幾天的國慶假期很快結束了，顧玩帶著妹妹和女朋友回到學校，恢複到正常的學習生活中。隨著gps和as項目都告一段落，顧玩手頭的科研任務確實閑下來一些。每天隻要上上課，考考試，泡泡圖書館，連實驗室都可以不去了。不過，他就像黑夜中的螢火蟲，注定是不會讓自己生蛆的。所以沒過幾天，他就找到了丁院長。“院長，我想發一些跨專業的論文，搞一些跨專業的課題，這事兒不違反學校紀律吧？”顧玩也不預約，當天中午徑直走進院長辦公室，直接就攤牌。當時還有個副院長、以及院長的助理在旁邊看著呢。丁院長都微微嚇了一跳：“咋了？受委屈了？還是突然腦子犯抽，想換專業了？”旁邊那個副院長出言打圓場：“院長您別多慮，說不定是小顧同學能者多勞，興趣涉獵廣泛而已。”顧玩還沒接話，丁院長倒是跟副院長一問一答，自我腦補起來了：“原來你是想修二專業啊，以你現在的成績，這當然是沒問題的了。你可是科技部表彰過的人了，校長也會給你特批的。何況，我們學校本來就允許修二專業。”這事兒就這決定了？自己可沒打算雙修二專業啊，隻是想跨圈稍微搞一搞深度學習人工智能的基礎有木有！但學校領導已經這決定了，顧玩也就接受咯。一切手續很快搞定。上麵標示學分什的不重要，有空稍微多修幾門數學課，就算二專業的標準達到了。實在不想修，隻要論文夠，一樣算過。得到這個承諾後，顧玩讓麻依依也去試試雙修，看能不能申請下來。麻依依就沒那大麵子了，畢竟沒在科技部表彰大會上掛過號，所以一切還是要公事公辦。最終詢的結果是雙修可以，但學分不能打折沒有優惠。麵對困難，麻依依不禁要多問幾句老公的打算：“你到底希望我修個啥？”顧玩回答得很直接：“修個心理學分支下的認知神經科學方向好了——這是一個心理學跟腦科學交集的專業。”麻依依一臉懵逼。顧玩卻知道，他選的這個方向，與地球上傑夫辛頓當年搞深度學習時的路徑，幾乎是如出一轍的。憑心而論，傑夫辛頓的能力也不算多逆天的科學家，但他成功了。這麵努力和方向正確占八成，但還有至少兩成是運氣和環境。深度學習型人工智能的成功，得益於其他地球人的固有技術偏見——在此之前，很少有人從“挖掘人腦的深層學習機理究竟是怎樣的”這個角度，來思考訓練機器學習的問題。所以，誰這想了，而且第一個付諸實踐了，就能撿到漏。當然了，這個漏也不是阿貓阿狗都能撿的，論證過程比較複雜。通俗地說，你至少得是個世界名校的計算機和神經認知科學領域雙博士，你才有資格在方向對的前提下，撿到這個漏。連個盟校雙博士都做不到的人，天大的機會白白送到他麵前，他撿都撿不起來。另外一方麵，顧玩也深諳地球上人工智能發展的另一個重要契機——在深度學習和卷積神經網絡發展起來之前，這條技術路線的認可度並不高，因為這條技術路線哪怕試水到04年，初步原理略微跑通了，學界也依然發現有問題：這個算法的缺點，是訓練效率太低。也就是說消耗的算力極大，而機器學習的進步速度其實很慢，還無法進行白盒邏輯解釋，也就無法通過人工幹預/“教導”來讓機器的學習速度加快。當時還有另外兩三條技術路線，那些路線的優缺點正好與深度學習相反。那些訓練方法白盒化程度更高，也就是機器學習的決策過程的可解釋性，人類更能理解，也就更容易幹預，便於人類“手把手教機器快速進步”。而這些算法的缺點，就是“學習進化的上限比較低”（這是籠統概括，實際科學原理比這個複雜得多。但是寫給外行人看，隻能這樣不太準確地類比一下了。）換句話說，要是人類繼續被摩爾定律束縛、靠電腦pu運算速度的技術提升，來滿足訓練算力的話，那那些白盒度更高、更容易用少量算力就初步訓練出成績的人工智能學習路徑，說不定就能在曆史選擇中勝出“深度學習/卷積神經網絡”這條技術路線了。但是，地球上偏偏在你2007~2009年，誕生了分布式架構算力設計。