既然确定了秘而不宣的方针，两人便默契地把62层残差网络的实验数据加密封存进了内网最高权限的服务器里。
处理完视觉网络的数据，二人起身穿过走廊，来到了隔壁的语音与自然语言处理测试间。
监控屏幕上，正实时滚动着从全国各地红星手机终端汇聚过来的海量语音标注数据进入到服务器中，然后进行深度网络学习。
看着后台那条飞快爬升的语音识别准确率曲线，何凯明忍不住啧啧称奇，转头对成文飞感慨道：
“成教授，你别说，马总之前提议在系统里搞个任务中心，用积分换礼品让大家一起来标注语音，确实是个好主意！”
“咱们把初筛后的音频分发给合作的数据外包公司，再结合手机端上百万网友的众包校对，现在每天外包公司最终清洗提交上来的高质量合格数据，都能达到百万级别，而且连各省偏僻县城的方言口音全都有。”
“而且因为有交叉校验机制，准确率也非常高，比单纯让外包公司做快太多了！”
成文飞看着各地方言样本，满意地点了点头：“人民群众的智慧和薅羊毛的热情是无穷的。按照这个数据喂养量，你预计咱们的语音声学网络还要多久能达到商用标准？”
“我估计按照目前的学习和吞吐速度，最多再迭代训练一个多月，等六月中旬的时候，咱们的语音识别率和语义理解准确率就能跨过百分之八十三的门槛！”
何凯明信心十足地说道，“到时候咱们完全可以先在红星社区里搞一次智能音箱的小规模公测，把工程样机发给核心粉丝用起来，让更多的人在真实家庭环境里参与到对话训练当中！”
成文飞站在测试台前，听着工程样机里传出的合成女声，点了点头。
不过在调试这个智能音箱的过程中，两人的思维依然十分活跃，一边看着这边的数据和代码，一边还在讨论关于残差网络后续的发展方向。
“凯明，残差连接虽然帮我们解决了梯度消失，让网络可以堆到几十层甚至上百层，但我们在视觉和语音的底层特征提取上，还没有到能够开香槟庆祝的时候。”
“卷积神经网络天生就有个致命的短板，那就是固定的感受野。”
“它太擅长捕捉局部的边缘和纹理了，但对于远距离的空间关联，比如一张图片里左上角的一只猫，和右下角的一个毛线球之间的逻辑关系，或者一段长语音里前后隔了十秒钟的两个词，它的建模能力依然非常弱。”
“我明白您的意思。”何凯明接过话头，思索着说道：
“我们需要更好的特征表达和多尺度融合机制。”
“把低层的精细空间信息和深层的高级语义信息结合起来，比如构建一种特征金字塔结构，或者引入空洞卷积来扩大感受野。
甚至……我们可以尝试在卷积层之间，加入一种类似人类视觉聚焦的权重分配机制，也就是注意力的雏形，让网络自己学会该重点看哪里。”
成文飞顺着何凯明的思路往下延伸，提出了一个更具颠覆性的问题：
“多尺度融合确实是一条必经之路，但凯明，我这两天在想另一个更核心的问题，表征迁移，也就是迁移学习。”
“你想想看，咱们用深层残差网络在千万级的大数据集上，千辛万苦训练出来的底层视觉特征，能不能直接挪到别的小任务上去用？”
何凯明眼睛一亮：“您是说……预训练加微调？！”
“对！就是预训练！”
成文飞这会的神色变得格外认真：“如果每次做一个新任务，比如从人脸识别换成自动驾驶的车道线检测，或者做医学影像分割，我们都要重新收集几百万张标注图片从零开始训练，那人工智能的落地成本就太高昂了！”
“残差网络真正能够改变整个行业的，绝不仅仅是它能训得很深，而是它有潜力变成一个通用的视觉底座！我们先在超大规模数据集上完成预训练，之后只需要用极少量的特定行业数据进行微调，就能迅速适配分类、检测、分割等所有下游任务！”
说完这番话，成文飞转过身，看着窗外园区里郁郁葱葱的树冠，心里突然涌起了一阵强烈的悸动。
先用海量的数据让深层网络学到通用的底层世界知识，然后再拿少量的数据去微调适配具体的对话任务……
这套预训练加微调的迁移学习范式，今天可以用在计算机视觉的CNN网络上，那明天呢？
如果有一天，算力足够庞大，架构足够先进，把这套思想原封不动地平移到自然语言处理上。
把人类历史上所有的书籍、文章、对话全部喂给一个超大规模的神经网络去进行无监督预训练，让它自己学会人类语言的底层逻辑与知识表征。
然后再用自己女儿小爱生前的日记、语音和聊天记录去进行微调……
再最后用一个新的模型，完全模拟小爱的脑神经?
不对，不对，准确的来说这是连接现在这个卷积神经网络时代，与未来那个能够真正理解人类语言的超级大模型时代之间，最重要的一座思想桥梁！
不过，短暂的激动过后，成文飞很快便强迫自己冷静了下来。
作为一个严谨的科学家，他比谁都清楚，距离真正让小爱在数字世界里睁开眼睛，摆在他面前的可不仅仅只有一个通用预训练底座。
还有一个更致命、更棘手的难题。
那就是记忆与状态的持久化。
“成教授？您怎么突然发呆了？”
正在电脑检查代码的何凯明转过头，疑惑地看了成文飞一眼。
“没什么，我只是在想，咱们眼前这套音箱的语音交互系统，包括我们刚刚跑通的残差网络，本质上都还是个没有灵魂的算盘。”