练，是很相似的。
然后放大样本容量，给每个婴儿的画片对错比例不同。结果最终果然是错误率接近15.87%的婴儿，认知新事物进步速度最快。成年人的话，实验暂时还没法设计，因为干扰项太多。
这就最终引申出一个惊人的结论：怎么样的学习，才是最高效？最容易进入心流的？
结论就是：对于活人而言，也是一个知识点里，有15%点几的内容，是你不懂的，还有85%的基础知识，是你懂的。
这时候，你的好奇心会被调动到最高，你对完全未知的恐惧心和排斥感也会压低到一个恰到好处的水平。
那么多学渣为什么学渣？为什么学习效率低？还不是因为他的成绩，并没有刚好契合老师教育难度的“懂与不懂对错比例”？
为什么有那么多段子，说数学差生当年只是数学课上捡了一下笔，再次抬起头已经不懂老师在讲什么了？
这段子虽然是段子，但理科学渣很多都是一点一滴从学习区脱节到恐慌区，最后放弃治疗的。
这时候如果有个家教，知道你跌入恐慌区了，肯了解你，摸清你的水平，给你一个你最舒服的学习区对错比例节奏、略微调低难度，说不定这些人的一辈子是可以拯救的。
很多有经验的金牌老师，其实就是干的这个活儿，因为书上那点知识点，老师其实都懂。好老师和差老师的区别，就在于好老师经验丰富，稍微几道题一测，就知道孩子目前是什么水平、落后到什么程度、该用什么样的难度和节奏去因材施教。
只不过，大多数好老师只是凭经验，没有从科学的角度系统、精确总结过数据。
事实上，对于人类学习而言，也不可能做到精确到15.87%的不懂率难度。
但基本上，一道题目或者一个知识块，打包成“七道里面，对六错一”的比例，那也已经很高效了，至少能把人的学习热情和好奇心，调动到理论峰值的90%以上。
（这里的“对六错一”不是简单的对错配题，只是说，要让一个学习的知识块，有七分之六你懂的，七分之一你还不懂。
而且这七分之一要跟前面懂的那七分之六有继承性。你可以通过总结、归纳前面的七分之六，融会贯通学会最后的七分之一。然后再把饼往前多画一点，再划七分之一不懂的进来，各个击破。）
考虑到中国人最功利了，也最重视教育和往上爬。
顾玩相信，真要是有绝对科学的、让人掌握心流、随时让自己进入物我两忘学习状态的法门，那么不管是否爱科学、文科生还是理科生，都会关注这个成果的。
靠着这样的论文成果，刷名望刷到国民教父级别，也是没什么问题的。因为外行人也看得懂，还能充分共鸣。
“实验具体应该怎么设计？”麻依依心痒难挠地问。
“你可以跟那些婴儿康复教育机构联手，帮忙调整视觉辨认训练的对错比例。让康复前测验得分相似的孩子，做不同对错比例的题目，看谁康复得更快——
放心，不要有道德压力，因为我们介入之后，只会让这些孩子比没有介入前康复得更快。你设计的数据集，怎么样都会比目前没有专业设计过数据集的盲练更有效果。
至于实验资源，我帮你动用关系去联络。等到卷积神经网络和深度学习算法方面的积累差不多了，你这个成果就能进入联合引爆的节点。”
——
PS：上面已经三千字了，下面例行不要钱吐几句槽。
我知道，这一章其实跟主线的关系并不紧密，但我还是选择详细写了。
书已经这样了，我也不图写得多爽，反正爽不爽都是这么些人看。
我还是有一个朴素的想法，希望我的书能够把读者的智商拔高，为科普做点事情。让原本不那么学霸的人，看了我的书之后，不是仅仅爽到了，而是现实生活中也更牛逼了。
我不想祸害年轻人，我希望读者里如果有学生，10年后20年后会比现在更成功，依然有钱来看我的正版书。
我不想赚人口红利的钱。
另外，我觉得这也是一种与小白文战斗的方式。因为只要全国读者受众群体里，有文化、智商提升了的人多一个，看小白的人就少一个。
所以提升人民智商和学识，毫无疑问属于和小白文战斗的范畴。
我也不是为了你们，我是为了我自己。
希望连科普文都看得下去的读者，能够从中受益，将来能活得比只看小白文的读者更光鲜。
咱做长线生意。
当然口号喊得再响，我首先也要承认这本书确实写得不好，我功力不足，本来就是打算试试水现学现写。所以成绩一差连学都懒得学了，恶性循环。
但也没办法，不可能不知道一个领域有没有前途，就去学很多。
就算我写得很专业节奏很好，我现在回头估摸了一下，物理类和宇宙学题材，在某点极限也就是两三千均。