樓秉誠看上去二十七八歲，長著一張國字臉，濃眉大眼相貌敦厚，鼻樑上架著一副窄邊眼鏡。
“你好，林先生。”他微笑著和林寒握手。
“你好，樓博士。”
兩人落座，樓秉誠便說道：“在此之前，董磊已經和我說過一些你和你公司的事情。他說他很佩服你，認為你的氣象計劃一定可以做好。”
他停頓了一下：“我的主要研究方向，是機器學習和大資料，和氣象服務的計算機應用確實十分契合，而且也獨立寫過一些相關東西……”
機器學習是一門多領域交叉學科，專門研究計算機如何模擬人類的“學習”這一高度智慧行為。
機器學習屬於現代人工智慧領域的最核心內容，前不久火遍全世界的“阿法狗”，就是以它為基本原理的。
“不過據我所知，華夏國內的氣象服務發展十分滯後，並沒有取得什麼像樣的成就。永珍在這方面，有什麼獨特的優勢嗎？”
林寒早有準備：“我們的優勢主要有三點。”
“首先我們有省氣象局的支援，包括一部分技術，以及全部的氣象監測資料。”
樓秉誠遲疑了一下：“恕我直言，一般的氣象監測資料，並不是十分重要的。比如世界氣象組織，就免費開放一部分全球天氣資料。”
林寒笑道：“在各地省內，氣象局的資料還是十分詳細的。況且我們還有第二個優勢，就是我們可以透過某額外渠道，獲得十分詳盡的氣象監測資料。”
樓秉誠一怔：“額外的渠道？有多詳細？”
林寒斟酌著說：“具體是什麼渠道，我不便透露。不過在漢東省內，我們可以獲得比鄉鎮行政區劃圖更加詳盡的氣象圖。”
樓秉誠大為震動：“這麼詳細！”
林寒補充道：“當然，在短期內比如一個季度之內，我們最多隻能獲得幾十幅這樣詳細的氣象圖，用來作為超精確氣象資料，提高預測準確率。”
這樣詳細的氣象圖，當然只能由他藉助軟體，在省氣象局提供的氣象圖上面進一步細化了。
比如說，青林縣氣象監測站給出的當地氣溫是25.0c，同時在他的中級氣象許可權感知中，某些區域的氣溫和青林縣氣象監測站的氣溫一毛一樣。
那麼他就可以將這些區域的氣溫，同步標為25.0c，操作過程類似畫圖軟體中的“填塗”。
如此一來，就相當於額外多了成千上萬個氣象監測站，資料的詳細度必然大大提升。
甚至如果他願意，氣象圖就是詳細到每平方米、每平方尺的範圍，也未嘗不可。
但這個過程需要林寒本人親自完成，每一幅氣象圖，就意味著需要成千上萬次的填塗，一次1s的話，中途完全不打小差，一幅圖也需要至少一兩個小時的時間。
考慮到各種原因，一天能出兩幅這種超詳細的氣象圖就算非常不錯了。
短期內提供一些還行，倘若是長期穩定供應，就算林寒身體是鐵打的，也早晚得被掏空。
但他心裡清楚，這種超詳細的氣象圖，用不了太多，就可以讓相關軟體的預測準確率大幅度提高。
詳細精確的資料對於機器學習而言，就好比是經驗值一樣，可以讓它們迅速成長、成熟。
