任，是这个实验室人工智能领域研究方向的引领者，所有的教授和博士、硕士们都要按照他的这个大方向去研究。

他的方向选择对了，所有人都会一步跨上人工智能领域的大舞台，成为行业里的资深专家。他选择错了，大家一起完蛋。

不过，汤教授是麻省理工毕业的博士，很权威，大家都很相信他。

面对这么多实验室的同事和学生，汤教授就像上课一样，要说得详细一些。先简单阐述了一下逻辑学到统计学的思路转变。

图像由无数个点组成，分辨率越高，点数越多；分辨率越低，点数越少。

把图像扩大1倍，其实就是把点数增加1倍。

过去的算法，是数学、逻辑学的思路。即有了前一个节点，然后根据数学逻辑，推演到了下一个点，一个点变为两个点，就完成了拓展。把图片中所有的点都处理、扩展一遍，图片的放大就完成了。

可这是个确切的过程。

选择的节点得是确定的，才能衍生出第二个点。

如果第一个节点都是模糊的、不确定的，就算数学公式、逻辑思路再正确，也没用啊，巧妇难为无米之炊。

新的大数据下的图像处理思路，应用到的是统计学算法。

比如，有两条路，都可以到达终点，运动员选择哪一条路耗时更短？

传统的思路，就要通过数学和逻辑学上的计算。

计算路程长度，运动员的速度，以及运动员的状态、耐力、加速度、减速度、摩擦力所影响的摔倒几率等等。

拿出一套极复杂的公式出来。

可是，如果过来的运动员是没有腿的残疾人，或者盲人怎么办？过去的这套公式就都没用了。

统计学的思路就很简单了。

两条路，不管是正常人、残疾人，还是自行车、汽车，都无所谓，统计数据就好了。左边这条路测算1万次，右边这条路测算1万次。

经过测试，左边赢了8000次，右边赢了2000次，结果就出来了。

选择左边这条路耗时更短！

应用在模糊照片的清晰化处理上，就是大数据下的统计学。

比如一个模糊化的鼻子，原始形象是什么样？