一小時后，方鴻再次來到了量化資本總部。

    陳宇的助理前來接待他，領著他向著招待室走去，并說道：“方先生，陳總正在技術部開會，您稍等，我去知會他一聲?！?br/>
    方鴻如是說道：“不用，直接帶我去他的會議室，我去旁聽一下。”

    聞言，陳宇的助理拿出手機給他發(fā)了個信息，很快陳宇就回消息，這位助理轉而看向方鴻微笑道：“方先生，您這邊請。”

    不一會兒，方鴻便來到了陳宇所在的會議室，在場有三十多號人，看到走進來一個陌生的青年，大家都頗為好奇的打量了一下。

    他們發(fā)現(xiàn)方鴻跟自己老板陳宇的年齡差不多，但不同的是，他們從方鴻身上感受到了一種在這個年齡階段所沒有的上位者氣場，這讓大家意識到這個陌生青年不是一般人。

    此刻，陳宇看到方鴻與之相視點頭致意，后者微微一笑便在會議室里默默地找了個位置坐下旁聽。

    陳宇收回目光，轉而環(huán)視一眾與會者繼續(xù)說道：“……對于人工智能的基本實現(xiàn)思路，機器學習的過程，簡單的說就是電腦到底是如何自我學習的?！?br/>
    “因為計算機的一切運算，其基礎都是數(shù)學運算，所以任何機器學習的思路，歸根結底就是把一個實際問題轉化為數(shù)學問題。為了讓計算機能夠預測或者識別什么東西，就需要先構造一個數(shù)學函數(shù)，這個數(shù)學函數(shù)就叫預測函數(shù)?！?br/>
    一般人可能很難想象，量化資本作為一家多元金融公司，在大多數(shù)股民眼里甚至就是一家非銀金融投資公司，掌門人也是做投資交易的，卻在公司里談論這些內(nèi)容。

    不過方鴻是很淡定，這其實很正常，華爾街就是匯集了一群頂尖的數(shù)學家、物理學家。

    此刻，陳宇轉而看向會議屏幕道：“比如預測一個吃飽飯的函數(shù)，就可以描述成[吃飽=N碗飯]，這個預測計算到底準不準？一個人吃幾碗飯和吃飽之間的關系有是什么？是吃一碗還是三碗才能吃的飽？”

    “這就需要實際去試一下，如果預測是兩碗飯吃飽，但實際要吃三碗飯才飽，其中一碗的誤差就是損失，描述這個損失的函數(shù)即[3-N=1]，這就是損失函數(shù)?！?br/>
    “機器學習就是通過不斷嘗試讓這個誤差達到最小的過程，尋找損失最小值的方法通常是梯度下降，一旦我們找到了最小誤差，就會發(fā)現(xiàn)當[N=3]的時候誤差最小，也就是機器學習找到了真實的規(guī)律，就成功解決問題了。”

    陳宇再度看向眾人道：“所以，機器學習就是在尋找數(shù)據(jù)的規(guī)律，大部分時候，它的本質就是把數(shù)據(jù)投射到坐標系里，然后用計算機通過數(shù)學方法畫一條線區(qū)分或者模擬這些數(shù)據(jù)的過程?！?br/>
    “不同的機器學習方法，就是在使用不同的數(shù)學模型來投射數(shù)據(jù)和畫線，從上世紀到現(xiàn)在，不同的流派找到了不同的方法，擅長于解決不同的問題，影響比較巨大的有這么幾種：線性回歸和邏輯回歸、K近鄰、決策樹、支持向量機、貝葉斯分類以及感知機等。”

    方鴻坐在一邊旁聽默默不言，他也算是計算機科學領域的半個業(yè)內(nèi)人士，更有前世記憶先知先覺的優(yōu)勢，此刻旁聽也是毫無壓力。

    陳宇他們走的顯然就是神經(jīng)網(wǎng)絡這個流派，不過也向前推進了一步，進入到了強化深度學習，而神經(jīng)網(wǎng)絡的前身就是感知機。

    這三個名詞本質上都是在玩同一個東西。

    卻說此刻，陳宇緩緩地說道：“深度學習最基本的思想就是模擬大腦神經(jīng)元的活動方式來構造預測函數(shù)和損失函數(shù)，既然叫神經(jīng)網(wǎng)絡，必然和人的大腦神經(jīng)元有一定的關系，單個感知機的算法機制其實就是在模擬大腦神經(jīng)元的運行機制?！?br/>
    屏幕上呈現(xiàn)一張大腦神經(jīng)元的結構圖。

    “這是一個神經(jīng)元，大家都知道它的結構，這是樹突，這是軸突，其它神經(jīng)元發(fā)過來的信號通過樹突進入神經(jīng)元，再通過軸突發(fā)射出去，這就是一個神經(jīng)元的運行機制?！?br/>
    “現(xiàn)在我們把神經(jīng)元的樹突變成輸入值，把軸突變成一個輸出值，于是這個神經(jīng)元就變成了這樣的一張圖。把它轉化為一個數(shù)學公式就更簡單了，[X1+X2+X3=Y]，就是這個公式。”

