下午两点，余江的场。
在前一位还在报告时，他便走到了讲台旁，把论文的几页关键内容重新看了一遍，框架图、实验结果对比表、核心公式推导。确认没有遗漏之后，他把稿子握起，双手背在身后。
前面那个人讲的也是神经网络相关的内容，但思路和他完全不同，余江含笑听着，便又是朝着台下的前排看了一眼。
正好他看到辛顿老爷子也朝他看来，并给了他一个鼓励的眼神。
余江呵呵一笑。
他的论文，自然也早就放在了av上，而且早就在小范围内引发了讨论和复现——现在还在搞神经网络的圈子本来也小。
是以，今天绝大多数人，都冲着他而来。
前一位的报告终于结束，余江走上前台。
“大家好，长期以来，神经网络都面临几大难题，譬如反向传播算法在多层网络中传递误差时，因 m/tanh等激活函数饱和特性，导致深层梯度趋近于零，无法有效更新浅层参数，深层网络几乎不可训练……”
“又譬如算力硬件限制，集群训练效率低下。”
“又譬如实用性不足……”
余江没有看稿，而是直接从问题出发，道出了神经网络现在的困境。
台下众人都认真地看着他。
“长期的学习过程中，我总结出一个经验，那就是：有问题，我们就解决问题。所以，便有了这篇bn论文。”
余江说完安静了两秒，开始讲述起论文来。
场下众人一直安静地听着，直到他翻完最后一页。
……
“请问，框架在非监督学习场景下的表现如何？”
第一个提问的是一个年轻的研究者，问的是训练框架表现。
“表现很好，而且我们已经进行了框架的多次迭代和优化，目前项目已经开源。”余江冲着对方点了点头。
对方也友好地点了点头：“那这个框架的未来方向如何呢？”
余江看着他，笑了笑：“我认为这种结构化的概率框架和深度架构的结合，会是未来五年最重要的方向之一，现在大家还在摸索，但我相信这条路走通。”
那人也笑着点头，没有继续追问。
接下来又有几人提出了问题，余江都一一作答。
最后，辛顿老爷子举起手来。
余江看着对方，轻轻咳了一声。
“bn看起来前景很美好，但是目前算力实在无法满足，我们总不能每个实验室都准备一台超算吧？”
辛顿的话音落下，台下发出一阵轻轻的笑声。
论文中，除了超算，最低要求的设备都是工作站……
