“来我这里读怎么样？让你直接从本科最后一年开始，毕业了直博，给你全奖。”

    李飞飞坐在韩辞的位置上，开始和孟繁岐搭话。

    “哈哈哈，全奖倒不是关键，我主要担心后面几年我可能没多少时间在学校。”孟繁岐笑道，斯坦福的学费不便宜，一年大约五六万美金，算上生活住宿费用，一年得要七八万美金。

    对于普通学生来说，这是一笔天价费用，不少美国学生都需要借助学贷款，直到工作数年之后还有大量额度没有还清。

    但几十万美金对孟繁岐来说，已经是可以忽略不计的数字了。

    光是这几天白度股票涨幅带来的收益，就已经差不多超过五十万美金。

    说起这部分股票，孟繁岐准备过几天就开始缓步分批出掉这些股份，在美股寻找一些有潜力的公司投资。

    并且他已经与柳秘书联络过，把李彦弘那里预支的第二笔，共计一千八百万元打在了国内的账户上。

    因为他突然想起，在目前这个时间点，似乎在国内还有笔钱可以白捡，而且是最后的窗口期。

    那就是米忽悠，这个后来价值千亿的公司目前似乎还没有看到曙光。

    “这个月中先去尚海走一趟吧。”孟繁岐并不记得几个非AI公司的情况，重生前很少关注这方面。

    但米忽悠的经历着实还是比较离奇的，值得他走之前专门跑一趟尚海。

    “不在学校也不要紧，哪里做研究不是做研究？”先不说李飞飞本身也跟谷歌联系甚密，如果学生自己能产出这样质量的学术成果，做导师的哪里还管那么多？

    “这么好？”孟繁岐其实也就是象征性读一个学位出来，没太把这件事放在心上。

    这么多论文反正都要发，成果都要做，何不顺带拿个学位？

    只要导师管的少就行，不指望导师提供多少指导和资源。

    抛开他本身的独特优势，他此时也已经有了辛顿的指引和谷歌的资源，在这方面的条件基本上封顶了。

    李飞飞显然也很清楚这一点，主打的就是一个宽松自由加优惠，“你直接来读本科最后一年，先把学分修了。毕业之后直接来我这里挂着读，文章就和谷歌合作直接出好了。”

    不仅李飞飞本人和谷歌联系千丝万缕，17年更是直接正式担任过谷歌的副总裁，主要负责AI研究和与云系列产品的融合。

    就连谷歌的两位主要创始人，谢尔盖·布林和拉里·佩奇，均为斯坦福的计算机科学博士生。

    所以对斯坦福谷歌双方来说，孟繁岐一边在谷歌打工研究，一边在斯坦福读这些个学位，大家一家人不用分得那么清楚。

    这也是孟繁岐点名斯坦福的主要原因。

    “那就说好了？”在孟繁岐的角度，李飞飞是一个很不错的选择。

    首先，她是移民华裔，对华国人也相当照顾。比如后来成为阿狸VP的贾扬清，在斯坦福的时候虽然不是李飞飞的学生，但也被其多次督促学习。

    虽然目前地位还没有那么高，但后来是美国三院院士，在斯坦福AI圈内算得上第一流导师。

    其次，她跟《自然》《美国国家科学院院刊》等顶级杂志，以及视觉三大顶级会议等组织的关系很不错，她的ImAGENET赛事经常在顶会上举办。

    与她合作，自己的成果发布起来会轻松不少。凭借自己的成果质量，基本上几个会议的奖项可以说是预订了。

    最后，她在谷歌的影响力，会一定程度上使得自己的成果更容易推动，乃至具体分成和其他的谷歌内部事情都会更加顺利一些。

    在会场直接谋求入学斯坦福是孟繁岐之前就想好了的事情，因此他早就备好了纸质的简历和研究计划书等内容，甚至还包括辛顿帮忙写的推荐信。

    可以说是非常有备无患了，辛顿也只得扼腕叹息，为何自己所在的学校偏偏远在加拿大，果然还是近水楼台先得月。

    此时，台上的韩辞手忙脚乱了一番之后，开始了自己的展示部分。

    “到目前为止，AI相关的学科发展，已经彻底改变了人们过去对AI的认识。孟的残差思想在许多图像任务上取得了令人叹为观止的成就。

    比如比人类更精确地识别图片，又或者直接凭空生成完全不存在的图像。而这些了不起的成就，主要是通过求解的方式来完成。

    例如，对于任一图像问题，我们感兴趣的是从图片到具体意义的映射函数，比如图像到它的内容的类别。

    目前惯常的训练做法是，基于一个有限的数据，给出目标函数的一个高效逼近。又或者是利用没有标签的有限样本，逼近采用背后的未知概率。”

    “神经网络的基本组成部分即为：线性变换与一维非线性变换。深度神经网络，一般就是上述结构的反复复合。

    对于已经构建的网络，设计一个最优化问题，根据经验误差去拟合数据，有时加上一些正则化项，并求解该优化问题。”

    韩辞的幻灯片上开始展示密密麻麻的一些公式，“由此，我们便可以把误差分解成三部分，逼近误差完全由假设空间的选取所决定，估计误差由数据集的大小和质量而带来的额外误差，以及优化误差，这是由优化，或者说训练带来的额外误差。”

    虽然之前已经大概了解了韩辞在这方面的想法，但在如此正式的场合，看到她有些紧张却仍旧十分自信的展示这些专业高深的内容。

    孟繁岐还是相当敬佩的。

    这里面的不少结论都是后来世人熟知的，不过大都是通过大量的实验观察，总结归纳出的一些经验性结论。

    虽然今生，孟繁岐将会在诸多AI应用领域开天辟地，可内在的数理证明，终将是他两辈子都无法越过的鸿沟。

    对那些可以做到这些事情的人，人们难免会另眼相待。

    而此时此刻，会场当中，看好韩辞的并不只是懵懵懂懂觉得厉害的孟繁岐。

    以辛顿为首的学院派，比如牛津团队的几位老教授，眼中满是赞许的目光。

    这个待遇是连孟繁岐刚刚也没有的。

    “可能这就是老学究们对于理论的偏爱吧。”孟繁岐笑着摇了摇头，自己这个做AI应用技术的，可能永远没有办法获得这几个怪老头的如此偏爱。