屏幕快速闪过图片：苹果、汽车、猫、埃菲尔铁塔……每张图停留0.5秒。右侧屏幕同步输出文字结果。
前五张图，设备全部猜错——将苹果识别为“球体”，汽车识别为“盒子”，猫识别为“毛茸茸的物体”。观众席响起低声议论，有人摇头。
“现在是关键。”宋明提高音量，“注意右侧输出栏下方的小字——那是设备正在建立的‘林雨薇个人认知模型’。”
果然，在错误输出旁，有一行细小的数据在快速更新：“对象识别偏好：形状＞颜色＞纹理”“空间处理模式：整体＞局部”“联想路径：具象＞抽象”……
从第六张图开始，准确率开始爬升。第十张图时，设备正确识别出“帆船”。第十五张图时，准确率达到60%。当第三十张图闪过，设备输出“中世纪城堡”时，准确率已稳定在85%以上。
“设备在二点四秒内完成了对林博士认知模式的初步建模。”宋明暂停演示，“传统校准需要至少三十分钟的专注训练。而我们的算法，通过观察大脑如何处理‘错误’，反向推导出个体的思维特征。”
会场安静下来，只剩下设备运转的微弱嗡鸣。前排评委们专注地盯着数据流，有人在做笔记。
塞缪尔举手示意提问：“宋先生，算法的适应性很强。但如果面对认知障碍患者，或者情绪极端波动者，算法能否稳定？”
“这正是算法的核心优势。”宋明调出另一组数据，“我们在华盛顿的医疗中心进行了初步临床测试，对象包括轻度阿尔茨海默症患者和创伤后应激障碍患者。算法能够识别他们的‘异常’脑波模式，并将其作为个体特征纳入模型，而不是强行纠正为‘正常’。对于阿尔茨海默症患者，设备能在他忘记某个词时，通过分析他相关的神经活动，提示最可能的选项。对于PTSD患者，设备能监测到创伤记忆被触发前的神经征兆，提前发出温和的干预信号。”
梅丽莎·陈追问：“干预信号的具体形式是？”
“非侵入性的感官刺激——比如一段特定的白噪音，一种温和的触感振动，或者一组引导呼吸的视觉提示。”宋明展示了几种干预模式，“目的是帮助大脑自我调节，而不是强行压制。我们称之为‘神经脚手架’，在需要时提供
本章未完，请点击下一页继续阅读！