除去孟繁岐在華國時推行的人臉識別方法已經(jīng)大行其道，最近他在醫(yī)療影像診斷分析領域的一系列工作，其實也已經(jīng)在加州的圈子里率先展開了試用。

    那句話怎么說來著，【獲得了幾百名教授一致通過】。

    尤其是灣區(qū)附近兩所最頂級的高校，斯坦福和伯克利兩個派系。由于他們在人工智能比較沒落的時候仍舊堅持研究，因而也對這些遲到的果實感到格外珍惜。

    斯坦福腫瘤方向的教授劉勇使用了這系列算法之后，感到十分驚奇，這電腦明明一兩年前才剛剛學會分辨什么是貓，怎么現(xiàn)在突然就這么生猛了？

    尤其是比較難一點的病癥，自己帶的幾個學生分辨起來一看就是十幾二十分鐘，這東西倒好，幾秒鐘就能給出一個答復。

    為此，他私下里和孟繁岐聊過兩三次，大概了解了原理，也為他協(xié)調提供了不少數(shù)據(jù)作為支持。

    有一次，劉勇教授向孟繁岐詢問道：“既然人工智能已經(jīng)可以對圖片中病變的種類，區(qū)域和輪廓都做出如此準確的分析判斷，那能不能幫忙把醫(yī)囑或者文字分析也給寫了？”

    孟繁岐聽完頓時語塞，沒想到劉教授接受新事物的速度還挺快，已經(jīng)做上白日夢了這是。

    他只得實話告訴劉教授，別說語言和圖像的結合的多模態(tài)了，目前語言模型本身都仍舊是一個相對急需突破的領域。

    想要實現(xiàn)他需求的功能，恐怕還得幾年。

    斯坦福的其他醫(yī)學教授，比如杰佛雷主任等人則非?？春妹戏贬柗╢old項目，尤其是杰佛雷，他曾經(jīng)擔任二十多個臨床藥物研究的首席調查員，因而非常能夠理解這種蛋白質分析能力的價值。

    杰佛雷是個大腦門，有點胖乎乎的中年男子，滿面紅光，對待學生十分熱情。

    在得知孟繁岐的阿爾法fold項目很是缺乏高質量的蛋白質數(shù)據(jù)之后，也非常積極踴躍地提供了協(xié)助。

    總體來說，斯坦福醫(yī)學派系對本校學生的的突破相當熱情，借助著加州這兩所頂級高校的影響力，孟繁岐的成果正在慢慢地向外輻射。

    只不過大量數(shù)據(jù)的準備，并不是區(qū)區(qū)幾天就可以有顯著成效的。

    即便加州相關方面的教授集體支持，積累數(shù)據(jù)的速度仍舊遠遠要比孟繁岐所想的慢不少。

    阿爾法fold項目的正式開啟時間，至少要往后延一到兩個月。

    因而在開學前的這段時間，孟繁岐的蛋白質分析大計不得不進入了一段時間的停滯期。

    “技術提的太快，就是會碰到這種問題。”孟繁岐有些無可奈何，別說很多領域還來不及接受和消化自己做出的能力提升。

    這些地方原本積累的那點數(shù)據(jù)在新的技術面前，完全不夠看，數(shù)量實在太少了。

    即便他們能夠及時調轉車頭，開始進行優(yōu)質數(shù)據(jù)的積累和標注，肯定也是要一段時間的。

    數(shù)據(jù)跟不上，孟繁岐即便理論再好，卻也難做出足夠好的效果，不足以讓人信服。

    “我也算是搞了好個月的應用技術了，現(xiàn)在數(shù)據(jù)上要等一兩個月，看來是時候做點基礎工作，為以后鋪墊了?！?br/>
    時隔多月，孟繁岐也算是終于被迫靜下心來，有了足夠的時間做一些基礎的理論方法，而不是急于做產(chǎn)品又或者是變現(xiàn)。

