看着扬静姝和扬弃离去的背影，林行知隐约猜到了什么。

“之前那猜不透的焦虑，是孤独吗？”

林行知下意识摇了摇头，他并不认可孤独这个词汇。

在他看来，任何一个成熟的个体都不应该感到孤独。

孤独，是一个群体性词汇。

当个体处于群体边缘，又十分渴望融入群体，才会滋生出孤独感。

这种孤独，实则是个体无法与自己相处，没有建立健全的自我，只能奢求外界给予心理慰藉。

毫无疑问，这种孤独是一种变态的表现。

“或许我这种感觉正应对了庄子的那句话，「独与天地精神往来」，我的孤独是饱满的，是个体最完美的状态。”

没有思考太久，林行知很快就将这份情绪抛之脑后。

花了两个多小时，林行知再一次收集了四种不同生理状态的血液样本。

林行知没有去做代谢通量的实验，而是将目光放在这这两天刷的论文上。

既然大脑已经成功建立了「人体代谢网络图谱」，林行知不得不有了更大胆的想法。

林行知准备将自己认为有前途的天然物质，根据现有的代谢动力学、药效动力学、毒理学和物化性质进行计算建模，或许能得到一些意想不到的结果。

通过计算机探究药物属性，已经不是什么稀罕事了。

从Hansch的定量构效关系开始，已有50多年的历史，不少学者都尝试过诸如朴素贝叶斯（NaiveBayes）、决策树（decisiontree）、支持向量机和随机森林等浅层学习算法，进行预测。

实用价值得到了学者们的一致认可。

而且，大脑超强的并行计算能力，完全支持从浅层学习算法的基础上，增加隐含节点，也就是所谓的深度学习。

不仅如此，在记忆这些数据的过程中，大脑就已经自动化完成了数据集的标识。

“就算得不到确切的结果，应该也能提升大脑在特征提取方面的能力。”

林行知下意识感觉到兴奋，如果人类也能提升特征提取的能力，认知与智商绝对能得到极大的提升！

特征提取，是机器学习的实质。

同时，也是人类思维过程中最重要的底层逻辑之一。

比如，双眼识别谁是熟人，谁是陌生人。

本质上就是进行了「特征提取—分类」这个过程。

又比如，学习如何解析数学方程组。

本质上就是进行了「特征提取—分类—归纳」。

可以说，人类所有的思维过程，都离不开特征提取。

没有丝毫犹豫，林行知那是说干就干。

记忆过程一直持续到次日清晨，林行知也才勉强完成三种天然物质的网络模型。

如果是要设计某种全新药物，林行知绝不会单靠脑力，脑-机结合才是正理。