一小時後，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，並說道：“方先生，陳總正在技術部開會，您稍等，我去知會他一聲。” 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了個資訊，很快陳宇就回訊息，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。 他們發現方鴻跟自己老闆陳宇的年齡差不多，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，後者微微一笑便在會議室裡默默地找了個位置坐下旁聽。 陳宇收回目光，轉而環視一眾與會者繼續說道：“……對於人工智慧的基本實現思路，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。” “因為計算機的一切運算，其基礎都是數學運算，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學問題。為了讓計算機能夠預測或者識別什麼東西，就需要先構造一個數學函式，這個數學函式就叫預測函式。” 一般人可能很難想象，量化資本作為一家多元金融公司，在大多數股民眼裡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，卻在公司裡談論這些內容。 不過方鴻是很淡定，這其實很正常，華爾街就是彙集了一群頂尖的數學家、物理學家。 此刻，陳宇轉而看向會議螢幕道：“比如預測一個吃飽飯的函式，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係有是什麼？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，描述這個損失的函式即[3-n=1]，這就是損失函式。” “機器學習就是透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，就會發現當[n=3]的時候誤差最小，也就是機器學習找到了真實的規律，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資料的規律，大部分時候，它的本質就是把資料投射到座標系裡，然後用計算機透過數學方法畫一條線區分或者模擬這些資料的過程。” “不同的機器學習方法，就是在使用不同的數學模型來投射資料和畫線，從上世紀到現在，不同的流派找到了不同的方法，擅長於解決不同的問題，影響比較巨大的有這麼幾種：線性迴歸和邏輯迴歸、k近鄰、決策樹、支援向量機、貝葉斯分類以及感知機等。” 方鴻坐在一邊旁聽默默不言，他也算是電腦科學領域的半個業內人士，更有前世記憶先知先覺的優勢，此刻旁聽也是毫無壓力。 陳宇他們走的顯然就是神經網路這個流派，不過也向前推進了一步，進入到了強化深度學習，而神經網路的前身就是感知機。 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元的活動方式來構造預測函式和損失函式，既然叫神經網路，必然和人的大腦神經元有一定的關係，單個感知機的演算法機制其實就是在模擬大腦神經元的執行機制。” 螢幕上呈現一張大腦神經元的結構圖。 “這是一個神經元，大家都知道它的結構，這是樹突，這是軸突，其它神經元發過來的訊號透過樹突進入神經元，再透過軸突發射出去，這就是一個神經元的執行機制。” “現在我們把神經元的樹突變成輸入值，把軸突變成一個輸出值，於是這個神經元就變成了這樣的一張圖。把它轉化為一個數學公式就更簡單了，[x1+x2+x3=y]，