已經成名的孟繁岐，如今在研發技術又或者是寫作論文的時候，是否具備理論解釋已經不在考慮的範圍當中。
在這個比較特殊的領域，算法的實際效果和應用範圍才是他關注的重點。
雖然學界接受這一現象可能還需要一定的時間。
但這已經不是孟繁岐關心的事情了，在人工智能技術上麵，他一直都是實踐派。
結構重參數化雖然在數學上反直覺，但實際的效果確實相當驚豔。
它的主要提升來自兩方麵，一當然是分支合並帶來的提升，原本複雜的支路在推理的時候被合並了起來，節約了計算量。
二卻是來自一般人想不到的性能提升。
結構的重參數化，既然可以合並複雜分支，那為什麼不在訓練的時候，把分支設計得更加複雜一點呢？
反正最後都可以合並起來。
遵循這個思路，重參數化還允許相同的最終結構，通過複雜訓練的方式獲得更高的性能。
作為最終的結果，重參數化在輕量級網絡上，大概取得了18倍左右的速度提升。
這個數字看起來沒有先前89倍那麼誇張，但這是在已經優化的高速網絡上取得的結果。
在已經優化得很好的結果之上，繼續優化的難度當然是更大的，同樣是一秒鐘的速度提升，後麵的那一秒含金量當然不可與前麵的同日而語。
就像是百米長跑，原本隻能30秒跑完，提升一秒沒什麼大不了的。
可若是你能跑到10秒左右，再快一秒那可就不得了了，博爾特看了都得給你跪下。
博爾特跪不跪下不知道，馬斯克確實是差點跪下了。
他上次與孟繁岐的溝通，一定程度上算是雞同鴨講。
從相當程度上，他隻是在單純客觀地分析一個現實情況，那就是目前的模型計算量，對特斯拉來說很難負擔。
後來特斯拉初版的自動駕駛還是使用了傳感器，就是因為計算量負擔不起，馬斯克也不得不向現實低頭。
如果要說他原本的計劃，其實是打算從硬件方麵解決這個問題的，沒有指望孟繁岐能夠繼續優化。
麵對已經比較誇張的提升，馬斯克怎麼也想不到，還能有什麼手段可以繼續簡化模型的結構。
可偏偏孟繁岐就做到了，而且一共也沒用到多久的時間。
不僅精簡了計算量，甚至還刪掉了網絡的分支，現在連內存容量也給他省了下來。
“我我不得不說，我被你的技術實力所折服，這讓我太驚訝了。”視頻當中，馬斯克罕見地露出了笑容，言語之間稍微有一些口吃。
私底下，他是個沒那麼外向的人，說話的時候，如果有強烈的情緒，經常會有些口吃反複的現象。
“我原本隻是在進行分析，確認當前的主要難點到底在哪裡，完全沒有想過你把它當成了一個任務，並且完成得這麼好。”
“我還以為那是來自鋼鐵俠的高要求呢。”孟繁岐聽到這裡最開始兩眼一黑，敢情自己自作多情了。
但早些繼續推動網絡的輕量化倒也不是壞事，一方麵能加速人工智能技術落地，另一方麵也會轉移大家的視線，使得業界專注於小模型，而不大會發現大模型的威力。
“並且，如果你想要打造純視覺自動駕駛係統，優化得再好的小模型也隻是門檻中的門檻罷了，距離成型還差很遠。”
孟繁岐這話倒也不是危言聳聽，目前他為特斯拉打造的骨乾網絡，也隻是儘量減小他們的計算成本罷了。