，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1587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1587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，只会让这些孩子比没有介入前康复得更快。你设计的数据集，怎么样都会比目前没有专业设计过数据集的盲练更有效果。

至于实验资源，我帮你动用关系去联络。等到卷积神经网络和深度学习算法方面的积累差不多了，你这个成果就能进入联合引爆的节点。”

s上面已经三千字了，下面例行不要钱吐几句槽。

我知道，这一章其实跟主线的关系并不紧密，但我还是选择详细写了。

书已经这样了，我也不图写得多爽，反正爽不爽都是这么些人看。

我还是有一个朴素的想法，希望我的书能够把读者的智商拔高，为科普做点事情。让原本不那么学霸的人，看了我的书之后，不是仅仅爽到了，而是现实生活中也更牛逼了。

我不想祸害年轻人，我希望读者里如果有学生，10年后20年后会比现在更成功，依然有钱来看我的正版书。

我不想赚人口红利的钱。