第13章 如果你一辈子只能喝一口鸡汤第2/3段

投票推荐 加入书签 章节错误?快速报错

  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,因为我们介入之后上捡了一下笔,再次抬起头已经不懂老师在讲什么了?


本章未完,请点击下一段进行阅读!

章节目录