放电概率超过阈值时，提前三十秒启动光刺激，而不是等异常出现了再补救。「
「三十秒的提前量，怎么确定的？「
「模拟测试，我们跑了三千组模拟数据，发现三十秒是最佳平衡点，提前量太短，来不及干预；提前量太长，误报率上升。三十秒时，灵敏度和特异性的乘积最大。「
「误报率多少？「
「8.3%，意味著每十二次预测触发中，有一次是假阳性。但假阳性的代价很小，只是多一次光刺激，没有副作用。「
杨平点点头，示意他继续。唐顺果然是一个优秀的复合型人才，他自己居然可以写算法。
唐顺翻到下一页：「硬体优化方面，我把数据维度从原来的二百五十六维压缩到六十四维，用的是主成分分析结合t-SNE降维。精度损失主要来自压缩过程，但我们在模型层面做了补偿，用更深的网络结构来提取特征。「
「训练数据够吗？「
「不够，「唐顺诚实地说，「M7的数据只有五周，样本量很小。我用的是迁移学习，先在大鼠的公开数据集上预训练，再用M7的数据做微调。「
杨平皱眉：「大鼠和灵长类的电活动模式差异很大，迁移学习的效果能保证吗？「
唐顺如实说：「不能保证，所以我在模型里加了一个自适应模块，可以根据M7的实时反馈，动态调整权重。如果迁移学到的特征不适用，模型会逐渐淡化它们，转而依赖M7自己的数据。「
杨平沉默了一会儿。然后他站起来，走到白板前，盯著那张复杂的网络结构图。
「唐顺，你知道这个方案的缺陷在哪里吗？「
唐顺愣了一下。
「缺陷……「他想了想，「自适应模块需要在线学习，这意味著模型会不断变化。变化本身可能带来不稳定性，如果M7的状态突然改变，比如感染、应激、或者药物反应，模型可能来不及适应。「
「对，还有呢？「
「还有……「唐顺的眉头越皱越紧，「LSTM网络的内部状态是黑箱，我们看不到它为什么做出某个预测。如果它错了，我们不知道错在哪里，也就无法手动修正。「
「对，「杨平再次点头，「还有最重要的一个。「
唐顺看著他，等待答案。
杨平说：「你假设M7的未来是可以预测的，但生命不是机器。M7今天的心情、昨晚的睡眠、甚至它梦到了什么，都可能影响今天的电活动。这些变量你没法量化，也没法输入模型。