友情提示：如果本网页打开太慢或显示不完整，请尝试鼠标右键“刷新”本网页！
文娱救世主-第134部分
快捷操作: 按键盘上方向键 ← 或 → 可快速上下翻页 按键盘上的 Enter 键可回到本书目录页 按键盘上方向键 ↑ 可回到本页顶部! 如果本书没有阅读完，想下次继续接着阅读，可使用上方 "收藏到我的浏览器" 功能 和 "加入书签" 功能！
库克教授也不管自己只是个所长，直接就盖棺定论了。
所谓“神经网络式算法”，库克教授十几年前就有涉猎，相比于80年代以来的其他“np穷尽理论”而言，其最大的特点是“没有运算核心”。
用人体来举例，人作为一个生物个体而言，是有中枢神经的绝大多数机体行动，都是大脑控制肢体，眼口耳鼻手足感知到了外部信号之后先要通过反射弧传递到大脑（部分最低级的反射，至少也要到延髓/脊髓处理）等大脑作出处理指令之后，手足才会作出反应。
但是如果把大脑单独作为一个独立个体解剖开来看，大脑内部上千亿个神经元是平等的。并不存在“某一小撮神经元高于其他周边神经元、从而在处理信息时先由这一撮神经元预处理、预处理完之后再交给下一撮神经元处理”这样的先后顺序。
（神经网络当然还有其他很多基础特点，这里仅仅讨论和“遗传算法/退火算法”的主要区别，所以不多赘述了。否则能水几万字，大家还看不懂。）
当年“神经网络”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，只是重新提出了自己的邀请。
“库克教授，我今天言尽于此。我希望你不会用你的学术权威，去劝阻其他人投身产业界。我也非常欢迎您给我介绍人才，介绍从各种角度‘碰运气’的人才。”
03年的东海岸，盘根错节的混逼格学者还是挺多的，成果和产业界的结合，普遍还停留在那些既能刷脸也能刷钱的成果。
要到杰夫辛顿这一票人普遍想通之后，东海岸学界以钱衡量成功的氛围才会浓重起来。任何事情，都是一步步来的。
“你们谁想去的，就去吧。我不会阻拦。至于第二个建议，我会考虑。”
第105章 全面布局
离开密西沙加校区的时候，林志凌依然觉得心里堵得有些感慨。
“为什么这些人在多伦多那么好的学术氛围里，却无法发挥出他们最大的价值呢？”
顾诚对此倒是毫不感慨，显然早已没心没肺：“科学是很严谨的东西。如果你得了癌症，科学已经宣判了你的死刑，现在有一种吃了之后有10％概率懵对救命、但是生效机理不明的药，你吃还是不吃？造这种药赚钱的生意你做还是不做？
要想拿图灵奖，这种生意就不能沾，这种研发就不能做。如果只是要钱，要实用，就无所谓。我这辈子从来没想过拥抱科学，我最多只是利用科学。但是如果某个具体问题上科学还没巫术好使，我就用巫术好了。”
史蒂芬。库克是个伟人，但是跟顾诚混的圈子不相交。
所以顾诚只能尊重对方的人品，但是道不同不相为谋，然后尽量从他手下挖走那些三观还没定型、“节操”没那么满满的学者。
只要肯用名换钱，顾诚就有希望挖到。
他在多伦多滞留了两天，好让杰夫。辛顿有更多时间做手下人的思想工作。
一切都很顺利，事情完全向着顾诚预想的方向进展着。面对巨额的研究经费和薪水，乃至未来可能的基础分红，和其他媒体渠道的出名机会，最终战胜了对学术上拿奖拿影响因子的欲…望。
除了杰夫辛顿这个研究“深度学习算法”的流派之外，史蒂芬。库克麾下其他几个技术路线的教授也略有松动，至少被顾诚挖走了两个副教授和一堆博士研究生。
顾诚要的，就是这种效果。“跟着顾诚混，就算上不了核心期刊，照样可以在别的严肃媒体渠道出名，用另一种方式被世人记住”。
第一步总是很艰难的，一旦这种念头在脑子灵活的基础科研能人心中扎根，顾诚的雪球就会越滚越大。
为了完成这一切，顾诚也初步开出去了足足三千万美元的支票，给他新注册的空壳研究所和基金会注资。
这笔钱几乎相当于“传奇”一个季度的毛利，而且目前这个机构还只能设在米国顾诚试探着问过杰夫。辛顿，“如果让大家去华夏工作，并且加钱，有多少人愿意走”，但结果是愿意跟着他跑的人数至少会降低三分之二。
华夏如今给白人的印象，还是太不透明了，要是再过个五年十年，情况绝对会倒过来。
所以顾诚决定目前还是先在米国设立一个研究机构，以及yy网络科技的子公司，过个两三年等他盘面更大了，再从长计议把核心研发人员挪去华夏。
……
“深度学习算法”是未来人工智能的鼻祖，虽然不是其唯一实现路径，却为人类开启了一条“让机器慢慢根据数据标识自我修正”的思路。
历史上，这一技术最初的应用场景，其实是谷歌的图片搜索引擎，和facebook的人脸识别技术。
在此之前，谷歌搜索只能搜文字信息，却没法搜图片
别看百度和谷歌都很早就开放了“百度图片”之类的功能，但是最初的“百度图片”并不是根据图片的内容来决定搜索结果的，而是靠该图片所属的网页链接的文字标题来搜的。
