“你们先过来看这个。”
岑言把平板放在茶几上。
利昂和卢卡斯凑过去看了一眼，瞬间愣住了。
《Attention Is All You Need》
上热榜了？
就连图片文件也出来了？
看这个浏览量和话题度......
嘶，爆了！
那些原本根本不屑于看这篇论文的学者和工程师，在满天飞的争议和抄袭传闻的刺激下，纷纷点开了论文链接。
争议带来了海量关注度。
岑言笑得很开心。
“我们发什么声明？去跟那些水军讲道理吗？我觉得太蠢了，因为他们是拿着钱来黑我们的，讲道理没用，我说过好多次了，不要陷入自证陷阱。”
岑言看着目瞪口呆的利昂和卢卡斯，语调轻松。
“我们一开始不是还在发愁怎么推广论文吗？现在好了，有人花了大价钱，动用了顶级的公关团队，帮我们把论文推到了全世界AI学者的面前。”
岑言嘴角都快笑裂了。
他是真的开心。
“现在看来，其实罗伯特才是我们的恩人。钱是他花的，人是他请的，这铺天盖地的关注度也是他白送给我们的。”
岑言笑了笑。
“啧，以后有机会，真得请他喝杯老京城豆汁儿了，这种从天上掉下来的流量，真舒爽啊。”
“要不说罗伯特才是恩人呢？”
第320章 这对吗？怎么越证越心惊
距离12月的NIPS大会，只剩下最后不到一个月的时间。
算力中心进入了全封闭的冲刺阶段。
无关人员禁止进入，毕竟待在里面的都是牛马。
“boss，滑动窗口注意力机制的优化测试结果出来了，我们用局部注意力替代了全局注意力，只让每个词关注它周围固定大小的窗口内的上下文，不再依赖整个序列。”
利昂汇报道，现在抽点，结果他也没有那么兴奋和激动了。
人忙得有些麻木。
“在同配置下，可以将单句最大处理长度从512一举提升到了2048。”
在自然语言处理领域，模型能够处理的序列长度，直接决定了长篇文档理解能力。
512的长度仅仅够处理几个段落，而2048的长度则意味着逻辑关联的提升。
当然，这还是很少。
“试一试，输出情况吧。”
岑言说道，卢卡斯点头，用新的机器翻译Demo测试了一遍。
他在输入框里随意复制了一长段晦涩难懂的德语学术文献，点击翻译。
几乎没有多少延迟，输出框里流畅地输出语法准确的英文翻译。
“在没有普通笔记本上，本地推理速度并不慢。”
卢卡斯捏着自己下巴思索道。
“看来现在也具备了推向大众消费市场的工程价值。”
“嗯，那就继续推进。”
一边说着，岑言打开自己的工作站。
“用最真实的应用才最有说服力，我们比别人的优势其实就在于泛用性和学习力，用不同的视角来展现优势，更重要。”
白棠推门而入。
今天她不做实验，晨星那边，现在晁远来了能顶上不少，她就接了个小任务过来。
她怀里抱着几个移动硬盘盒，脚步轻快地走到岑言身边。
“岑言，你之前要的数据我全都整理好了。”
白棠把移动硬盘递给岑言。
“这里面是我们过去大半年里，积累的836组实验数据，包括不同扭转角度、不同层间距下的原子坐标和受力情况，全都按照你要求的张量格式清洗过了。”
“辛苦你了，糖糖。”
岑言接过硬盘，载入工作站。
对于语言模型来说，很重要的一点就是在于模型的数据和案例，数据量很重要。
训练的样本会决定最后输出的质量。
“准备开始测试了。”
岑言保持专注。
10分钟后。
第一组魔角石墨烯的晶格弛豫结果和能带结构预测图，在屏幕上渲染成型。
随着时间的推移，第二组、第三组......
岑言核对数据。
“模型预测出来的层间耦合能量，误差不到2%，目前来讲，不足以投入实用，但存在可以推进的应用前景。”
岑言思考着说道。
“如果确实能够继续推进的话，那原本需要耗费很多时间的新材料物理性质预测，那我们现在短时间就能得到大致的结果方向。”
这并非意味着他们就能掀翻传统材料计算科学的桌子。
而更像是给一个指引方向。
如果原本前进的道路方向感是50%。
而最终想要得到正确结果的方向感是100%。
那他们现在做的就是把这个道路方向感缩到95%以上。
“很好，再优化优化，就能当在NIPS专题讨论会上展示的跨学科应用案例。”
有了这个演示案例。
巴塞罗那之行，岑言已立于不败之地。
而在算力中心外。
舆论并没有削减半分。
因为罗伯特那边还在加码，可岑言这边没有任何回应，就连媒体想来找采访，都找不到人在哪。
舆论也就只能持续发酵。
罗伯特原本试图通过知名专家发差评、造谣抄袭谷歌来抹黑《Attention Is All You Need》这篇论文和岑言团队。
其实就是再次用上对待晁远的方式。
他买通的水军确实在初期制造了大量负面舆论，把他们推上了风口浪尖。
然而，罗伯特犯了一个致命的错误。
这依旧是他们作为资本的傲慢。
他低估了大众的判断力，也低估了互联网时代信息传播的自净能力。
当数以万计的计算机学者、算法工程师抱着乐子人的心态，去阅览了这篇论文后，事情的走向脱离了罗伯特的掌控。
一开始，还有人在社媒上跟风嘲讽。
但仅仅过了三天。
那些真正读懂论文核心逻辑的学者们，他们被这篇论文里所展现的东西感染了。
因为但凡是这个专业方向的人。
在真正深入学习和尝试这一方向后，不可能不会有表达欲。
他们甚至更加期待成年他们能掏出什么样实际应用的产品。
网上开始涌现出大量科普媒体自来水。
一位拥有百万粉丝的硅谷知名AI技术博主连夜制作了一期长达四十分钟的视频，发表到了YouTube上。
他在视频里满脸兴奋，语速飞快，用一块白板，一根笔，一边画着漫画，一边讲着故事，竟然真把Transformer架构给讲明白了。
“伙计们，这简直是魔法。”
博主在视频里指着白板上的多头注意力机制模块。
“岑言团队直接干掉了一直困扰我们的序列依赖问题，抛弃了循环和卷积！全靠注意力！这意味着什么？这意味着你可以把所有的数据同时塞进GPU里并行计算！那些说这篇文章没有落地价值的，简直是我见过最蠢的人！”
不得不说，老外的攻击性还是强的。
而这样多形式的技术拆解视频和文章，犹如雨后春笋般冒了出来。
越来越多的人意识到这项技术的潜力。
全球的人工智能实验室，你别管顶尖不顶尖，他们都选择了将这篇论文列为接下来的核心研究课题。
大家都想搞明白，这到底是什么。
而真正在产业上有行动。
是那些科技巨头。
谷歌控股集团Alphabetq旗下的DeepMind伦敦总部。
DeepMind团队的大会议室里，大屏幕上，赫然显示着岑言那篇论文。
他们很少开这种大会。
一旦开，就是有大事。
“各位，我们必须正视现实。”
肖恩·里格表情严肃，他是DeepMind的首席科学家，也是联合创始人，负责统领全体基础科研体系。
“根据我们过去三天的初步复现测试，这篇论文中提到的未来，是真实存在的。”
会议室里可都是各个基础研究组的leader和技术大拿，他们的问题很敏锐。
“他们怎么解决长距离依赖的梯度消失问题的？”