聽到列克星敦的建議，陳楓並沒有馬上迴答。但他已經默默將楊懷宇的價值上調了好幾個檔次。
留下這個人並不困難。畢竟現在整個馬薩島都在陳楓的控製下。隻要他發話，任何人都不可能跑得出去。
但留下人隻是第一步，還要想辦法讓他自願為自己工作才能獲得收益。
尤其是對這種動腦子搞研究的人，外人根本看不出他是不是在劃水。如果再玩個“身在曹營心在漢”，那不但沒什麽收益，搞不好還會壞事。
所以陳楓一時之間也想不到什麽好辦法，隻能先拖著。一直拖到胡德迴來，再看看她有沒有好辦法。
想到這裏，陳楓就不再糾結這個問題，而是向列克星敦問起了人工智能方麵的研究進展。
提到這個話題，列克星敦馬上吐槽道：“進展是有一點，但還是太慢了。我們現在的所謂‘人工智能’實在是太笨了，很多事情都做不了。我看還不如叫‘人工智障’更貼切。”
聽到“人工智障”這個吐槽，陳楓忍不住笑了起來。
雖然在對外宣傳的時候，陳楓一直聲稱自己的“忠誠僚機”係統能夠自主作戰。但實際上根本不是這麽迴事。
目前的“忠誠僚機”實際上不比蟑螂更聰明。它甚至還無法準確地辨認目標和聽懂命令。一旦脫離了艦娘的掌控，它們就隻會朝著眼前的移動目標一通亂射。
列克星敦這段時間已經對此進行過上億次的模擬測試。因此也目睹過“忠誠僚機係統”數以萬計的犯錯方式。
所以沒有誰會比列克星敦更清楚這些小東西的奇葩程度。吐槽一句“人工智障”實在是相當有涵養的說法了。
不過笑歸笑，但幫下屬解決實際困難是領導者的職責。所以陳楓還是問道：“那麽你需要什麽？是更大型的計算機？還是助手？”
列克星敦搖搖頭：“助手不需要。計算機的性能也足夠了。”
說著她挽起陳楓的手臂，領著他和楊懷宇一起走到一排集裝箱房前。推開其中一間的房門之後，映入眼簾的是一排排書櫃一樣的計算機組。
這裏是列克星敦的數據中心。
一整排集裝箱房裏都裝滿了服務器，存儲並處理著從馬薩島各地傳輸過來的數據。這些服務器中安裝的是陳楓用係統仿製的cpu和專用ai芯片。
整個數據中心需要配備一個獨立的小型燃料電池發電站，並且有一條專用的暗渠抽取海水進行冷卻。
列克星敦拍了拍矗立的刀片機陣列，說道：“這個數據中心的運算能力對我們來說目前已經足夠了。但它現在根本沒有滿負荷運轉。因為我們沒有足夠的數據來‘喂養’它。”
正如列克星敦所言。陳楓現在所掌握的隻是很初級的人工智能技術。它是根據“深度學習”原理運行的。
“深度學習”原理是建立在“模式識別”技術基礎上的。
小學數學課上，大家都做過一類叫“找規律”的題目。比如列出一串數字“1，3，5，7……”，然後讓學生去猜測後麵的數字是什麽。
這種“看現象找規律”的題目，就是在做“模式識別”。
計算機最初並不知道什麽是規律，隻是在胡亂猜測。這種猜測當然絕大多數都是錯誤的。
但每一次“找規律”之後，都會由人類或某種遊戲規則作為“老師”來判斷對錯。計算機會記住那些正確的規律，然後嚐試在下一次題目中套用。如果不能套用，就繼續猜答案。
這種方法就是“試錯法”。通過不斷嚐試新做法、排除錯誤猜測，最後留下最接近正確答案的那一個“規律”或者“模型”。這就是“模式識別”。
它不僅是ai學習的基礎，也是人類探索新領域的常見做法。
而所謂“深度學習”，就是在識別出現象的淺層“模式”之後，再把“模式”作為現象來歸納更深一層的“模式中的模式”。
以此類推，就會有“模式中的模式中的模式”，以及“模式中的模式中模式中的模式”……
識別的“模式”的層次越多，學習的“深度”就越深。這樣人工智能程序才能從更加複雜的現象中總結出規律來。
但是學習網絡的深度每增加一層，它所需要的原始數據就會以指數級別暴增。
