1436章 直觉（1/2）

七点整，杨平推门进来。

他没有问“做好了没有“，只是走到唐顺身后，看着屏幕。唐顺的手指在键盘上敲下最后一行命令，然后按下回车。

屏幕上跳出一条绿色提示：“预测精度94.7%，实时延迟12s，通过。“

“精度损失5.3%，“唐顺的声音沙哑，“比您要求的多了0.3%。“

杨平没话，只是伸出手，按在唐顺的肩膀上。

“够了，“杨平，“0.3%在我这里不算误差。“

唐顺的背脊松了下来，像一根绷了太久的弓弦终于卸了力。他靠在椅背上，闭上眼睛，喉结动了动。

杨平跟唐顺聊一会，去了动物房，弗里茨正在给M7做晨间护理。看到杨平，弗里茨没有站起来，只是点了点头，继续手里的活。三个月下来，他已经习惯了杨平的来去，这个男人不需要寒暄，不需要客套，他出现在哪里，哪里就是工作的延续。

“昨晚怎么样？“杨平问。

“三点醒了一次，“弗里茨，“我开了夜灯，它看了我一眼，又睡了。“

“没有异常行为？“

“没有，“弗里茨顿了顿，“但它做梦了。“

“做梦？“

“后腿在动，“弗里茨比划了一下，“像跑步，我录了视频，放在您的共享文件夹里。“

杨平蹲下来，M7的眼睛半睁着，瞳孔里映出他的影子。它看到杨平，耳朵动了动，但没有伸手，它还在半梦半醒之间，分不清现实和梦境。

“它梦到什么了？“杨平轻声问，像是在问M7，又像是在问自己。

“森林，“弗里茨，“它以前住的地方。我看过它的档案，它是在云南的保护区出生的，三岁被抓来做实验动物。它记得树，记得风，记得阳光从叶子中间漏下来的样子。“

杨平沉默了一会儿，然后他伸出手，轻轻碰了碰M7的额头。M7的毛发很软，带着动物特有的温度。

“我们会让它回去的，“他，“不是现在，但总有一天。“

弗里茨看着他，眼神里有某种东西在晃动。他想“谢谢“，但杨平已经站起来了，白大褂的衣角擦过笼子的栏杆，发出轻微的摩擦声。

“韦伯教授呢？“杨平问。

“在实验室，“弗里茨，“他六点就来了，要测试新的散热方案。“

“让他休息，“杨平，“今天不用赶。“

“我了，“弗里茨低下头，“他'杨教授一天，那就是一天'。“

杨平的脚步顿了一下。他没有回头，只是了一句“知道了“，然后继续往前走。

韦伯现在不是在赶工。他是在等杨平来，等那个可以汇报的时刻。在德国，他从来不需要等任何人。但在这里，他学会了等。等不是因为卑微，是因为尊重。杨平的时间比他想象得更宝贵，每一分每一秒都切成了碎片，分给不同的人、不同的事。

“韦伯教授，“杨平推门进来，“散热片怎么样？“

“连续运行八时，温度波动不超过一度，“韦伯站起来，把测试记录递过去，“比预期好。“

杨平接过记录，没有看，直接放在桌上。

“您昨晚睡了多久？“他问。

韦伯愣了一下，这个问题不在他的准备范围内，他准备了技术参数、对比数据、下一步计划，但没准备“睡了多久“。

韦伯：“四个时，够了。“

杨平：“不够，您七十八岁，不是二十八岁，今天回去补觉，明天再来。“

“可是……“

“这是命令，“杨平的语气很淡，但不容置疑，“不是商量。“

韦伯看着他，看了很久，嘴角露出一丝笑容。

“杨教授，“他，“你知道在德国，从来没有人敢命令我吗？“

“我知道，“杨平。

他走到测试台前，拿起那个散热片，对着光看了看。精密的纹路在灯光下闪闪发亮，像一件艺术品。

“做得很好，比我想象的更好。“

杨平没想到这个快八十岁的韦伯，干细胞领域的顶尖专家，居然还会弄这种东西

韦伯的眼眶微微发红。他想起在德国的时候，他的助手们也会做出很好的东西，但他很少“很好“。他习惯了挑剔，习惯了找毛病，习惯了用高标准来压迫别人，也压迫自己。

韦伯沉默了很久，然后他伸出手，与杨平握手。

下午三点，唐顺准时出现在杨平办公室。

他手里拿着一份打印好的汇报材料，封面写着“预测性闭环算法V1.0——测试报告“。

杨平坐在办公桌后面，面前摊着几份文献，还有一杯已经凉透的茶。

“坐！“

唐顺没有坐，他站在白板前，把汇报材料一页一页地贴在白板上，用磁钉固定。这是他跟杨平学的习惯，汇报不是念稿，是画图，把逻辑变成可视化的结构。

他：“核心思路，是用LSTM网络做时间序列预测，输入是M7过去十分钟的电活动特征，输出是未来五分钟的放电概率分布。当预测到异常放电概率超过阈值时，提前三十秒启动光刺激，而不是等异常出现了再补救。“

“三十秒的提前量，怎么确定的？“

“模拟测试，我们跑了三千组模拟数据，发现三十秒是最佳平衡点，提前量太短，来不及干预；提前量太长，误报率上升。三十秒时，灵敏度和特异性的乘积最大。“

“误报率多少？“

“8.3%，意味着每十二次预测触发中，有一次是假阳性。但假阳性的代价很，只是多一次光刺激，没有副作用。“

杨平点点头，示意他继续。唐顺果然是一个优秀的复合型人才，他自己居然可以写算法。

唐顺翻到下一页：“硬件优化方面，我把数据维度从原来的二百五十六维压缩到六十四维，用的是主成分分析结合t-SNE降维。精度损失主要来自压缩过程，但我们在模型层面做了补偿，用更深的网络结构来提取特征。“

“训练数据够吗？“

“不够，“唐顺诚实地，“M7的数据只有五周，样本量很。我用的是迁移学习，先在大鼠的公开数据集上预训练，再用M7的数据做微调。“

杨平皱眉：“大鼠和灵长类的电活动模式差异很大，迁移学习的效果能保证吗？“

唐顺如实：“不能保证，所以我在模型里加了一个自适应模块，可以根据M7的实时反馈，动态调整权重。如果迁移学到的特征不适用，模型会逐渐淡化它们，转而依赖M7自己的数据。“

杨平沉默了一会儿。然后他站起来，走到白板前，盯着那张复杂的网络结构图。

“唐顺，你知道这个方案的缺陷在哪里吗？“

本章未完，点击下一页继续阅读。