库克教授直接就点出了顾诚的短板。
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”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。
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”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。