所以09年以前的“百度图片”功能，其实并不是真正“读懂”了图的内容。只不过外行用户只看疗效，所以并没有在这段还算平滑的技术过渡中察觉出什么异常，还以为后来的“百度图片”识图率“自然而然”就提高了。
只有基于深度学习为代表的新一代人工智能真正应用之后，人类才学会了让机器直接读图本身。
不过，这个应用场景虽然很宏大，却跟顾诚的生意没什么关系。那是需要百度李老板和阿狸马风去操心的。李老板将来或许可以做图片搜索，马风则可以做淘宝找同款。顾诚最多在合适的时机提点一下、换取自己的好处，却不会亲自下场。
深度学习型人工智能的第二个应用场景、也就是平行时空facebook的人脸识别，则是和顾诚眼下的生意非常契合的。
如今，扎克伯格还不是一个胸怀大志的家伙，他只想着在哈佛女生当中扬名立万，被无数人崇拜，混进最顶级的豪门俱乐部。所以十有**会被顾诚劝诱至麾下。顾诚也不打算另搞facebook了，而是准备直接在海外运营“yy网”。
考虑到墙的因素，以及墙里墙外的内容差异，到时候国内那部分就把英文的“yy网”倒过来，改叫“人人网”好了。
名字不重要，反正两者最后都会是基于yy的朋友圈类空间产品。
国内腾云那边，马腾如今正在做qq空间，而且腾云的资金链比较紧张。等qq空间误入歧途之后，顾诚再公布自己的开发计划教做人也来得及。
按照这个计划，顾诚估计他回国后全面推进“yy网”和“人人网”的开发计划、四季度十一黄金周前后上线网站，基本上就可以卡住几个关键时间点。
除了历史上facebook和谷歌已经干过的事情之外，“深度学习”在顾诚手中自然还有他独到的用处，那就是“用户偏好分析”。
这事儿在平行时空的起步，比前两项应用要晚得多，但顾诚深知那并不是这件事情技术上比前两项难多少，而是因为平行时空最初接触深度学习型人工智能的巨头们，统统都没有涉猎娱乐/内容产业。
换言之，如果第一批接触深度学习人工智能的换成亚马逊公司，“用户偏好分析和推送”肯定会变成第一优先级的存在。
顾诚的生意，和亚马逊的重合度非常高，而且他是个知其然知其所以然的人，当然不会放过这一领域的布局。
只是这块工作量比较大，一方面要堆叠算法，另一方面也要让把目前市面上已有的大量文娱作品进行标签化分类和数据标识、将来再长年累月一步步细化细分数据表示。
按照最乐观的估计，“用户偏好分析和推送”至少要在实验室里躺两三年，才能谈试运营的问题。
幸好顾诚钱多，做得起这种长线投资。
……
在多伦多盘桓了三四天，挖够了人之后，顾诚就准备驱车回波士顿，了结一下跟扎克伯格的赌约。
然而算算日子，跟扎克伯格的一周之约还没到期，顾诚只好先去纽约休假两三天。
以他这么忙的身份，就算在纽约也不会很闲，至少也要电话遥控一下生意。
这不，他人还在多伦多的时候，就把公司的准cfo柳倩从纽约发配去了旧金山，让她在硅谷投资一块办公楼地皮，在那儿注册一间yy子公司、同时留心一家成立还不到两年的初创公司，尝试一下收购。
被顾诚盯上的这家公司，便是后来在05年拿出了世界三大物理运算引擎physx的ageia公司。这家公司历史上应该于08年被英伟达（nvidia）收购，后来成就了英伟达的完全体gpu大业。
顾诚要搞深度学习型人工智能，要搞卷积神经网络，挖一家这样的公司就非常有必要。
就如前几天顾诚和史蒂芬。库克教授谈到的那样，任何“神经网络”和传统计算机网络最大的区别，是“没有中枢，每个神经元节点完全平等，彻底云分布”。
所以在执行“神经网络”相应的运算时，人类传统的电脑cpu效率其实并不是很高，无论英特尔还是amd。
因为稍微懂点计算机常识的人都知道，cpu是“时分占用”的计算硬件，通俗的说，一个4g主频的cpu，只是一秒钟能够运算40亿次，但每一瞬间依然只能计算一次，windows的“多任务处理系统”，本质上只是“把cpu的时间占用细分，每个后台程序在每一秒里占用那么几微妙”来实现的。
比如一个人打cs游戏的时候，后台开了个qq。运行qq需要占用“每秒1亿次运算”的cpu处理资源，那么实质就是“4g主频的cpu每秒分出25毫秒处理qq”，而不是物理意义上的“同时处理cs和qq”。
这种只能单核运算的模式，注定了不适合未来卷积神经网络越来越多的“并线操作”。所以06年当卷积神经网络的曙光出现之后，平行时空的英特尔公司也�
快捷操作: 按键盘上方向键 ← 或 → 可快速上下翻页 按键盘上的 Enter 键可回到本书目录页 按键盘上方向键 ↑ 可回到本页顶部!
温馨提示： 温看小说的同时发表评论，说出自己的看法和其它小伙伴们分享也不错哦！发表书评还可以获得积分和经验奖励，认真写原创书评 被采纳为精评可以获得大量金币、积分和经验奖励哦！