第89章 理论和应用 (第2/2页)
　　
　　可，若一个函数可以表示成期望的形式，而令所有样本为独立同分布样本，则有拟合差值为var(f)/m，与维度无关。
　　
　　若将两层神经网络写作该形式，则意味着，这一类期望函数均可由两层神经网络逼近，且其逼近速度与维度无关。”
　　
　　“让我们转向离散动力系统的视角，举一个随机控制问题。
　　
　　动力模型Zl+1 = Zl + g1(z1，a1)+ n，其中z为状态，a为控制信号，n为噪声。若我们想寻找一个反馈控制信号函数，而通过求解动态规划贝尔曼方程，则必然会遭遇维度灾难问题。
　　
　　该过程的性质，其实与残差网络等同。
　　
　　..................”
　　
　　“最后，我总结。深度学习根本上是高维中的数学问题。神经网络是高维函数逼近的有效手段，而残差网络则是更加容易优化的高维函数。
　　
　　这意味着：数学处于科技创新的真正前沿，并且对新领域产生直接冲击。同时也为人工智能领域、科学以及技术领域提供了众多新的可能性。”
　　
　　韩辞总共讲述的时间大约是孟繁岐的两倍，讲述完成之后，更是被几位老学究抓着反复提问，讨论。
　　
　　半晌，主持人才找到机会重新登台，把孟繁岐又请了上去。
　　
　　主持人看上去年纪不大，大约三十岁左右，估计是斯坦福的在读博士生或者刚毕业的讲师。
　　
　　为人相当活跃，看热闹的不嫌事大，他将孟繁岐重新请上来之后，还开了一句玩笑。
　　
　　“这次演讲本来是你的舞台，现在却被韩辞小姐抢去了不少风头和关注，不知道你作何感受？”
　　
　　孟繁岐笑着接过话筒，等台下的笑声稍稍平息一些过后，十分大方地回答道，“我们专注应用方面的人，依靠得是代码说话。虽然我今天丝毫没有提到技术的实现和细节，但我想看了我代码的大家，都已经感受到了我的万语千言。”
　　
　　台下的不少程序员闻言马上开始起哄，口哨声和呼声此起彼伏。
　　
　　“我的梦想是自己的技术可以广泛地应用到世界各地，让AI智能就如空气一般，每个人都无法缺少，但在生活当中却又很少会注意到它们的存在。
　　
　　至于AI的理论研究和探索，可能就要拜托韩辞和大家了。”
　　
　　这一番话还算是谦逊得体，意料之中地迎来全场的掌声。
　　
　　台下诸人又再分别向两人问了一些问题之后，会议的主要流程也算是走完。
　　
　　除了公开询问的问题，不少人也有很多私下里才方便的问的事情要询问两人。
　　
　　于是乎，在场的不少人就自然而然地分成了应用与理论两个派别。
　　
　　一派以科技巨头，例如杰夫为首，围在孟繁岐周边讨论他出色成果的应用场景，市场潜力还有落地难点。
　　
　　而另一派则以牛津大学的几位老学究为首，一群理论派，表情严肃，正在严谨地讨论一些设想和它们的理论证明。
　　
　　以会场中心的走廊为分界线，一群人在左，一群人在右。
　　
　　倒是一幅意外有趣的画面。