别😑的产业界大牛，无论微软还是谷歌，好歹有一水儿的顶级大学研究所支撑。顾诚虽然也是搞互联网的，但他的技术含量是最低的那一型。
就像后世bat三巨头当中，腾云是技术含💀🎲量最低的一个。
“你提到了神经网络算法这个拟研究方向，但我看不出来这和你的产业有什么结合。让我们多伦多🂸📨🝕大学的教授去做那种看不到学术前景的花里胡哨东西，有违本校的学风🛁🙞。”
库克教授也不管自己只是个所长，直接就盖棺定论了。
所谓“神经网🄁🝴🏘络式算法”，库克教授十几年前就有涉猎，相比于80年代以来的其他“np穷尽理论”而言，其最大的特🜢点是“没有运算核心”。
用人体来举例，人作为一个生物个体而言，是有中枢神经的绝📪🝬🎑大多数机体行动，都是大脑控制肢体，眼口耳鼻手足感知到了外部信号之后先要通过反射弧传递到大脑（部分最低级的反射，至少也要到延髓/脊髓处理）等大脑作出处理指令之后，手足才会作出反应。
但是如果🛌把大脑单独作为一个独立个体解剖开来看，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”🄅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🄁🝴🏘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🄅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5🚑0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。