“尤其是自動駕駛的汽車，那如果非要聯網才能自動駕駛，隨便斷一下網絡不是要了人命了。”

    “你們說的都沒錯。雖然現在困難重重，但這方面的問題還是需要邁出去第一步。”孟繁岐笑了笑：“許多任務都有實際應用標準，往往精確到毫秒，為了達到這個標準，要么提高處理器性能，要么就減少計算量。”

    “而提高處理器性能是硬件的事情，靠少數人小團隊是沒什么戲的。在短時間內是也是無法完成的，因此減少計算量成為了主要的技術手段。只有解決了這方面的效率問題，深度學習才能脫離顯卡限制，廣泛應用于移動設備。”

    “這方面主要有兩個技術方向，一個是模型的壓縮。把訓練好的模型通過技術手段壓縮，使得它本身參數更少，存儲和計算兩方面都會有提升。不過需要多次訓練和操作，有一定的難度。”

    “另一個就是我現在在做的方向，那就是移動端的模型結構設計。主要思想是設計更加高效率的算子，從而減少網絡的參數而不損失網絡的性能。”

    孟繁岐微笑著說道，這個操作也是一舉多得。一方面可以支持阿爾法狗圍棋AI的需要，另一方面也可以支持特斯拉方面的需要。

    還有一方面，那就是這種純工業的文章，會對業界產生巨大的影響。

    因為它切切實實極大加速了人工智能落地到企業的速度。

    “其實主要問題就是各個計算平臺的特性不同，顯卡的運算單元很多，并行處理大量簡單計算很快，而CPU則更擅長處理數量少一些的復雜運算。”

    一百道小學題，五十個小學生算得肯定比五個大學生快，但如果上微積分，那可就反過來了。

    這些特性的不同，導致不同終端設備的偏好都各不相同。如何設計出不同類型設備上的最佳網絡，可是一個大學問。

    費時又費力，不知道熬禿了多少工程師才有了后來膾炙人口的一系列經典算子。

    這些內容將很快把深度學習去年的成果代入上億終端設備當中，就像互聯網和智能機下沉到每一個人一樣。

    只是現在被重生人士摘了桃子。