“好小子，人工智能讓不讓普通人失業不好說，這樣下去，ai研究人員差不多都快失業了。”
李彥弘的觀察沒錯，孟繁岐此次野心甚大。
其實在做殘差網絡的時候，孟繁岐就可以這樣做的。
他完全可以利用殘差網絡的先進性，直接刷爆各種圖像類的下遊任務，從分類、分割、檢測再到超分之類的，榜單統統洗它們一遍。
不過那個時候，設備和人手不夠，圖像領域的總體來說已經被深度網絡統治，孟繁岐便沒有這麼做，隻是發表了三大主流任務的奠基做法，給大家留了很多飯吃。
但目前的語言語音領域，還處於比較魚龍混雜的階段，各路方法爭奇鬥豔。
加上既然已經加入穀歌，這麼好的資源怎麼可以不加以利用呢？
若有著這麼好的條件，仍舊是隻在一個方向上發布t方法，未免顯得太過稀鬆平常了一些，哪裡對得起正在觀看直播的上億人？
孟繁岐勢要把這幾個主流的任務方向都給奠定一個算法的基調，這才肯罷休。
“接下來，情感分析，是文本處理領域的一項重要任務，它可以幫助人類分析一個句子或段落中的情緒和情感。t方法可以很好地應用於情感分析任務中，因為它能夠通過在文本中學習有關情感的模式和特征來對未見過的文本內容進行情緒上的分類。”
又是一串圖表，來對比當今世界上最佳的辦法，t方法再次遙遙領先。
此時觀看直播的研究人員基本上已經麻木了。
尤其是原本在做自然語言和語音方向的。
孟繁岐這麼一發布，不知道多少人做到一半的東西就可以直接丟進垃圾桶了。
性能指標差了一大截，方法的創意性上也遠遠不如。
“文本摘要！t方法同樣可以用於文本摘要任務，其中模型的輸入是一篇文本，輸出則是該文本的主要內容主旨。這對於需要快速了解文章內容的人來說非常用，例如新聞編輯人員或者其他讀者。不過目前對文本的長度還有所限製。”
幾千上萬字的文章，一兩分鐘為你總結，這是t方法得天獨厚的能力。傳統網絡完全無法跨如此長的距離對整體的內容進行分析和理解。
“文本分類！文本分類是將給定文本歸類到不同的類彆或標簽中的過程，例如文本內容是否涉及體育、娛樂、科技等特定領域，是否包含某些關鍵的內容。這對t方法來說，更是不在話下，它可以輕鬆捕獲文本中的關鍵詞，將對於的文本歸於相關的類彆當中。”這種方法對爬蟲和數據收集非常友好，可以用以將大量的雜亂文本分門彆類。
“命名實體識彆！在長文本當中，識彆出分彆代表人名、地名、組織名稱、時間、日期等實體信息，抓取這些特定的屬性也是一種常見的需求。”
孟繁岐每提及一項任務，背後都會有對應的對比圖表出現，數據和實驗結果詳實，令人驚歎。
這些都是穀歌在類似任務上的大量積累導致的，在這些方向上經年累月的投入，環境和流程非常成熟，使得孟繁岐在t方法構建出來之後，可以迅速地加入這些流程當中去迭代實驗。
輔以各路同事的幫助，加上上千張最新款的泰坦z，實驗速度大大加快。
倘若讓孟繁岐自己做完這些實驗，至少也得埋頭做到今年年底才行，絕不可能此時就已經得出結果。
“求求了，我孫咲川求求你彆再發布了！這樣下去兄弟們馬上畢不了業了呀”最開始的時候，自然語言和語音領域的ai研究者們是很期待孟繁岐加入進來的。
畢竟孟繁岐在圖像領域的這大半年，妙計頻出，使得整個領域那是欣欣向榮。
當然了，最最關鍵的還是老大難的落地問題被解決了，去年yolo係列讓白度賺了好大一筆。年初人臉係列也已經全麵開始落地。
技術能落地，才會有資本青睞，搞這方麵技術的人當然身價也會水漲船高。
目前為止，在人工智能領域堅持了好幾年的人，在早些時候都曾經被人說過，類似於“這個領域沒什麼前途”，“根本賺不到錢的”之類的話。
可現在，yolo係列和人臉係列大規模投入使用，視覺算法背景的人才薪資待遇那是原地起飛。