    畢竟，往后的技術不管是AI生成語音，圖像還是文本，目前的這些技術理論還有不小的缺陷和問題。

    他計劃最近開發(fā)的，便是后來非?；馃岬囊豢顖D片生成技術，StableDiffusion的基礎部件，diffusion原理。

    這是后來許多優(yōu)質生成技術的基石，非常適合現(xiàn)在做準備。

    擴散(diffusion)模型，這個比較不明覺厲的名詞，雖然后來知曉原理的人很少，但很多人卻都聽過這個名詞多次。

    從AI繪圖軟件生成的作品打敗一眾人類藝術家，斬獲數(shù)字藝術類冠軍，到后來Midjourney，、Imagen、novelai等國內外平臺遍地開花。

    越來越多的人都曾點開過相關網(wǎng)站，嘗試讓AI描繪腦海中的畫面，又或者是進行局部的修改調整。

    有以文生圖，各種神秘咒語召喚古神的，也有以圖生圖，鬧出各種神奇笑話的。

    2022年，AI繪畫，AI生成圖像，在短短幾個月內數(shù)次進步。

    每一次的進展突破都帶了了肉眼可見的提升，遠超人類的想象。

    就在22年年關左右的時候，大家都還在嘲笑AI繪圖是什么東西，實在太過丑陋了。

    結果三個月后就發(fā)現(xiàn)事情似乎沒有那么簡單，AI開始大量產(chǎn)出各種波濤胸涌的繪圖，這吸引了相當一部分人們的注意力。

    那時不少人還在開玩笑說，雖然AI畫得不行，但你真別說，它對題材的把握還是非常不錯的嘛！水平不夠，題材來湊。

    等再過三四個月，到22年底的時候，AI繪畫的水平和能力已經(jīng)無人再去爭議了。

    這回大家主要爭論的點又變了，變成了AI繪圖究竟是不是抄襲，AI水平和畫師究竟誰更強。

    拋開到底誰更強這件說不清的事不談，單從大家爭論的這些內容就能看出，AI繪畫的能力確實進步得非常之快。

    “平心而論，在AI生成這件事情上，GAN生成式方法是讓大家走了彎路的。”

    雖然孟繁岐的GAN生成式辦法在學界廣受好評，建立起了很高的學術聲譽和知名度，F(xiàn)aceGAN的假臉生成效果也頗為驚艷，但最終真正讓AI制圖火起來的還是擴散模型。

    “GAN辦法生成對抗的模式固然讓人感到驚為天人，但兩個網(wǎng)絡彼此對抗學習，畢竟還是非常麻煩的事情?！泵戏贬尖饬艘幌?，現(xiàn)在的大難題，數(shù)據(jù)是一方面，計算設備則是另一方面。

    本來自己提前發(fā)布技術，顯卡就已經(jīng)很不夠用了。目前用GAN去針對某一個特定的事物，比如FaceGAN只做人臉還是比較可以的，但想要從文本直接生成，那難度可就大了。

    擴散模型的原理其實并不難，主要是通過對照片添加噪聲，然后在這個過程中學習到當前圖片的各種特征。之后再隨機生成一個服從高斯分布的噪聲圖片，然后一步一步的減少噪聲直到生成預期圖片。

    代碼寫起來不是那么困難，不過若是寫成論文，琢磨其中的原理，那里面的數(shù)理邏輯和推導，夠孟繁岐喝一壺的。

    “數(shù)學這方面....這兩天找韓辭和付院長他們幫幫忙吧，好久沒怎么跟他們聯(lián)絡了?；蛘咭部梢哉埿令D和李飛飛指點一下，這兩位都算是我的導師?！鄙婕皵?shù)學問題，找數(shù)學專業(yè)人才自然放心。

    李飛飛和辛頓雖然不是數(shù)學出身，但李飛飛有物理背景，辛頓更是領域內教父，兩者在這方面實力想必也很強。

    新建了文件夾，孟繁岐剛準備開始工作，卻隱約感覺哪里不對，自己好像遺忘了什么事情。

    半晌才想起來，自己的倒霉室友唐璜今天要到斯坦福附近來。

    “這大半年過的，差點忘記我自己還是個學生了?！?br/>
    高強度研發(fā)了三四個月的孟繁岐，感覺時間好像已經(jīng)過去了一年多。

    正好唐璜來了，就給自己放幾天假吧，來了也有幾周了，卻一直沒有好好逛過斯坦福的校園。

    ，