假如一層學習隻需要一百個樣本。那麽兩層的學習就需要一萬個樣本，三層的學習需要一百萬個，四層的學習就需要一億個樣本……
如果學習的深度達到十層，需要的樣本數量將是……一萬億億個。相當於世界上每個人都要給它提供一百億個樣本數據。
而隨著樣本數量的增加，深度學習對計算能力的需求也急劇增加。所以計算能力和樣本數據多少是人工智能發展的兩個主要製約因素。
所以當陳楓問列克星敦需要什麽時，她毫不猶豫地迴答“需要更多的數據”。
“我們的數據還不夠嗎？”陳楓有些吃驚，“我們每天都記錄了幾萬人的工作和活動數據。這些還不夠嗎？”
陳楓所說的“幾萬人”是指他目前直接掌握的勞工、軍隊、和學生的數量。
他要求所有在他這裏工作學習的人都必須佩戴有記錄和上傳功能的智能設備。而他給工人提供的工程機械，和給士兵提供的所有武器裝備，都具備同樣的記錄和上傳功能。
這些人的所見所聞、所做所說都會被傳輸到這個數據中心。
數據中心的處理器會分析這些數據，從中學習人類是如何識別物體、如何聽懂語言、如何規劃路線、如何駕駛車輛、如何使用武器、如何相互配合等等。
事實上在陳楓的心目中，這些人無論表麵上幹的是什麽活，其實都同時兼了另一份工作——ai訓練師。
陳楓最關心的並不是工人們本身工作產生的價值，而是他們將要訓練出來的、未來將取代他們工作的智能機器人的價值。
無論他們工作如何努力，他們在這些簡單勞動中創造的價值都不可能超過未來海量的ai工人大軍。
這才是占領馬薩島給陳楓帶來的最大收益——島上一百多萬居民帶來的人口紅利。
然而列克星敦卻斬釘截鐵地說：“不夠。這還遠遠、遠遠、遠遠不夠。按照我的研究計劃，收集數據的速度至少要增加一萬倍。”
聽到這話，陳楓頓時哭笑不得：“列克星敦啊，我從哪裏找來那麽多數據給你？難道你要我先去占領全世界？”
一百萬人乘以一萬倍，可不就需要一百億人來提供嗎？剛好是這個世界的人口總數。
留下這個人並不困難。畢竟現在整個馬薩島都在陳楓的控製下。隻要他發話，任何人都不可能跑得出去。
但留下人隻是第一步，還要想辦法讓他自願為自己工作才能獲得收益。
尤其是對這種動腦子搞研究的人，外人根本看不出他是不是在劃水。如果再玩個“身在曹營心在漢”，那不但沒什麽收益，搞不好還會壞事。
所以陳楓一時之間也想不到什麽好辦法，隻能先拖著。一直拖到胡德迴來，再看看她有沒有好辦法。
想到這裏，陳楓就不再糾結這個問題，而是向列克星敦問起了人工智能方麵的研究進展。
提到這個話題，列克星敦馬上吐槽道：“進展是有一點，但還是太慢了。我們現在的所謂‘人工智能’實在是太笨了，很多事情都做不了。我看還不如叫‘人工智障’更貼切。”
聽到“人工智障”這個吐槽，陳楓忍不住笑了起來。
雖然在對外宣傳的時候，陳楓一直聲稱自己的“忠誠僚機”係統能夠自主作戰。但實際上根本不是這麽迴事。
目前的“忠誠僚機”實際上不比蟑螂更聰明。它甚至還無法準確地辨認目標和聽懂命令。一旦脫離了艦娘的掌控，它們就隻會朝著眼前的移動目標一通亂射。
列克星敦這段時間已經對此進行過上億次的模擬測試。因此也目睹過“忠誠僚機係統”數以萬計的犯錯方式。
所以沒有誰會比列克星敦更清楚這些小東西的奇葩程度。吐槽一句“人工智障”實在是相當有涵養的說法了。
不過笑歸笑，但幫下屬解決實際困難是領導者的職責。所以陳楓還是問道：“那麽你需要什麽？是更大型的計算機？還是助手？”
列克星敦搖搖頭：“助手不需要。計算機的性能也足夠了。”
說著她挽起陳楓的手臂，領著他和楊懷宇一起走到一排集裝箱房前。推開其中一間的房門之後，映入眼簾的是一排排書櫃一樣的計算機組。
這裏是列克星敦的數據中心。
