“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，“他说，“你知道在德国，从来没有人敢命令我吗？“

    “我知道，“杨平说。

    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，但他很少说“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。

    他说：“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。但假阳性的代价很小，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，“唐顺诚实地说，“M7的数据只有五周，样本量很小。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？“

    唐顺如实说：“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？“

    唐顺愣了一下。

    “缺陷……“他想了想，“自适应模块需要在线学习，这意味着模型会不断变化。变化本身可能带来不稳定性，如果M7的状态突然改变，比如感染、应激、或者药物反应，模型可能来不及适应。“

    “对，还有呢？“

    “还有……“唐顺的眉头越皱越紧，“LSTM网络的内部状态是黑箱，我们看不到它为什么做出某个预测。如果它错了，我们不知道错-->>

本章未完，点击下一页继续阅读