……
    或許這種表述也不夠嚴肅。
    但林灰是始終堅信的發展中的問題要靠發展來解決。
    不能因為發展可能存在問題就拒絕發展。
    涉及到人工智能方麵的發展同樣是於此。
    縱然涉及到人工智能可能引發一定層麵的爭議。
    但林灰同樣相信很多科研人員同樣和他持有相同的觀點。
    至少林灰是知道的，尹芙·卡莉和他的看法是一致的。
    能在未來的前行路上有同行的人自然是不錯的。
    某種程度上林灰也是需要有人一並同行的。
    涉及到人工智能前世在媒體的攛掇下，關於人工智能的炒作可以說是蜂擁而至。
    1200ksw.net
    關於人工智能也各種說法卻亂七八糟。
    但這些宣傳普遍將懸窗重點放在人工智能取代人類這種宣傳上。
    卻沒搞清人工智能真正的價值之所在。
    人工智能真正的價值在於帶來了對勞動力和生產關係之間的變革。
    這才是其真正的影響深遠的原因。
    這也是為什麽前世國家層麵如此重視人工智能的原因。
    以往涉及到勞動力和生產關係通常是什麽形式呢？
    不是改革就是革命。
    作為能影響勞動力和生產關係的東西。
    人工智能所衍生出來的內涵其影響不亞於一場革命！
    而這樣的一場另類的革命顯然不是僅靠林灰自身就推得動的。
    僅僅是林灰本人的話。
    或許林灰能不斷的搬運技術。
    但涉及到技術落地什麽的僅靠林灰自己可是不行的。
    技術落地的話還是需要很多誌同道合的人。
    甚至是後期的一些技術搬運除非林灰有足夠的學術地位。
    否則即便是搬運可能也需要一些幫手才能增強技術本身的說服力。
    畢竟很多時候涉及到技術層麵的事情並不是搞出來就有人知道其相應的含意。
    曲高和寡有時也是一種無奈。
    不過這些都是以後的事情了。
    就尹芙·卡莉所表述的內容。
    說實話無論是尹芙·卡莉就林灰對論文中補充內容表露出的濃厚興趣還是對人工智能未來的期許和擔憂。
    這些都不怎麽出乎林灰的預料。
    倒是尹芙·卡莉對於林灰此前收購她專利所表示的用途所進行的猜測讓林灰稍稍有點意外。
    按照尹芙·卡莉的猜測，林灰之所以收購她搞出的《文本判斷甄別比較的一種新方法》這項專利是想在自動文本摘要框架（涵蓋內容表示、權重計算、內容選擇和內容組織四部分任務）之下的內容表示方麵做文章。
    呃，不得不說，尹芙·卡莉還真是一個聰明的人。
    居然這麽快就能夠意會到林灰為什麽要進行這樣的一項收購。
    不過尹芙·卡莉盡管猜對了，但卻隻是猜對了一部分，並沒完全對。
    所謂的“內容表示”指的是在自動文本摘要的流程中將原始文本劃分為文本單元的過程。
    這一過程包含有分字、詞、句等預處理工作；
    其主要目的是通過預處理將原始文本處理成算法容易進行分析的形式。
    傳統的抽取式摘要這樣傳統自動文本摘要不怎麽注重內容表示這一環節。
    生成式文本摘要則稍稍有些不同。
    生成式文本摘要還是比較注重內容表示這一環節的。
    尤其是應用了詞嵌入技術和預訓練機製的生成式文本摘要更是格外注重“內容表示”這一環節。
    沒辦法，不得不重視，傳統的文本摘要各步驟的重要程度其實是差不多的。
    但應用了詞嵌入技術和預訓練機製的生成式文本摘要的工作很多時候都是“頭重腳輕”的。
    即開始的環節在整個環節中權重是最高的。
    或者說在實際構建生成式文本摘要模型的時候，雖然要設計到很多的步驟。
    但通常情況下越靠前的工作也往往更重要。
    就以“內容表示”來說吧，在構建生成式文本摘要模型的時候。
    很多時候內容表示的完成水平的高下將直接影響到後續的步驟。
    而尹芙·卡莉所搞得《文本判斷甄別比較的一種新方法》這項專利在內容表示方麵確實有一定的價值。
    借助於該專利所提供的價值，林灰以後在進行文本摘要的後續升級換代的過程中可以少一些邏輯層麵的漏洞。
    但如果僅僅是因為這點價值，還不足以讓林灰大費周章進行一項跨國專利的收購。
    林灰之所以煞費苦心將尹芙·卡莉搞出的《文本判斷甄別比較的一種新方法》這項專利最最根本的原因還是因為林灰比較在意尹芙·卡莉在這一專利中所應用的模型。
    在《文本判斷甄別比較的一種新方法》這項專利中就文本甄別尹芙·卡莉極其有創意地鼓搗出一個用於文本判斷甄別的模型。
    如果僅僅就自然語言處理機器學習方麵來看，這不過隻是一個平平無奇的用於文本判別的模型。
    但當思維跳脫出自然語言處理這個小領域之後，這個模型可不能夠等閑視之。
    當初在翻閱這個時空的學術方麵的一些資料時，林灰敏銳地注意該專利所蘊含的價值。
    盡管專利所提供的技術路線很多時候都是
    這個專利提及的技術路線就很林灰卻知道這個模型幾乎稍加變形就能在此基礎上形成一種頗為高效的判別式模型。
    僅僅是判別式模型即便是效率高或許沒啥意義。
    但是稍微做點小改動那事情就不一樣了。
    當高效的判別式模型邂後高效的生成式模型。
    此二者進行有機結合，並在此基礎上再繼續進行一定的專門架構之後。
    完全可以藉此搞出全新的效率頗高的深度學習模型。
    這個深度學習模型在前世有個大名鼎鼎地稱呼：
    ——生成式對抗網絡
    在前世圖靈獎獲得者、卷積神經網路之父yann le cun在某次學術論壇上甚至將生成式對抗網絡模型稱之為機器學習方麵二十年來最酷的想法。
    能得到圖靈獎級別大老這樣高度肯定，生成式對抗網絡模型的價值可想而知。
    前世生成對抗網絡作為非監督式學習的一種方法。
    是由尹恩·古德費洛等人於2014年提出的。
    不過這個時空由於機器學習方麵的研究整體滯後。
    這個前世頗為有名的深度學習模型在這個時空想要如約而至似乎是有些難度了。