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导的对话:
“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,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bī)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cāo)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,至少能把人的学习和好奇心,调动到理论峰值的90%以上。
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。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bī)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。58xs8.com