    “沒錯，就這么簡單。最復雜的事物往往是有最簡單的事物創(chuàng)造的，簡單的0和1就塑造了龐大的計算機世界，四種核苷酸就空置了紛繁復雜的生命現(xiàn)象，一個簡單的神經(jīng)元反射就塑造了我們的大腦?！?br/>
    陳宇停頓了一會兒，再度環(huán)視眾人：“問題的關鍵不是基本結構有多簡單，而是我們?nèi)绾问褂眠@個基本結構來構建龐大的世界，神經(jīng)元之所以神奇是因為它有一個激活機制，即所謂的閾值。”

    “神經(jīng)元的每一個樹突不斷的接受輸入信號，但并不是每一個輸入信號都能讓軸突輸出信號，每一個樹突在輸入時所占的權重也不一樣?！?br/>
    “比如你追求一個妹子，你孜孜不倦地采取各種行動，今天送了她一束花，明天請她吃大餐，但你發(fā)現(xiàn)這些行動都打動不了她。直到有一天伱陪她逛了一天街，她忽然間就被打動了，答應做你女朋友，這說明什么？”

    “說明并不是所有的輸入權重都是一樣的，在妹子那里可能逛街的權重最大，其次是效果的積累并非是一個線性漸進的過程，而是量變引起質變。”

    “所有的輸入在某一個點之前完全沒效果，可一旦達到某個值就突然被激發(fā)了，所以，模仿神經(jīng)元的這種激活特性，那么對剛才的公式做一下改造?！?br/>
    “每個輸入需要一定的權重，在前面加一個調(diào)節(jié)權重的系數(shù)[W]，后面加一個常數(shù)方便更好地調(diào)整閾值，于是這個函數(shù)就變成了這個樣子?！?br/>
    方鴻也看向了會議大屏幕，是一個新的數(shù)學公式。

    【W(wǎng)1X1+W2X2+W3X3+b=Y】

    陳宇看著屏幕里的公式說：“為了實現(xiàn)激活的過程，對輸出值再作進一步的處理，增加一個激活函數(shù)，比如當X＞1時，輸出1；當X＜1時，輸出0，于是就成了這個樣子?！?br/>
    “不過這個函數(shù)看起來不夠圓潤，不是處處可導，因此不好處理，換成Sigmoid函數(shù)，這樣一個簡單的函數(shù)就可以處理分類問題了?！?br/>
    “單個的感知機，其實就是畫了一條線，把兩種不同的東西分開，單個感知機可以解決線性問題，但是對于線性不可分的問題卻無能為力了，那意味著連最簡單的異或問題都無法處理?！?br/>
    異或問題對于在場的所有人包括方鴻都明白，這是計算機的基本運算之一。

    這時，陳宇自我反問道：“異或問題處理不了，那豈不是判死刑的節(jié)奏？”

    陳宇旋即自答：“很簡單，直接用核函數(shù)升維。感知機之所以能變成現(xiàn)在的深度學習，就是因為它從一層變成了多層，深度學習的深度就是指感知機的層數(shù)很多，我們通常把隱藏層超過三層的神經(jīng)網(wǎng)絡就叫深度神經(jīng)網(wǎng)絡，感知機是如何通過加層搞定異或問題的？”

    陳宇回頭看向屏幕調(diào)取下一張幻燈圖并說：“計算機有四大基本運算邏輯，與、或、非、異或，這個不用多講了。如果我們把異或放在一個坐標系來表示就是這樣的?！?br/>
    “原點位置X是0，Y是0，于是取0；X=1時，Y=0，兩者不同取1，通力，這兒也是1，而這個位置X、Y都等于1，所以取0，在這張圖上如果我們需要吧0和1分開，一條直線是做不到的?！?br/>
    “怎么辦？這就要看異或運算的本質了，數(shù)學上來說，異或運算其實一種復合運算，它其實可以通過其它的運算來得到，證明過程太復雜這里就不展開了?！?br/>
    “如果我們能用感知機先完成括號里的運算，然后再把得出的結果輸入到另一個感知機里邊進行外面的這層運算，就可以完成疑惑運算了，然后異或問題就這么神奇的解決了，解決問題的同時順帶還解決了線性不可分的問題?！?br/>
    “這說明什么？說明不管多么復雜的數(shù)據(jù)，通過加層的方式都可以擬合出合適的曲線將他們分開，而加層就是函數(shù)的嵌套，理論上來講不管多么復雜的問題，我們都可以通過簡單的線性函數(shù)組合出來，因此，理論上講，多層的感知機能夠成為通用的方法，可以跨領域地解決各類機器學習問題?！?br/>
    ……

    (本章完)