周轩提示您：看后求收藏（略群小说www.luequn.com），接着再看更方便。
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。