這玩意兒，最初是出現在很多矽穀it公司，那些程序員嫌棄代碼寫好後、編譯速度太慢，甚至覺得光靠專門的編譯服務器都不夠用，所以天馬行空地創新出一個“分布式編譯架構”，讓一家公司所有同一局域網內的電腦，都可以加入這個架構，然後把編譯任務拆分分配給所有電腦，讓所有pu共同分包編譯。分布式編譯是從07年出現的，一兩年之內，這玩意兒就成長成了“雲計算”。有了雲計算之後，應用就很廣泛，而雲計算對人工智能訓練的最大影響，就是某個智能在執行機器學習的時候，不用再受限於這個機器人本身那顆pu的算力了——機器人自己的pu不夠快，可以接入雲，用雲上的幾千幾萬台機器的pu幫你一起算。這時候，摩爾定律就不重要了。隻要算力任務能高效拆分，單顆pu弱一點就弱一點了，咱可以芯海戰術堆數量嘛。如此一來，其他那些“算力效率更高、白盒可解釋性更強、但訓練上限和自動化程度更低的算法”，一下子就爭不過深度學習了。因為深度學習原先最大的瓶頸，就是黑盒，算力效率低下。但雲計算的出現，讓算力瞬間沒那值錢了，可以大水漫灌狂訓你。……這些道理，顧玩心知肚明，不過他沒法全部告訴麻依依。他隻能鼓勵麻依依，讓她往這個領域布局，夫妻倆暫時把外圍科技先湊起來。幸好，時間上也不是非常緊急。地球上傑夫辛頓讓學界接受深度學習，就花了兩年。至於後來從學界承認到產業界承認，又花了四年——其中三年都是在等雲計算的出現。他的成績06年在學界就初步被認可了，但09年雲計算才正式出現，2010年傑夫辛頓才被穀歌高薪挖走。後世的人工智能，用一句話概括運作原理，就是“使用雲計算的算力，用深度學習算法處理學習大數據”。算力，算法，大數據。三要素，從技術難度來說，最先有的是大數據，這是一種資源，有稀缺性，但卻沒有技術含量，所以是最早出現的。算法，或者說深度學習的思路，是第二個出現的（06年）用這種算法處理這些數據的算力，是最後出現的（09年）三要素都齊了之後，第二年地球上穀歌就開始在這條路上狂奔了。顧玩覺得，就算自己開了掛，也有1年多的時間，先把基礎算法方麵的架構性論文發完。具體追求產業界應用的事兒，將來去留學開公司期間再說好了。而且，把算法淵藪階段的論文，在中國念書的時候就發表，將來也好撇清跟老外的關係——咱可不是去斯坦索姆留學後，才琢磨出這些玩意兒來的，一開始在中央科大念書，就已經有這方麵的建樹了，功勞都是中國人的。讓麻依依認識清楚這一切節奏後，顧玩明確分配了任務：“你今年除了修學分之外，我就給你兩個文的任務。第一，你在計算機本專業領域，琢磨一個分布式編譯的活兒。把架構想出來，在你們數科院的項目公司也好，研究所也好，先試著幹起來。確有提高效率，就可以把這篇實驗性的論文發出去了。第二，在你雙修的認知神經科學領域，我希望你發一些人腦神經學習效率方麵的研究——跟計算機沒關係，就是研究活人的學習效率，多做對照組，具體實驗設計，我會幫你一起參詳的。這些論文不會直接產生商業價值，但是會讓你我有資格在相關領域的頂級期刊稍微混點臉熟，進入圈子。”顧玩原先也發表不少論文了，但可惜都是物理類的。正所謂隔行如隔山，一旦他想進入數學/計算機算力架構/認知神經科學，重新刷臉刷聲望，肯定是免不了的。就跟你打魔獸，哪怕奧格瑞瑪崇拜了，幽暗城還得重新刷不是。當然了，你奧格瑞瑪崇拜，對於你幽暗城聲望的刷速度肯定略有幫助，比你一個所有聲望都沒有的純萌新，肯定要容易一些。麻依依還是沒太明白老公分配的具體任務，但她覺得這不妨礙她搞個人崇拜，盲目迷信跟著老公的思路走。“我這學期還是先從分布式編譯下手吧。我本來就是學計算機的，我覺得這個容易寫，也容易發表。”麻依依讀大學這一年多來，也是發過論文的，不過一共隻發了兩篇，還都是在本校的《中央科大學報》上。這個成績跟其他本科生，甚至是其他想當交流生的頂級優等生相比，已經很牛逼了。但是跟她老公一比，那就簡直是菜的不行。這次的分布式編譯架構，她決定鼓搗出來後，發到外麵的期刊上，最好還是外國的。