89.7%。他眨了眨眼，重新讀了一遍。然後，幾乎是本能地，他修改了程式碼——將epoch數從5改為20，學習率微調到0.005，重新執行。
這一次他不再幹等。他打開了TensorBoard（PyTorch的視覺化工具），看著損失曲線隨著訓練輪次平滑下降，準確率曲線穩步上升。第10個epoch時，準確率突破92%；第15個epoch，94.1%；第20個epoch結束時，終端顯示：Final Test Accuracy: 95.3%。
房間裡安靜得能聽到電流聲。林晨靠在椅背上，長長地撥出一口氣。95.3%。這意味著他剛剛親手構建的這個簡單神經網路，在識別手寫數字圖片的任務上，已經能達到接近人類的水平——至少對於IST這種相對乾淨的資料集是這樣。
但這還不是終點。他開啟測試集，隨機抽取了幾張圖片，用訓練好的模型進行預測。程式碼輸出預測結果，他對照著真實標籤一一核對。
第一張，圖片是個歪歪扭扭的“7”，模型預測：7，正確。第二張，像個“3”又有點像“8”，模型預測：3，正確。第三張，一個很標準的“0”，模型預測：0，正確。連續對了十張。
然後他故意挑了一張模糊的、畫素似乎有噪聲的圖片，看起來像“4”但下半部分缺失。模型預測：4，機率置信度87%。真實標籤：4。林晨盯著那張圖片看了很久。
那一刻，他忽然理解了為什麼AI會讓人著迷。不是因為它有多神秘，恰恰相反，是因為它的確定性。你給它資料，定義好架構和最佳化目標，它就會沿著數學上最陡峭的下降方向，一點一點調整自己內部的數百萬個引數，直到找到那個能最大限度區分不同類別特徵的權重組合。這個過程是可重複、可測量、可改進的。
而更關鍵的是，這個剛剛能識別手寫數字的模型，和那些能識別貓狗圖片、翻譯語言、下圍棋、甚至預測股票走勢的模型，在本質上用的是同一套方法論。區別只在於資料規模、模型複雜度和計算資源。
林晨關掉TensorBoard，開啟一個新的檔案。他開始修改程式碼——不是照搬教程，而是嘗試自己的改動：增加一個隱藏層，把神經元數量從128增加到256，嘗試不同的啟用函式（把ReLU換成LeakyReLU），調整學習率衰減策略。
重新訓練。這一次，準確率在30個epoch後達到了97.1%。雖然只是提升了不到兩個百分點，但那種“透過調整架構和超引數來控制系統性能”的掌控感，比第一次看到準確率上升時更強烈。
窗外的科技園，幾棟寫字樓還亮著零星的燈光。林晨看了眼時間，凌晨兩點半。他應該去睡覺了，明天還要繼續學卷積神經網路（CNN）——那才是處理影像更專業的架構。
但他沒動。他開啟那個名為“投資系統數學基礎構想”的筆記，在空白處寫下：
“凌晨2:35。訓練出第一個神經網路模型，IST準確率97.1%。關鍵體會：
AI不是魔法，是工程。可量化、可最佳化。
模型效能取決於三要素：資料質量、架構設計、訓練策略。
如果它能從畫素中學會識別數字，那它應該也能從K線圖中學會識別模式。
下一步：用CNN重做IST，理解卷積層如何提取空間特徵。這對處理金融時間序列可能有啟發”。
寫完，他儲存筆記，關掉電腦。
躺在床上時，腦子卻停不下來。那些損失曲線、準確率數字、權重矩陣在眼前旋轉。他想起大學時第一次寫出能正確執行的“Hello World”程式時的興奮，想起第一次做出能處理真實業務的電商系統時的成就感。
但今晚的感覺不一樣。那不只是“讓程式碼執行起來”的滿足，而是更接近……創造。創造一個能“學習”的東西，給它資料，看它成長，調整它的結構讓它變得更好。
黑暗中，林晨睜著眼睛。房貸月供一萬二，存款還剩不到二十三萬，再次失業第二個月。這些數字依然冰冷地懸在頭頂。但此刻，他第一次清晰地看到了一條路——不是Web3那種充滿不確定性的新領域，而是一條基於數學、程式碼和資料，每一步都踏實可測的路。
AI這條路。
他翻了個身，想跟蘇婉說點什麼，卻聽到妻子均勻的呼吸聲——她早就睡了。明天吧，明天可以告訴她，自己今天做出了一個能認數字的“小東西”。雖然它現在還只能認數字。但林晨知道，這只是開始。
窗外的鵬城，凌晨三點的街道空曠安靜。而在狹窄書房的書桌上，那個儲存在硬盤裡的模型檔案，正安靜地等待下一次被載入、被改進、被賦予新的任務。
比如，認識K線圖的形態。比如，預測明天的漲跌。比如，從混亂的市場噪聲中，找出那些微弱的、可盈利的訊號模式。
林晨閉上眼，腦子裡不再是焦慮和迷茫，而是一層層堆疊的神經網路架構圖，是損失函式需要最佳化的曲面，是等待被挖掘的金融資料。他睡著了，嘴角帶著半年來第一次真正放鬆的弧度。