一整排集裝箱房裏都裝滿了服務器，存儲並處理著從馬薩島各地傳輸過來的數據。這些服務器中安裝的是陳楓用係統仿製的cpu和專用ai芯片。
整個數據中心需要配備一個獨立的小型燃料電池發電站，並且有一條專用的暗渠抽取海水進行冷卻。
列克星敦拍了拍矗立的刀片機陣列，說道：“這個數據中心的運算能力對我們來說目前已經足夠了。但它現在根本沒有滿負荷運轉。因為我們沒有足夠的數據來‘喂養’它。”
正如列克星敦所言。陳楓現在所掌握的隻是很初級的人工智能技術。它是根據“深度學習”原理運行的。
“深度學習”原理是建立在“模式識別”技術基礎上的。
小學數學課上，大家都做過一類叫“找規律”的題目。比如列出一串數字“1，3，5，7……”，然後讓學生去猜測後麵的數字是什麽。
這種“看現象找規律”的題目，就是在做“模式識別”。
計算機最初並不知道什麽是規律，隻是在胡亂猜測。這種猜測當然絕大多數都是錯誤的。
但每一次“找規律”之後，都會由人類或某種遊戲規則作為“老師”來判斷對錯。計算機會記住那些正確的規律，然後嚐試在下一次題目中套用。如果不能套用，就繼續猜答案。
這種方法就是“試錯法”。通過不斷嚐試新做法、排除錯誤猜測，最後留下最接近正確答案的那一個“規律”或者“模型”。這就是“模式識別”。
它不僅是ai學習的基礎，也是人類探索新領域的常見做法。
而所謂“深度學習”，就是在識別出現象的淺層“模式”之後，再把“模式”作為現象來歸納更深一層的“模式中的模式”。
以此類推，就會有“模式中的模式中的模式”，以及“模式中的模式中模式中的模式”……
識別的“模式”的層次越多，學習的“深度”就越深。這樣人工智能程序才能從更加複雜的現象中總結出規律來。
但是學習網絡的深度每增加一層，它所需要的原始數據就會以指數級別暴增。
假如一層學習隻需要一百個樣本。那麽兩層的學習就需要一萬個樣本，三層的學習需要一百萬個，四層的學習就需要一億個樣本……
如果學習的深度達到十層，需要的樣本數量將是……一萬億億個。相當於世界上每個人都要給它提供一百億個樣本數據。
而隨著樣本數量的增加，深度學習對計算能力的需求也急劇增加。所以計算能力和樣本數據多少是人工智能發展的兩個主要製約因素。
所以當陳楓問列克星敦需要什麽時，她毫不猶豫地迴答“需要更多的數據”。
“我們的數據還不夠嗎？”陳楓有些吃驚，“我們每天都記錄了幾萬人的工作和活動數據。這些還不夠嗎？”
陳楓所說的“幾萬人”是指他目前直接掌握的勞工、軍隊、和學生的數量。
他要求所有在他這裏工作學習的人都必須佩戴有記錄和上傳功能的智能設備。而他給工人提供的工程機械，和給士兵提供的所有武器裝備，都具備同樣的記錄和上傳功能。
這些人的所見所聞、所做所說都會被傳輸到這個數據中心。
數據中心的處理器會分析這些數據，從中學習人類是如何識別物體、如何聽懂語言、如何規劃路線、如何駕駛車輛、如何使用武器、如何相互配合等等。
事實上在陳楓的心目中，這些人無論表麵上幹的是什麽活，其實都同時兼了另一份工作——ai訓練師。
陳楓最關心的並不是工人們本身工作產生的價值，而是他們將要訓練出來的、未來將取代他們工作的智能機器人的價值。
無論他們工作如何努力，他們在這些簡單勞動中創造的價值都不可能超過未來海量的ai工人大軍。
這才是占領馬薩島給陳楓帶來的最大收益——島上一百多萬居民帶來的人口紅利。
然而列克星敦卻斬釘截鐵地說：“不夠。這還遠遠、遠遠、遠遠不夠。按照我的研究計劃，收集數據的速度至少要增加一萬倍。”
聽到這話，陳楓頓時哭笑不得：“列克星敦啊，我從哪裏找來那麽多數據給你？難道你要我先去占領全世界？”
一百萬人乘以一萬倍，可不就需要一百億人來提供嗎？剛好是這個世界的人口總數。