按照以往的业务发展经验，一名业务员就能承揽一个城市的业务量。

只要60名新员工最终留下30位，开创软件的游戏业务都会获得30个城市的业务量，相当于10倍以上的业务扩张。

是以，每一个员工都很热情的为培训的事准备。

上午10点，大部分员工都出去忙活了。

只留下任辉和杰森，在交流关于如何培训员工的事情，任辉将自己的业务经验和盘托出，杰森记录在笔记本电脑中。

江夜明回到机房，发呆。

他在想着昨天看电影时，那个伟大的计划。

当然，只是想想而已，真正要做到，估计得四阶段，五阶段才行。

但在此之前，基础是要打好的。

借助世界之旅来扩张分布式算力节点，可以提高算力储备。

但人工智能的培养，光有算力还不行，需要大量数据喂养。

而且还不能是一股脑的将乱七八糟数据丢给人工智能，那是无效喂养。

需要有目的，有策略的投喂数据，就像之前人工智能学习MBA和财务知识那样。

想要大规模的获得有效性知识喂养，江夜明从脑中的知识整理出几个目前可用的模式。

一，数据标注：对于无法直接使用的原始数据，需要进行数据集标注，即将数据转化为机器学习算法可以理解和使用的形式。这个过程并不是让人工智能来做，而是聘请相关人员参与的步骤，需要对数据进行分类、标记、处理和训练。

这样才能保证数据的准确性，让人工智能学习到正确的知识。

因此，这个数据产业化处理项目，需要专业的数据标注工人，在电脑前，将各种文件标注好喂养类目，然后进行专项数据投喂。

二，生成对抗网络：通过两个或多个神经网络之间的对抗竞争，生成新的、差异化数据。

这种方法需要创造两个以上的人工智能，仿造自然界的进化模式来刺激成长。

三，预训练模型：利用大规模的公共数据集进行预训练，使模型具备一定程度的通用性和泛化能力。

这种方法可以在不同的任务和领域中应用，并可以通过微调来适应特定的需求。

三种数据培养模式。

第一种投入巨大，投入产出比并不高却是一切的基础。

毕竟光凭人工智能从互联网获得的数据，它是没法去区分真正的对错真伪的，所以江夜明才会聘用专职教师来培养技能，但这么做的效率还是太慢了，产业化才是最好的途径。

第二种对抗模式，是在模拟自然界生物和人类进化的过程，世间万物都是在竞争中成长，人工智能也需要如此。

当然，对抗的结果是需要引导的，不然学坏，学歪了，说不定就变成个终结者中的天网系统了。

第三种属于应用层面。

预训练模式有很多种。

图像识别是必须要做的，追凶者软件已经开了个好头。

有图像识别，语音识别也要进行。

还有自然语言处理，文本生成和分类。

以上所有，需要巨大投入，人力物力消耗无数。

江夜明揉了下额头。

随着人工智能进入中级，他越来越认识到，这是一个庞大且复杂的工程。

一个人去做它，就算开挂也很难。

但换一种方式来做，却能产生更好的效果。

那就是资本运作，用钱来推动一切。