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