话讲到这里，陈学兵前世炒a学的那点概念，其实已经用差不多了。
不过两位科技部门的领导还提出了一些技术性的疑惑，希望陈学兵能详细解释一下原理。
陈学兵也不是搞技术的，只能跟卢韦冰耳语了一阵，把讲解者的位置让给了卢韦冰。
卢韦冰虽然也不精通技术，但好歹是清华化学系的，专业上比陈学兵理解更深一些，跟大家讲了讲大数据技术的前沿发展，以及nn和ltm。
「nn（循环神经网络）是美国1982年提出的神经网络雏形，过去26年经过了多次专业论文的修正，有一套理论体系。
「这套体系，就是当今世界人工智慧建模这条线上最成形的一套理论，它可以通过记忆单元储存历史序列信息，类似人阅读的时候结合上下文理解内容的逻辑，然後通过一个字一个字的排队，输出一句它认为最有逻辑的句子。
「ltm（长短期记忆网络）则是对nn的一套技术补充，解决了原始nn处理长句子时，前面的信息会忘掉的问题。」
陈学兵和领导们一起听着卢韦冰解说，陷入了自己的沉思。
点最近的研究投入已经开始倾向於v那边了。
这套体系的研发，是他定下来的，因为nn和他理解的谷歌提出的a核心体系tanf的输出概念很相似，都是一个从序列到序列、端到端的完整黑箱模型，具备很强的可训练性，模型可解释性也较好，便於大家理解，全世界的技术员也都可以用，可以深入研究。
他从v事业群成立以後就一直在找这样的理论，经过与一套vm体系对比以後，他决定让v对nn投入研究，并且给它找了一个对口的研发方向——智能语音助手。
点的智能语音助手，可以一上来就是网络智能化的，可以接点的云端，而不是那种模板化回复。
回复的等待时间可以更长一点，但能回答的问题更全面，让人有探究欲。
他把这个课题丢给v研究已经几个月了，直到最近，一些不同的声音传出来：许多人认为nn这种处理模式不够高效，一个字一个字的输出，第100个字必须等前99个算完才能开始，大多p算力会陷入空等，即使再自动化，也完全跟不上p未来的发展。要做语音转文字，文字转语音的输出，应该结合当下一套比较成熟、也比较简单的vm进行研究。
陈学兵听到这种声音，内心其实是狂喜的，因为v终於找到核心问题了。
以後的t
本章未完，请点击下一页继续阅读！