号，但是从我们过去的经验来看，大概只有几个百分点的提升，区别不会这麽大，除非——」
梦瑶说到这，停了下来，把目光投向了詹想，似乎想确认他是不是和自己有同样的想法。
毕竟在梦脑的团队里，詹想才是算法方面的专家。
果然，詹想接着梦瑶的话说了下去：「除非赵总您提供的这个基础模型加个人模型的解法，对me和mi的这点差别特别的敏感。」
说着，詹想打开了电脑上刚才采集的文件，把梦瑶的「握拳」和赵文渊的「握拳」并排放在一起。
看到图像的一瞬间，赵文渊忍不住在心里吐槽：这就是你们说的「一点儿」差别吗?哪里「点儿」了?
说实话，这两个波形放在一起，看起来几乎没有相同点，如果不是两个文件都标注了握拳，简直让人无法相信它们是同一个动作。但是确实可以明显地看出来，赵文渊的那个文件，波形幅度更大，而且平整程度上也差了一些，有更多的毛刺。
听了两人的分析，赵文渊也给出了自己的猜测：「这可能是因为训练方法的不同，之前你们使用的那套传统方法，会先进行大量的降噪和清洗工作，然後再进行手工分类，在清洗过後的信号里，mi和me的差别可能不大，但是也许在原始的数据里，两者除了被识别出的信号，那些原本被剔除的噪声部分也携带了信息呢?」
赵文渊之所以提出这个假设，是因为这种例子之前就在机器学习领域屡见不鲜了。
比如在做图像识别的时候，最一开始的时候研究员会设计一套规则，先把图片里的边缘特徵、纹理特徵之类的东西提取出来，再去训练模型，哪些特徵有用，纯靠研究员的喜好和运气。
但是後来换成深度学习後，人们换了种思路，我管你哪些特徵有用，都放到神经网络里学了再说，识别效果反而提高了不少。
人提前挑出来的特徵毕竟受限於人的经验，有的时候反而成了限制。
詹想听完之後不由得点了点头。
大脑这个领域太复杂了，神经元放电究竟是怎麽带来复杂的思考能力的，人类到现在还没有研究明白。脑电波这种从神经电信号衍生出来波信号就更加难以分析了。
所以之前剔除掉的噪音不一定全是噪音，完全有这个可能。
现在詹想已经完全被赵文渊带来的机器学习的技术路线折服了。
就算拿之前最快的三星期来和这十七分钟比，这是多少倍的差距?
…。。