第178章 豪华团队

如遇到章节错误，请关闭浏览器的阅读/畅读/小说模式并且关闭广告屏蔽过滤功能，稍后尝试刷新。

第178章 豪华团队

周昀一时间有些懵逼，虽说他也早就觉得自己可以毕业了，但是以他现在的身份，毕业不毕业对他来说也就是那一纸文凭罢了，所以他对於毕业的事情也不怎么著急，不过现在看来，老师倒是比他更加著急。

“提前答辩吗？我都行啊，不过我才刚读博士没到一年，会有什么问题吗？”

邓永华听著周昀的话，忍不住在电话那头失笑：“问题？最大的问题就是你自己不上心，別人读博掰著手指头算毕业日期，你倒好，还得我们这些老师反过来催你。”

他语气带著调侃，但隨即转为认真：“学术界年龄向来不是问题，关键在於成果，而你的成果非常扎实，学校有破格选拔的规定，就是为这种情况准备的，你师公亲自点头，院里一路绿灯，程序上你完全不用担心。”

周昀在电话这头挠了挠头，实话实说：“老师，我倒不是担心程序，我是觉得现在手头项目刚刚有点起色，千头万绪，我怕分散太多精力，而且，说实话，”他顿了顿，“那张文凭，对我现在做的事情，影响好像不大。”

“哎，周昀啊周昀，你技术上的头脑是一流的，怎么有时候在这事上就转不过弯来？”

他耐心解释道：“是，以你现在的贡献和能力，在李主任那边，在项目里，有没有博士学位，確实不影响你干活，但你想过没有？未来呢？等到项目要推向全国，需要你站到更前台去讲解、

去协调更多资源的时候？

或者，当某些场合需要论资排辈、需要拿个名分才能镇住场子的时候？那一纸文凭，它不仅仅是一张纸，它是一个通行证，是一个能让很多不必要的麻烦自动消失的底气。”

邓永华语重心长：“把它拿到手，是把你应得的东西落到实处，是给你自己，也是给一直支持你的人，减去许多未来的潜在麻烦。这叫名正言顺，懂吗？”

周昀沉默了片刻，他明白导师的意思。他可以不看重，但这个体系认这个。

提前拿到博士学位，能让他更专注於事情本身，减少许多无谓的质疑和阻力。

“我明白了，老师，我马上去准备。”本来他还想著毕业论文就隨便找几个做过的工作拼凑一下就好，毕竟他的一些工作有些虽然没发到知名会议或者期刊上，但质量也都是有保证的，作为他的毕业论文绰绰有余，不过邓永华的一番话让他改变了一些想法。

听到学生终於转过弯来，邓永华语气缓和了：“这就对了，写好初稿后发给我看一下，论文答辩，对你来说，难度不大，正常写就好了。”

“好的，老师，我会儘快弄好，不过项目这边，正是最关键的时候，所以答辩时间我看看后面的安排再给您一个答覆。”

“好，时间上会协调好，不会让你难做的。”

“嗯，谢谢老师。”

掛断电话，周昀看著窗外，微微呼出一口气，好吧，看来在工作之余还要搞一搞他的毕业论文，不过写论文相比於做项目，对现在的周昀来说前者更像是放鬆。

隨后，周昀將今天的工作整理了一下，便靠在椅背上，开始思考这次毕业论文的选题，闭目沉思了片刻，他打开一个空白的文档，敲下一行標题。

《ndn的轻量化与可扩展性研究：从理论到生態构建》，虽然他的ndn已经出来不短的时间了，但是因为其上手难度相较於之前的attention更复杂，还需要受制於aetos平台，所以发展起来也相对缓慢，所有突破性的进展几乎都是靠著周昀和他在学校实验室的几个成员来完成的。

所以这次，他打算將ndn降低一些，让更多人都能了解它，使用它，只有这样，其生態才能越来越好。

ndn架构自提出以来，以其仿生的动態结构演化能力和在复杂任务中展现出的卓越適应性与组合泛化潜力，引起了学术界的广泛关注，但是相较於此前如transformer等即插即用”的架构，ndn在实际推广中面临著显著的挑战，其一，理论门槛高，其核心概念对研究者构成了较高的认知负荷：

其二，实现依赖强，高效的ndn实现严重依赖aetos等特定高性能计算平台，限制了其普及；

其三，生態工具链缺失，缺乏易於上手的训练框架、调试工具和预训练模型，导致研究与应用成本高昂。

aetos相关的部分现在已经在抓紧追赶了，但是像这样庞大的工程，终究是需要时间的。

所以周昀的论文的核心构想，围绕“降维”与“赋能”两个主轴展开，首先是提出轻量级ndn核心—lite—ndncore，他计划定义一套精简但完备的ndn操作原语，將复杂的动態生长过程封装为几个直观的“生长策略”模块。如“基於梯度的局部生长”、“基於注意力的全局连接”

研究者无需理解底层所有数学细节，即可通过组合这些模块快速搭建实验模型。

同时引入静態—动態混合架构，针对某些对计算效率要求极高的子任务，他计划探索一种混合模式，即模型主体部分仍保持静態以保障效率，仅在关键的、需要適应性的部分引入ndn动態模块，这也算是给广大学者们一个过渡的选择。

第二设计ndn虚擬中间表示—ndn—vir，他计划设计一种独立於aetos平台的中间表示层，將ndn的动態计算图翻译成標准运算符的组合，这使得ndn模型理论上可以在pytorch、tensorflow等主流框架上进行训练和推理，打破了平台枷锁，当然，其训练效率肯定和aetos有差別。

最后一个就是计划开发一个配套的可视化工具，能够直观展示ndn模型的动態生长过程、知识沉积的状態以及各模块的活跃度，这將极大降低理解和调试ndn模型的难度。

並且针对ndn擅长处理的任务特性，他计划整理並开源一套標准评测数据集和自动化评测脚本，为不同ndn变体的公平比较奠定基础。

最后他计划发布一系列在不同基础任务上预训练好的小型ndn模型作为“种子”。

其他研究者可以像使用bert的预训练权重一样，在这些“种子”上进行微调或继续生长，从而大幅降低从零开始训练ndn的成本和时间。