第13章 如果你一辈子只能喝一口鸡汤 (第2/3页)
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%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%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。
（本章未完，请点击下一页继续阅读）