這個最優解，就需要我們把一張卷子、一次學習、一個機器大數據訓練集的對錯比例、難易比例，調到一個最優化的玄妙數值上。只有量身定做了這個數值，無論人還是機器，都能達到最完美的學習效率。哪怕一個學渣，都能在學習中感受物我兩忘開天眼的高效。”
“具體要怎么做到？？”麻依依已經忘了自己是在聊學術問題了。
……
對啊，具體要怎么做到？
在地球上，2018年的時候，亞利桑那大學和布朗大學的兩位人工智能算法專家，就給出了最優解。
他們的結論是，讓一個機器學習的訓練集中，對錯比例控制在15.87%時，可以達到機器學習算法效率最高、進步最快的狀態。
比如讓計算機用人工智能圖像識別，來鑒別一萬張類似貓的圖片，來學習“怎樣判斷圖里面的東西是不是一只貓”。
這時候，你要拿8413張真的是貓的圖片，和1587張似貓非貓的圖片，去給人工智能喂數據，那么機器學完這10000萬圖片、得到對錯評分后，得到的提高是最多的。
這個是自然數學法則的最優解了，換句話說，你拿8414張真貓圖和1586張似貓非貓圖去喂，機器吃完這1萬個大數據之后，進步量也會比崗前前一組略低。
這個數據具體怎么來的呢？是人類算法學家，從2010年，谷歌開始操練深度學習以來，不斷反復試驗，全人類算法專家共同實驗了八年，摸出來的。
更奇妙的是，地球人后來做了更多深入實驗，發現這個學習效率機制，真的不僅適用于機器學習，也適用于人類大腦。
在“試錯型學習”，或者說早期認知方面，人腦和模擬人腦宏觀運作規律表現的深度學習，是一致的。
地球人當時設計的人體實驗，主要是拿嬰兒做實驗，因為可以盡量減少干擾項。選取原本認知發育水平差不多的嬰兒，讓他們認圖片訓練，就跟現在一兩歲的小孩，看畫本教他們什么是貓、什么是狗。這個訓練跟深度學習的機器視覺訓練，是很相似的。
然后放大樣本容量，給每個嬰兒的畫片對錯比例不同。結果最終果然是錯誤率接近15.87%的嬰兒，認知新事物進步速度最快。成年人的話，實驗暫時還沒法設計，因為干擾項太多。
這就最終引申出一個驚人的結論：怎么樣的學習，才是最高效？最容易進入心流的？
結論就是：對于活人而言，也是一個知識點里，有15%點幾的內容，是你不懂的，還有85%的基礎知識，是你懂的。
這時候，你的好奇心會被調動到最高，你對完全未知的恐懼心和排斥感也會壓低到一個恰到好處的水平。
那么多學渣為什么學渣？為什么學習效率低？還不是因為他的成績，并沒有剛好契合老師教育難度的“懂與不懂對錯比例”？
為什么有那么多段子，說數學差生當年只是數學課上撿了一下筆，再次抬起頭已經不懂老師在講什么了？
這段子雖然是段子，但理科學渣很多都是一點一滴從學習區脫節到恐慌區，最后放棄治療的。
這時候如果有個家教，知道你跌入恐慌區了，肯了解你，摸清你的水平，給你一個你最舒服的學習區對錯比例節奏、略微調低難度，說不定這些人的一輩子是可以拯救的。
很多有經驗的金牌老師，其實就是干的這個活兒，因為書上那點知識點，老師其實都懂。好老師和差老師的區別，就在于好老師經驗豐富，稍微幾道題一測，就知道孩子目前是什么水平、落后到什么程度、該用什么樣的難度和節奏去因材施教。
只不過，大多數好老師只是憑經驗，沒有從科學的角度系統、精確總結過數據。
事實上，對于人類學習而言，也不可能做到精確到15.87%的不懂率難度。
但基本上，一道題目或者一個知識塊，打包成“七道里面，對六錯一”的比例，那也已經很高效了，至少能把人的學習熱情和好奇心，調動到理論峰值的90%以上。