几天的国庆假期很快结束了，顾玩带着妹妹和女朋友回到学校，恢复到正常的学习生活中。
随着gs项目都告一段落，顾玩手头的科研任务确实闲下来一些。
每天只要上上课，考考试，泡泡图书馆，连实验室都可以不去了。不过，他就像黑夜中的萤火虫，注定是不会让自己生蛆的。
所以没过几天，他就找到了丁院长。
“院长，我想发一些跨专业的论文，搞一些跨专业的课题，这事儿不违反学校纪律吧？”顾玩也不预约，当天中午径直走进院长办公室，直接就摊牌。
当时还有个副院长、以及院长的助理在旁边看着呢。丁院长都微微吓了一跳：“咋了？受委屈了？还是突然脑子犯抽，想换专业了？”旁边那个副院长出言打圆场：“院长您别多虑，说不定是小顾同学能者多劳，兴趣涉猎广泛而已。”顾玩还没接话，丁院长倒是跟副院长一问一答，自我脑补起来了：“原来你是想修二专业啊，以你现在的成绩，这当然是没问题的了。你可是科技部表彰过的人了，校长也会给你特批的。何况，我们学校本来就允许修二专业。”这事儿就这么决定了？
自己可没打算双修二专业啊，只是想跨圈稍微搞一搞深度学习人工智能的基础有木有！
但学校领导已经这么决定了，顾玩也就接受咯。一切手续很快搞定。上面标示学分什么的不重要，有空稍微多修几门数学课，就算二专业的标准达到了。
实在不想修，只要论文够，一样算过。得到这个承诺后，顾玩让麻依依也去试试双修，看能不能申请下来。
麻依依就没那么大面子了，毕竟没在科技部表彰大会上挂过号，所以一切还是要公事公办。
最终咨询的结果是双修可以，但学分不能打折没有优惠。面对困难，麻依依不禁要多问几句老公的打算：“你到底希望我修个啥？”顾玩回答得很直接：“修个心理学分支下的认知神经科学方向好了——这是一个心理学跟脑科学交集的专业。”麻依依一脸懵逼。
顾玩却知道，他选的这个方向，与地球上杰夫辛顿当年搞深度学习时的路径，几乎是如出一辙的。
凭心而论，杰夫辛顿的能力也不算多逆天的科学家，但他成功了。这里面努力和方向正确占八成，但还有至少两成是运气和环境。
深度学习型人工智能的成功，得益于其他地球人的固有技术偏见——在此之前，很少有人从
“挖掘人脑的深层学习机理究竟是怎样的”这个角度，来思考训练机器学习的问题。
所以，谁这么想了，而且第一个付诸实践了，就能捡到漏。当然了，这个漏也不是阿猫阿狗都能捡的，论证过程比较复杂。
通俗地说，你至少得是个世界名校的计算机和神经认知科学领域双博士，你才有资格在方向对的前提下，捡到这个漏。
连个盟校双博士都做不到的人，天大的机会白白送到他面前，他捡都捡不起来。
另外一方面，顾玩也深谙地球上人工智能发展的另一个重要契机——在深度学习和卷积神经网络发展起来之前，这条技术路线的认可度并不高，因为这条技术路线哪怕试水到04年，初步原理略微跑通了，学界也依然发现有问题：这个算法的缺点，是训练效率太低。
也就是说消耗的算力极大，而机器学习的进步速度其实很慢，还无法进行白盒逻辑解释，也就无法通过人工干预/
“教导”来让机器的学习速度加快。当时还有另外两三条技术路线，那些路线的优缺点正好与深度学习相反。
那些训练方法白盒化程度更高，也就是机器学习的决策过程的可解释性，人类更能理解，也就更容易干预，便于人类
“手把手教机器快速进步”。而这些算法的缺点，就是
“学习进化的上限比较低”（这里是笼统概括，实际科学原理比这个复杂得多。
但是写给外行人看，只能这样不太准确地类比一下了。）换句话说，要是人类继续被摩尔定律束缚、靠电脑cpu运算速度的技术提升，来满足训练算力的话，那么那些白盒度更高、更容易用少量算力就初步训练出成绩的人工智能学习路径，说不定就能在历史选择中胜出
“深度学习/卷积神经网络”这条技术路线了。但是，地球上偏偏在你2007~2009年，诞生了分布式架构算力设计。
这玩意儿，最初是出现在很多硅谷it公司，那些程序员嫌弃代码写好后、编译速度太慢，甚至觉得光靠专门的编译服务器都不够用，所以天马行空地创新出一个
“分布式编译架构”，让一家公司里所有同一局域网内的电脑，都可以加入这个架构，然后把编译任务拆分分配给所有电脑，让所有编译。
分布式编译是从07年出现的，一两年之内，这玩意儿就成长成了
“云计算”。有了云计算之后，应用就很广泛，而云计算对人工智能训练的最大影响，就是某个智能在执行机器学习的时候，不用再受限于这个机器人本身那颗cpu不够快，可以接入云，用云上的几千几万台机器的cpu帮你一起算。
这时候，摩尔定律就不重要了。只要算力任务能高效拆分，单颗cpu弱一点就弱一点了，咱可以芯海战术堆数量嘛。
如此一来，其他那些
“算力效率更高、白盒可解释性更强、但训练上限和自动化程度更低的算法