第(2/3)页

    聘请大量教育界的专家，让他们研究制定成千上万条规则条例，把这些规则按照优先级的方式编写一整套规则。

    这个方法的好处是过程可控，不管哪个环节出现了问题，都可以通过模拟中发现，再请专家制定新的额外条例纠错。

    坏处是上限比较低，最多只能达到专家们认识的极限——如果【高考志愿填报推荐模拟器】最终推荐报考学校专业的选项，靠谱程度甚至不能超过一个普通的郡里高中老师，那产品显然是没有什么竞争力的。

    而且这个方法显然对鹿阳来说是舍近求远——请专家要花的钱不见得比租用服务器算力少，而那天蔡秘书明确告诉鹿阳他能够调用的最有效资源，是集团内部的人力资源，更多的费用白宇都不一定会批准预算。

    二、是用训练神经网络的方法，用大量服务器算力训练出一个产品。

    这个方法的好处是上限非常高，之前导致了人工智能风口的围棋人工智能机器人阿尔法猫就是其中的典型。

    人类玩围棋已经有了上千年的时间，在阿尔法猫横空出世之前，围棋曾经在长达百年的时间内被认为是不可破解的游戏。

    而作为一个人类自己发明的游戏，人工智能仅仅用了两年的时间，对于围棋的理解就超过了人类过去千年的总和，在围棋网络对战平台上，对战顶尖的人类围棋职业玩家，战绩达到了惊人的五十胜零负。

    阿尔法猫就是基于tensorflow神经网络架构训练产生的产品。

    这个方法的缺点是，人工智能神经网络是一个盲盒。

    人类无法真正控制神经网络某个特定的行为和选择。

    比如阿尔法猫的训练过程中，当发现它在某个特定场景之下走出的棋招是明显错误的，人类无法通过打补丁的方式把这些特定场景罗列出来，再用规则进行纠错。

    以鹿阳打算做的【高考志愿填报推荐模拟器】举例：

    如果一个考生考试只得了320分，【高考志愿填报推荐模拟器】却给出模拟结果，他的推荐选项是全国top2的帝都大学核物理专业。

    这个答案显而易见是错误的。

    可是，如果在产品中加入一条：

    当一个考生考试得到320分以下，所有推荐报考全国top2的学校的选项都视为错误推荐，重新模拟计算以第二优解作为推荐选项。

    可能会导致更加严重的问题。

    比如，模拟器经过模拟，事实上该考生如果报考top2的帝都大学的艺术专业，因为该专业正好当年招生人数太少，可以上投档线。

    而增加的这条纠错的条例，就排除了这位考生原本可以上帝都大学的可能性。

    总而言之，尝试对人工智能神经网络进行细节纠错，往往会造成拆东墙补西墙的后果，几乎是不可能完成的任务。

    鹿阳把办公室最后面靠近落地窗的白板搬到梁明远旁边，在上面写写画画，对他做了一番科普。

    梁明远看得目瞪口呆：
    第(2/3)页