阅读提示：为防止内容获取不全，请勿使用浏览器阅读模式。
无论如何，易科的Q3财报在这个月十五号都要出炉了。
尽管心里已经有预期，但亲自走入暴风雨中的陆奇还是心神不宁，也免不了在心中自嘲，看客与当事人的感受终究不同，这份压力还是受着了。
11月2日，上午11点，陆奇开完会接到了秘书的通知，方总中午请客。
等他抵达小食堂，听到正在放着的音乐是《AllYouNeedIsLove》便不禁微微一笑，那篇由谷歌发布《AttentionIsAllYouNeed》的名字就是来自披头士的这首歌。
陆奇与埃尔德、吴恩达打了招呼，没聊几句就转入了深度学习DL的话题，也就立即打起精神，讲述自己更多的想法。
这两位在易科都不简单，一位总领研发范畴的事务，一位是深度学习的主要负责人，虽说自己算是空降组建深度学习事业部，但资源的分配和使用也需要相互的沟通。
陆奇能在微软做到高位，自然不会轻视人事工作。
“谷歌那边把自注意力机制的模型在论文里命名为Transformer，我问了问，他们内部是在开发新的NLP模型了。”吴恩达谈到上次业界探讨后的变化。
吴恩达之前是斯坦福的副教授和人工智能实验室主任，而在加入易科前就在谷歌负责相关工作，与那边的研究交流没有中断，上次的激辩同样给他带来不少灵感。
陆奇点点头，也说着自己掌握的消息：“业界对于Transformer的表现很认可，像去年成立的OpenAI，他们现在也在着手研发一款以Transformer为核心的大模型，干脆直接以它命名，叫GPT，GenerativePre-trainedTransformer。”
OpenAI是一家去年成立的公司，有不少领域内知名的人物参与。
方卓这时候简单总结道：“难道谷歌的这个Transformer真就能超过RNN和CNN了？我们在这两方面已经投入很多了。”
RNN是循环神经网络，CNN是卷积神经网络，易科的Siri是基于前者，太白则是基于后者。
同样，业界在人工智能领域的研究也主要是这两个方向以及它们的变体，RNN能处理序列数据中的时间依赖性而广泛应用于自然语言处理任务，CNN则因为它在图像识别和处理中的出色表现，成为计算机视觉领域的基石。
像易科的机器人Guard就使用了CNN在视觉方面的成果。
但现在，诞生于一场激辩中的第三个方向竟然隐隐有取代RNN和CNN的趋势，这无疑会削弱易科在相关领域研究的优势。
陆奇听到方总这样说，保持沉默，埃尔德也不出声。
反倒是吴恩达笑了起来：“方总，在科学研究上，方向错了，越努力就距离成功越远，这一点从我最开始做科研就已经被事实教育过，RNN在处理长序列时遇到了梯度消失和爆炸的问题，这一点的突破一直很艰难。”
“现在，Transformer模型有希望解决这个问题，并且已经表明它的并行处理能力和更高效的训练特性，这就应该按照对的来。”
“我们投入的资源和精力并不能左右科学的正确答案。”
“答案就在那，我们只是用各种各样的方式发现角落里的它。”
“况且，RNN与CNN仍旧会在特定的场景下发挥作用。”
吴恩达不管是不是方总在试探自己的想法，先表明在科研上的立场。
方卓微微点头，沉吟道：“其实，不瞒你们，陆总的到来给我很多新的思考，你们今天说的这个Trans
former，谷歌在做，OpenAI在做，好像大家一下子又认为这个方向可以创造
本章未完，请点击下一页继续阅读》》