第104章 每个领域都有天下第一(2/3)

网络”的概念被提出时，就是为了探讨一种让电脑高效处理类似于“找到礼堂里到底有没有我认识的人”问题的新方法：如果可以有多个电脑，自然随机地分配任务，并行从多个点开始用就近算法寻找，那么自然可以在“单核cpu”性能比较弱的情况下，通过堆砌cpu数量加快问题的解决速度。

但这个概念并没有“节约计算资源”，因为理论上它只是把“1台电脑10小时工作量”变成了“10台电脑1小时的工作量”而已。而且这种最原始的“神经网络”也依然没法解决那些“似是而非”的模糊问题——他们只能回答“有我认识的人没有我认识的人”这种非此即彼的问题。

库克点名了在这个领域让顾诚对其应用模型说出个子丑寅卯来，顾诚自然不能避战。

“我拜读过辛顿教授对于神经网络的最新模型假说，卷积神经网络，以及与之配套的学习型算法。我认为这个东西可以和互联网的自动识别索引工具相结合。至于具体的应用场景么……那就属于商业机密了，恕我无可奉告。”

“卷积神经网络的新用法？”

史蒂芬.库克教授一愣，但很快冷静下来，他可不是一个概念就能忽悠住的。

“看来，顾先生要论述的重点，就在于卷积上面了？”

“没错，如果没有卷积，仅有神经网络，我们依然没法讨论近似于人脑判断的模糊问题。”顾诚一副成竹在胸的样子，似乎对对方的反应早有预判。

他打开电脑，接上投影仪，屏幕上出现了一张猫的图片。

“我用图上这只猫举例子——尽管这只猫一只耳朵竖着一只耳朵折了，眼珠瞳孔也有点不正常，尾巴还特别短，毛色肮脏还和照片的背景色非常接近，但我作为一个人类，还是一眼就认出了这确实是一只猫。

现在，我用我根据辛顿教授的阀值思想编写的自学程序，用机器对这只猫是否是猫进行初次预判。在这个算法里，我们预构了30个组合特征量，比如猫眼、猫耳猫毛、猫尾……然后用三十个神经元单位的处理资源，分别针对每一个组合特征量进行预判，然后分别给出结果。

在这三十个神经元单位内部，我们再根据本图猫眼与本神经元见过的猫眼之间的像素相似度作出判断，给出一个积值，从而得到这有85概率是一只猫眼或者有70概率是一只猫耳之类的参考量。最后，把这30个组合特征量按照默认1：1的权重进行组合，最终平均分高于60分就判定这是一只猫。”

“那成功率肯定很可怜。”库克教授耸耸肩，一脸的悲悯。

“当然很可怜，因为我的实验才开始呢——做到这一步，并不是要让机器判断正确，而是在机器判断完之后，让人眼再复查一遍。如果机器和人的判断结果一致，那么就给目前的特征量分组方式和每个特征量的权重比例数组加1分。

然后，再判断下一次。如果还对，再加一分。直到判断错了，然后就自动对现有权重比例数组作出调整：比如，此前判断正确的两次平均分60分的结果中，猫眼得分分别是75和80分，而猫耳得分是45和40分。而判断错误的那一次平均分60分的结果中，猫眼是50分猫耳是70分。那么，我们就可以得出一个结论：决定猫是否长得像猫的所有特征变量中，猫眼是比猫耳更关键的变量，在计算综合分的时候应该提升其权重。

最后，按照这个逻辑让这套算法看一百张猫图，一千张，一万张……算法自然会总结出一套即使不全对，但正确概率越来越高的判断权重。”

人类的小孩儿，在3岁的时候学习认各种东西，其实大脑里就是这么算的。没什么非坚持不可的特征，看个几百只猫，自然而然就调整各个特征权重，知道什么是猫了。

没有任何一个变量，拥有“一票否决”的权力。充其量，只是其在卷积神经网络中的“积分量”比较高而已。正是因为如此，人类才可以在看到一只双眼彻底被挖掉的猫时，依然认出这是一只猫。

……

顾诚的整体论述，自然是非常冗长的，难以一一赘述。

其中很多关窍，说透了之后也完全通俗易懂，根本没什么逼格。

但是顾诚至少为“如果做不到全对，就没有商业价值”的卷积神经网络，提供了一种“就算现在做得还不太好，也能在一两年内就取得阶段性商业变现可能性”的路径。

史蒂芬.库克教授与之交谈良久，最后默然不知如何应对。

“神圣的神经网络算法研究，居然用这种毫不严谨毫不科学的推论、假设、模拟来解释。这些想法和推论根本没法形成论文和成果体系。”库克教授本能地抨击了几句，但是冷静下来之后，一咬牙，不得不承认，“但是，很有启发。”

对于库克教授的指责，顾诚不以为意：“就像中医，不科学，但是有时候它确实可以治好病。只是要碰运气，而且解释不通其治好病的必然道理而已——但我只要疗效，不在乎科不科学。您有兴趣证明，完善学术体系，我很尊重您的想法。但我不太会为这些证明掏钱。我这次来，只想投资一些哪怕不科学也能用上的东西。”

库克教授无奈地摇摇头：“真是可惜，有那么好的脑子，却不以投身科学为荣。”

“没办法，我是产业界的人士，我在乎的是实用主义。”

顾诚不再理会那个理想主义的老学阀，只是重新提出了