研究者可以决定用什么难度的数据去“喂”这个网络 。 如果数据难度太低 ， 网络每次都能猜对 ， 那显然无法提高判断水平；如果数据难度太高 ， 网络总是猜错 ， 那它的参数就会东一下西一下变来变去 ， 就会无所适从 。 这项研究问的问题是 ， 每次训练中网络判断的错误率是多少 ， 才是最优的呢？

研究者首先用了一个比较简单的数学模型做理论推导 ， 又用了一个AI神经网络学习算法和一个模拟生物大脑的神经网络模型做模拟实验 ， 结果得出一个精确解：15.87% 。

也就是说 ， 当你训练一个东西的时候 ， 你给它的内容中应该有大约85%是它熟悉的 ， 有15%是它感到意外的 。

研究者把这个结论称为“85%规则” ， 我们干脆就把15.87%叫做“最佳意外率” 。 这个数值就是学习的“甜蜜点” 。