这种拿来主义水文，创新度和工作量不够，价值大部分也很低，一般发不了太好的会议和期刊。
也入不了孟繁岐的眼。
而现在的第二波论文狂潮，则主要是基于孟繁岐指出的道路，创意上稍显不足，但工作量还是有的，值得稍微一翻。
主要思路就是遵循韩辞提出的理论解释，既然你最基础的欧拉前向效果这么好，那我就用更加复杂的形式来实现。
欧拉反向法，二阶中点法，四阶龙格库塔法，线性多步法等等。
“我在西尼会场的时候，将一整个深度网络模型解释为一种高阶多维方程，并将残差网络的训练行为定义为了一种求解方式，看来这个理论很受欢迎啊。”
孟繁岐看着自己挖的大坑这么多人往里跳，不由得笑道。
这个解释实在太合理了，也太符合直觉了。
要解释人工智能模型到底在做什么，有一个非常好的例子，就是进食和消化。
食物在胃中，随着时间变化的消化情况，可以由一个方程来表示，这是未知的函数。
根据这个函数可以计算食物吃下去之后，过任意时间之后，还剩下多少。
而所谓的数据，就是食物吃下去多久之后还剩多少，这部分情报。
这些数据点，每一个都会落在未知的函数上面，如果数据点足够多，就能够无限接近函数本身。
可以说，深度神经网络的训练过程，就类似于随机初始化了一个函数，给你一个x，算出来y`。
通过反复告诉它你算的y`跟实际上的y差了多少，从而让它能够尽量接近那个未知的函数。
所以理论上，只要数据样本足够，就总是能够获得最后想要的结果。
当然了，这是个非常简单情况的例子，实际上在拟合的方程，是人类目前难以实际分析和表达的复杂结构。
不过有一点是肯定的，那就是孟繁岐的残差思想，是通过提高了求解的精度来获得的巨额提升。
这是数值分析当中的概念了，如果把整个网络理解为一种非线性常微分方程，欧拉前向就是一种简单的单步显示迭代办法。
说人话就是，通过近似的迭代模拟，省略了复杂的求解过程。
让计算机直接算百层网络的情况，它算不明白，所以用反复的简单操作来代替。
简单的格式计算求解的准确度当然会差一些，复杂的格式，计算求解精确度会高很多，势必会使得模型的性能更好。
这是个基于理论得出的推断。
因此西尼那次国际计算机视觉大会之后，所有人都认为，孟繁岐不仅做出了突破性的成果，并且还给出了一个可以指引网络变得更好的理论方向。
真是活菩萨啊！
乌泱泱一大批人前赴后继，义无反顾地往这个理论大坑里跳。
然而事情怎么可能会那么简单呢？复杂的格式需要成倍的计算量，这在深度神经网络这个实际上是离散表达的格式中，并不容易转化。
无数的研究者跳进去之后，才发现都说挖坑挖坑，原来这还真是个大坑，费了半天劲勉强做出来的结果，根本和孟繁岐的残差网络性能差不多，有时候甚至更差！
一时间哀嚎遍野。
“你们只管往理论的大坑里面跳，我可不管埋啊！”孟繁岐一边幸灾乐祸一边想着。
他当时在会上发布残差网络的同时着重提了这个理论解释，确实也有三分等着看人跳进坑的恶趣味在里面。
理论特别扎实明白的做法经常不起作用，而像自己的重参数化这样反直觉的办法反而效果绝佳，人工智能这个坑爹领域的事情，谁又能说得清呢？
理论方面的事情，2023年了都还差得远呢，现在哪里搞得明白。
不过，孟繁岐在这方面看得明白，远在燕京的韩辞却是黯然神伤。
当初西尼会场之上，一个实践一个理论，两边的成果都备受瞩目，也算是一段佳话。
可短短两三个月过去，实践派的孟繁岐新的成果层出不穷，频频突破人类水准，阿尔法狗甚至直接约战世界冠军。
而她目前唯一的理论成就，却被证明只能在玩具级的数据上得出符合的结论，稍有一些其他的变量，就不吻合。
其中的委屈，又怎么说得清！