战略上蔑视敌人，战术上重视敌人，毫无疑问，这位不速之客带给我三月以来最饱满的惊喜。大型组织存在意味着kernal鼓励或不反对组队，而他能找到我的原因必定是kernal在某些方面存在后门，这种现象已经见怪不怪了。
至于锻炼效果，当晚kernal191爽快地给出两个徽章，并消掉“嫌恶公敌”的交际debuff，尽管它目前只发挥一次作用（后面会讲到），可几乎赤果果表明：任何年代都是看脸的世界，或许我之前悲惨的人生经历正是拜其所赐。
“由于你的意志，当前身体属性变更为：身高18475，体重85kg，臂展200，站立摸高235，垂直弹跳80，助跑弹跳，注：因为锻炼，你身体各种潜能将逐步开发，但越靠近极限所需付出努力越大。评价：坚持就是胜利！”
“该状况使你获得两个徽章：移动控制专家、第一步先生，请继续保持。”
{
移动控制专家
稀有度：普通（大多数人都能通过长期锻炼而获得的能力）
效果说明：你在快速移动时更容易控制身体，如保持平衡、略微转向，高空落地时可做出更多反应减免部分伤害。
进阶能力：移动控制大师（所需经验1500），由于你的天赋“快速学习”的存在，进阶经验获取将-25。
第一步先生
稀有度：稀有（爆发力略高于常人）
效果说明：得到充分休息的状态下，当你试图快速移动时，运动爆发力将大幅提升，更快让你进入极限速度，但肌肉需要8-16秒彻底休息才能再次触发该效果。
进阶能力：第一步大师（所需经验1500），由于你天赋“快速学习”的存在，经验获取-15。
}
简而言之，努力总会得到回报。
“我可以问一个事情么？”难得与kernal保持通讯，我打算试试能从它嘴里敲出多少秘密出来，“经验究竟是什么东西？”
“经验就是经验。”
“扯犊子，俺读书那会儿可没经验栏给你瞧学习进度，我问你它怎么来的。”
“请稍等……kernal191正在查询权限……经验相关为公开资料。”
【2484年，多诺万·冯·马克西姆下辖的一支研究团队，提出了一个关于人类学习秘密的假设。】
【人们从有限的感官中发展出科学，是因为人类大脑中存在将低维信息映射成高维特征并加以压缩、验证的方法。过去人们通过大脑这种神经运行机理发明了神经网络，然而科学家迟迟未能彻底明白它的作用机理。
【研究团队通过数学逻辑，证实“任何问题都可以分解成无限个基本二分类问题”，而在四维空间内，“无限二分类问题能够极限为有限二分类问题”。】
【他们由此假设：人类从基本元问题开始学习，并在实践过程中通过实际扩充认知，不断迭代基本二分类问题形成一种处理“一类问题”的技巧。譬如：新生儿见到三叶草，通过触摸等方式确认、记住它的形状，当他见到另一种草时，他会尝试判断这种草是否为之前学习的三叶草。凭借大人经验传授或自己不断研究特性，他从“另一种草”的结论中对这一事物增添一个新的维度，比如“狗尾巴草”，那么在他脑袋里，便出现（三叶草、狗尾巴草）两个维度的判断依据。】
【但随着维度增加，脑容量受到挑战。马克西姆团队发现：人类在对待某“类内”问题的资源是基本平等，（三叶草、狗尾巴草），新生儿并不会从“狗尾巴草比三叶草有哪些不同”的角度记忆问题，而是单独作为两个互不干涉的“子类”，也就是说：人的本能是尽量用足够大的容积记载数据。】
【在旧社会，交通出行限制，一个区域内草种类并不多，单凭人脑很容易记住。但随时间流逝，某个懒人发现：可以通过生长方式、生长所需环境、某些特殊外贸特征等较少的几个维度辨别成百乃至上千中花花草草，这就是“抽象知识”，用少量基本、独立的维度总结大量现象。如果上述几个能够维度满足所有实践，“科学”便产生了。】
【回到那个新生儿辨草的例子，（三叶草、四叶草、狗尾巴草），他辨别三种草叫做“认知”，他从叶子数量辨别，叫做“学习”。单单“叶子数”这一个维度，就能替代过去三个维度的外形认知，从one-hot到更深层次特征，信息得到压缩，人就能空出脑容量记忆其余事情。】
【但总结的过程是一个尝试性过程，因为人们无法先验地知道：三叶草、四叶草、狗尾巴草究竟需要多少个基本维度区分，所以在不断拟合过程中，他会尝试用更多维度，例如颜色、触摸手感等等考察，增添、筛选、淘汰，最终得出一个不唯一解。】
【不过随数据量几何程度上涨，“基”的选择渐渐趋同。在物理学上曾多次出现两个不同理论解释同一类现象，然后证明二者的等价性，而更多的历史遗留猜想惨遭淘汰。】
“……我说我曾是博士后你信吗？”
“不信，没有任何资料显示你具备该能力。”
“那你觉得我听得懂么？”
“……”
最后经过一番“亲切友好”的交流，我勉强理解kernal191的意思。未来的科学研究发现：人类学习实质是一个将低维度长信息提炼为多方向高维度的浓缩逻辑信息，即（a,b,c,d，……）-a1,a2……,b1,b2……，……，上述变换表现为通过逻辑替代部分记忆，从而节约空间，代价是：消耗更多运算资源、延长判断时间。
而“任何问题都可以分解成无限个基本二分类问题”和“无限二分类问题能够极限为有限二分类问题”则在“经验”生成中起到不可或缺的作用。某种意义上，上述变换可以分解为无数个（a1，a2）式的二分类集合，kernal给出的经验值是我们在学习过程中拟合神经元分解成基本二分类的正确拟合数量。
我记得二十一世纪初几种loss和验证准确率是神经网络的学习标准，没料想短短数百年，人脑研究领域便取得天翻地覆的突破。当我准备继续询问二十五世纪计算机的发展时，海伦娜端着水果未经许可推门而入，交流就此终止。