張天佑其人名聲不顯，他老爸卻是天下聞名:華夏富豪榜第7位的地產商張佳林。

　　這個張佳林也是個傳奇人物，出身於新漢帝國的頂級權貴張家，卻破家而出，創下了偌大一個基業。

　　張天佑是張佳林的獨子，平時比較低調，很少在公開場合露面，也很少在網上發聲。易誠事先也想不到，這個經常給自己打賞的土豪竟然來頭如此驚人。

　　張天佑的“天佑娛樂”在遊戲界也算有名氣。

　　網傳張天佑幾年前曾是個浪蕩子，在大學期間就夜夜深杯酒滿，眠花宿柳;要不就是開著超跑到處找人飆車，尋釁鬧事，被公認為是前朝貴族圈子裡最不成器的一個小輩。

　　於是3年前張佳林丟了5億給兒子玩，免得兒子大學畢業後還天天跟狐朋狗友鬼混，惹是生非。

　　而張天佑也爭氣，他就以這5億創辦了“天佑娛樂”，憋足了一股子勁要證明自己，洗刷別人對他的偏見。

　　這3年來天佑娛樂自主開發了多款大型網遊、頁遊和手遊，也代理過不少遊戲，已經將5億資產翻了一倍，由此可見張天佑確實有不錯的管理運營能力。

　　易誠把網上找到的照片和視頻裡的人對比一下，絲毫不差。果然是張天佑本人。

　　他坐在筆記本電腦前沉思起來。

　　見他不說話，張天佑眉頭一挑，傲然一笑:“老哥的為人，你可以去打聽打聽，從來不坑朋友。坦白對你說，老哥我本人是不喜歡玩你這款遊戲的，但是我老爸派來幫我的人對這款遊戲很看好。老哥一直都很相信這幾個人，所以這幾年才能賺到不少錢。你放心，把‘最萌寵物’交給老哥，老哥我一定讓你賺得盆滿缽滿。”

　　易誠這才笑了笑:“對老哥呢，我說不上信任，也說不上不信。那就先談談吧，我們彼此都還不夠了解，先談談再說。發行權也好，版權也好，沒什麽是不能談的。”

　　“那也好，你什麽時候有空?”

　　“除了高考那幾天外，都有空。”

　　“差點忘了，你還是高中生，”張天佑笑得眉飛色舞，“那先這樣吧，我們交換一下電話，老哥我最近有事要出國一趟，我會讓公司其他人先來和你碰個頭的。”

　　“沒有你到場，談了又有什麽意義?做生意的是你和我，不是其他人。”易誠淡淡地說了一句。

　　張天佑哈哈大笑:“那行，等老哥我處理完手頭的事情再見面吧。過陣子我確認一下日程安排，再和你聯系。”

　　交換完電話號碼後，易誠直接說“拜拜”，叉掉了視頻。

　　就連瞎子都能看得出“最萌寵物”的潛力，張天佑拋來橄欖枝易誠並不意外。

　　如果想要繼續推廣“最萌寵物”，借這個IP賺更多的錢，不但賣遊戲，還賣周邊，甚至以後拍電影……肯定是得砸錢宣傳推廣一波的。

　　“一誠電子”現在並不具備砸錢的條件，也沒有足夠的員工來經營IP，所以找人合作是一種必然。

　　至於張天佑可不可信，他給的條件會不會合適……還是那句話，談談再說吧。

　　易誠給自己泡了壺茶，慢悠悠地喝完。今天的直播時間已經很長了，等到晚上才會再直播一會;給伏羲的視覺識別訓練陷入了困境，易誠決定還是攢錢買培訓項目，自己還是別親自來訓練了，效率低下，耽誤自己寶貴的時間。

　　其實伏羲是能進行無監督學習的。

　　所謂監督學習，就是我們告訴人工智能某個特定輸入的正確答案。

比如指示給人工智能一幅汽車的圖像，並告訴它正確答案是“汽車”。　　這種學習方式之所以被稱為監督學習，是因為學習的過程類似於成人向年幼的孩子展示圖畫書。

　　成年人知道正確的答案，孩子根據前面的例子做出預測。這也是訓練神經網絡結構的人工智能和其他類型人工智能學習體系結構最常用的技術。

　　比如說，告訴人工智能，自己所居住的城市中大量房屋的描述及其價格，讓人工智能嘗試預測你自己家房子的售價。

　　重要的是“告訴”這一環節，必須有智力正常的成人作為監督者。

　　而無監督學習，則是智力達到一定程度的生命體獨有的能力。

　　比如人類和大多數其他動物的學習，是在生命的前幾個小時、幾天、幾個月和幾年，以沒有人監督的方式學習:我們通過觀察、發出行動與世界接觸，得知我們行動的結果，以此來了解世界如何運作。

　　沒有人告訴我們所看到的每一個對象的名稱和功能，但我們能學會非常基本的概念，比如世界是三維的，物體不會自行消失，沒有支撐的物體會往下落。

　　伏羲也是有這種能力的。所以要讓它獨立發展出高級的視覺識別能力，也不是不可以，但需要非常強大的硬件基礎，以及非常漫長的時間。

　　而接受培訓項目，也就是接受“監督學習”， 能大大縮短這一過程。

　　視覺識別能力，其實不像人們想像的那麽簡單。比如，一個智力正常的人類漫步在小區裡，看見一條薩摩耶和一條吉娃娃，雖然它們的外表相差很大，體型也不是一個量級，但我們能一眼就認出，它們都屬於“狗”。

　　看到兩條不同的薩摩耶，我們能很快分辨出，這條是樓上老李家的，那條是隔壁老周家的。

　　但是對於人工智能而言，圖像只是一串數組。

　　伏羲的核心成分借鑒了深度學習系統，在深度學習系統中有一個特別有用的架構被稱為卷識神經網絡。

　　當人工智能需要識別一個圖像時，它首先檢測組成這個圖像的那一串數組內的一小部分，由部分到整體。

　　例如物體的邊緣，在第一層卷識神經網絡中能夠被輕易檢測出來。

　　而神經網絡的下一層將檢測這些簡單圖案的組合所形成簡單形狀，比如汽車的輪子，馬的尾巴上的毛，蝴蝶翅膀上的鱗片，人臉的眼睛。

　　再下一層將檢測這些形狀組合所構成的物體的某些部分，例如人臉、腿部，馬的尾巴，蝴蝶的翅膀。

　　神經網絡的最後一層將檢測剛才那些部分的組合:一輛汽車、一架飛機、一個人、一匹馬、一隻蝴蝶等等。神經網絡的深度使網絡能夠以這種分層次的方式識別複雜模式。

　　但是想要人工智能學會識別這顆星球上的萬事萬物，數十億各不相同的人類和動物，就需要經過大量樣本數據庫的訓練。這也是為什麽伏羲需要那些大數據公司提供的訓練項目。