現在有了一些名氣，一些設備，有了一些可靠的名校科班程序員。

    確實應該一改第一年單打獨斗的風格。

    “正好這次全都是實驗性的內容，沒有什么理論在里面。”孟繁岐知道他們三個結束了手頭的工作后，已經在惡補人工智能方面的知識。

    但別說短短一兩周的時間不夠，即便看了三五個月，也很難跟上孟繁岐的實驗節奏。

    好在這次的內容純實驗性，對科班的名校生來說不難理解。

    這些實驗的主要內容基本上都是圍繞一個主題，那就是不同類型設備上的網絡結構，怎么樣才能在速度和性能之間取得最好的平衡。

    這又是一個影響力非常大的工作，因為這些技巧幾乎所有基于深度學習的研究都會用到。

    孟繁岐的殘差網絡已經徹底革命了計算機視覺領域的性能，距離論文和代碼公開也有兩個月左右的時間了。

    前幾天，孟繁岐已經看到了一些變種的水文搶跑，這些水文大多是魔改下網絡，化簡為繁。

    把原本孟繁岐故意設計地非常簡潔的結構復雜化，從而在特定的數據和任務上實現更好的效果。

    那么與此同時，這些改進大都會使得網絡更臃腫復雜，速度也就更慢。

    “如果要考慮人工智能的實際應用，只是顯卡上運行是肯定不夠的。雖然目前能夠支持復雜，較深人工智能模型的主要訓練設備是顯卡，但訓練和推理畢竟是兩碼事。”

    “推理一個模型所需要的資源遠比訓練它要來得更小，而且訓練模型只需要一次，在實際應用這些模型的時候，卻要反復一直推理。我們從企業的視角上，要輕訓練，重視推理，我準備的這些東西和實驗，就是在做這方面的努力。”

    夏彥三人點頭稱是，在現實世界的應用當中，肯定不會是誰都搞一塊大幾千塊的顯卡來跑一個人工智能模型的。

    把運算放到云端是一個辦法，但這就要求網絡，而且網絡不能太差，否則會極度影響用戶體驗。

    除非不依賴顯卡，而是使用其他的設備本身的能力來做這件事情。

    “智能機，無人機，又或者是自動駕駛汽車，乃至機器人，都必須依賴顯卡又或者是網絡，這就太不酷了。”