小提琴演奏的一大難點就是找音準。
很多人哪怕學琴四五年時間也很難找準小提琴的音階——肖萌肖薇姐妹就是這樣兩個失敗的案例——因此，對Violin-β超越人類的地方更是深有感觸。
“因為電腦不像人，記譜能力取決於內存，”路之航道，“找音準則取決於算法。”
肖萌莞爾一笑。她聽過梁清寧吐槽說過譜子難背——說至少要熟練演奏十遍後才能記住曲譜。然而梁清寧的記譜速度已經是其他小提琴手膜拜的對象了。
小提琴和鋼琴不同，不是固定音準的樂器，也就沒有所謂的絕對音準。某個音準是否準確，取決於它和其他音之間的關係，因為音高都是相對的。
找音準是小提琴最難掌握的技術，需要演奏者長期的鍛煉才能做到；而對計算機來說，琴弦的振動模式可以通過數學公式算出來，每個準確的樂音都會有其固定的振動頻率，隻要能讓演奏出的每一個音都符合振動頻率的比例關係，就找準了小提琴的音階和音準。同時，找到音準，就能解決小提琴演奏的大部分問題。
肖萌說，“我認為目前Violin-β相當於一個練習了三四年、有很好天賦的琴童。演奏基礎很好，但情感表達不夠到位，許多小節的處理都不夠細膩，顯得有些生硬。”
路之航道：“和我們找來的小提琴家的說法一樣，新手水平。”
“小提琴的演奏不是簡單的一個個音節湊起來的，音節和音節之間的起承轉合更加反應演奏者的技巧，Violin-β演奏時，我自己明顯覺得顫音和波音有些少了，缺乏裝飾音，還有些硬。”
這確實是Violin-β係統目前的問題，路之航點頭，示意肖萌繼續說下去。
肖萌頓了頓，又問：“我想，在機械性能上和控製係統上已經沒有特大的問題，可能出現的問題還是在數據上嗎？”
“說對了。”
邱偉濤指了指他身旁的那台電腦：“除了機械設備外，整套演奏係統由四部分組成，一個是演奏數據采集，一個是數據分析係統，一個是數據還原係統，最後一部分則是評價係統。理論上，當這四個係統配合默契時，Violin-β就可以完美的演奏一首小提琴曲，還可以讓其演奏展現不同流派的風格。”
“但是，目前有困難嗎？”肖萌問。
路之航道：“用於機器學習的數據不夠，評價係統也不夠完善。”
肖萌雖然是新生，但也是全國最好的計算機專業的學子——在兩位大神師兄的提醒下，她很快明白這其中的難點。
現在，VB項目組采用的是著名的神經網絡和機器學習的方法讓電腦學會拉小提琴。機器學習要以大量的數據為基礎。而經典的小提琴樂曲何止百首，上千首曲子都是有的。每首曲子都有不同的演奏方法，同樣一首曲子在不同的演奏家手上課也呈現不同的風格：輕快，纏綿，傷感……但不論那種風格，說白了都是數據。隻要有足夠的數據和計算資源，VB就可以在演奏時可以在力度，長度和節奏上進行調控，達到一流的演奏家的水平。
研究團隊為了研究每首曲子的演奏風格，購買了上千張小提琴音樂CD；同時，整個項目的帶頭人盧景舒教授、實際負責人都沈泓教授利用了自己的私人關係，差一點把音樂學院裏的音響製品全都搬空；除此外，路之航他們還編程還讓大型機一刻不停的在網上搜索小提琴演奏視頻——目前團隊收集了上萬首小提琴演奏曲。
但還是不夠，至少遠遠不能滿足團隊的需求——研究團隊的終極目標是隨便輸入一個曲譜，VB都可以一流小提琴家的演奏水準。
這事兒顯然很難。
要滿足這個要求，需要海量的數據，然後團隊再從已有的數據裏總結出規律，再推廣到每一首小提琴樂曲中。
Violin-β團隊的野心很大，肖萌感受到了震撼：“這個要求太高了，古典音樂圈是個小圈子，可以用來學習的小提琴樂曲數量不會很多。”
“所以我們在機器學習的基礎上，引入了評價係統。”
所謂的評價係統，就是讓VB係統不斷的、反複的演奏同一首曲子，然後係統對每次的演奏結果進行打分，所謂“擇其善者而從之，其不善者而改之”，分數低，就說明要改進，分數高，則可以加強優勢。演奏幾千上萬遍之後，VB就能找到最適合的模式。
“如果是棋類，可以通過一局勝負來判斷某種模式好不好，但音樂怎麼判斷？據我所知，在小提琴演奏大賽中，評委們為了‘誰的演奏更好’都能打起來，演奏一首曲子，十個人可以演奏出十種風格。大家的審美不同，評價標準也不唯一。”