非说。
“错字已订正。”林托说。
一旁的老唐直接看傻眼了，路明非这是被林托感染成这样了吗？
“好了，接下来就是主要内容。”
林托眨眼。
随着黑墙害入电子仪器，路明非和老唐都感觉到这个仪器的内部产生了某种变化。
“这种可接触的全息投影，也可以被骇入？”路明非惊了。
“不是，我的余光扫到的，是它的主机，所以我现在就可以直接瞪眼骇入它。”林托摆了摆手。
随着林托的意识进入，上面立刻开始呈现出对应的计划表——
想要打造出agi，自然不是林托和图灵先生在现场一番讨论之后就能够得出来的。
首先需要理论基础。
新的数学框架、超越反向传播的新的学习理论、对意识和抽象的理解。
而在其中，学习理论为最。
林托直到之前给图灵先生的预案之中，都使用的是“反向传播”的学习方案。
所谓反向传播是人工神经网络用来“学习”的核心算法。它通过计算网络中每个参数的“责任”（梯度），并据此从后往前调整这些参数，使得网络的输出结果更接近我们期望的目标。
依照常理，可以把它想象成一个高效的、系统化的“甩锅”和“改进”过程。
这个可以用一个思辨小故事来进行解读。
假设你是一个团队（神经网络）的经理，团队要完成一份报告（输出结果）。你手上有一份完美的参考答案（目标值）。
所谓正向传播，就是把任务分给各个下属（神经元），他们协作完成了初稿（网络的前向计算，得到预测输出）。
而反向传播，则相当于一个复盘会。
从最后一步往前倒查。
先把总错误（总损失）归因给最后一个负责汇总的同事（神经元）。
假设这个同事说：“我的错误一部分是因为前面分析同事的数据有问题。”
于是错误的一部分被分摊给了分析同事。
分析同事说：“我的错误一部分是因为数据收集同事提供的基础数据有误。”
于是错误又被进一步分摊给了数据收集同事。
这个分摊的过程，每一步都是通过数学上的链式法则精确计算的。最终，每个员工都得到了一个明确的“责任分数”（梯度）。
根据每个人的“责任分数”告诉