第67章 Q&A
主持人簡短地走了個過場，就輪到了周昀。
他拉了拉衣角，帶著電腦從容上台，會場內的燈光柔和地聚焦在講台上，調整了一下麥克風的位置，
身後的巨幕亮起，出現了論文標題，不過下面的作者一欄只有兩個名字，一個是周昀，另一個就是鄧永華，這在所有的論文分享中都是不太常見的。
台下，看著如此年輕的周昀，不少人都感覺十分詫異，他們低頭翻閱起會議手冊，這上面有周昀工作的簡單介紹。
前排靠著過道的位置，何凱明靜靜地坐著，這篇論文就是他審的，當時他就對周昀挺感興趣的，
後來結果公布的時候他還特意看了一眼周昀的學校，沒想到是國內一所不知名雙非，
國內的科研環境不說很差，但也絕對稱不上優秀，不然他也不會在MIT任教，能在這樣的環境下完成這樣的工作，這讓他對周昀的興趣更大了。
「大家好，今天我將介紹我在高效邊緣智能推理方面的工作，AgileEdge，當前邊緣設備上的AI模型推理的核心問題在於：波動的帶寬、異構的計算資源、以及多樣化的延遲約束。
這也就導致了現有的靜態模型壓縮方法或者資源分配策略，往往無法實現全局最優，甚至在變化的環境中表現糟糕......」
周昀一邊介紹著自己的工作一邊觀察台下人們的反應，前排的何凱明他自然是一上台就看到了。
他也沒想到這樣的大佬居然會親自來聽他的報告，一時間還有點受寵若驚。
大概講了一分鐘，他就有點進入狀態了，完全沉浸在了自己的思路當中。
台下的人都聽得非常認真，時不時還在手裡的本子上記錄著什麼。
十幾分鐘的時間過的飛快，周昀的匯報很快就進入了尾聲：「……綜上所述，AgileEdge為Edge AI提供了一種高效、自適應的協同優化解決方案，
能夠在動態的邊緣環境下，儘可能地保留模型原有的性能，謝謝大家！」
隨後朝著台下微微鞠了一躬。
接下來就是Q&A環節。
坐在前排的何凱明舉起了手，周昀自然不可能當作沒看到。
「何教授，您請問。」
工作人員立刻小跑著將麥克風遞了過去。
坐在後排的人這才發現，提問的人居然是何凱明，一時間，所有人的目光都聚焦在兩人身上。
何凱明接過話筒微微點頭：「很有趣的工作，事實上我之前就已經看過了這篇文章，AgileEdge在模型的壓縮算法上的設計思路非常巧妙，
但是我有一個問題，你的壓縮算法是基於AI調教AI的思想，那你該如何保證用於調教AI的AI做出的決策是最優的？
這個負責調教的AI，其魯棒性又由誰來保證和監督？如果是這樣的話，是否又需要一個AI來負責監督，這樣是不是會陷入一個『無限遞歸驗證』的循環？
那麼你如何在理論上保證這種『自我優化』過程的收斂性和可靠性，而不僅僅是在你的實驗數據上表現良好？」
其他人聽到這個問題都不由地感嘆，不愧是大佬，提出的問題總是這麼尖銳。
如果周昀無法回答這個問題，這篇文章的嚴謹性就會受到質疑。
何凱明也很好奇周昀會怎麼回答這個問題，於是他看向台上，結果對方的反應倒是有些出乎他的預料。
周昀的眼神中沒有絲毫的慌亂，反倒是有些......興奮？
其實這個問題周昀自己也問過自己，他本來還想著如果沒人提出這個問題，自己是不是要在報告的時候提一下，畢竟這個點確實非常重要。
不過最後還是沒有加到前面的報告裡，主要是之前報告要講的都已經確定了，再加上這一段，時間上可能會超。
現在有人提出來，正合他的心意。
「何教授，非常感謝您如此深刻的提問，這確實是我的工作中最需要謹慎對待的部分。
您提到的『無限遞歸』風險，在任何自指系統中都是理論上存在的。
為了規避這一點並確保系統的收斂與可靠，我們引入了一個基於博弈論和不動點理論的混合數學框架。」
這就是為什麼周昀在一開始要學習數學的原因了，一個良好的數學功底，真的能在很多時候幫忙解決一些關鍵性的問題。
周昀看了眼時間，應該夠了。
他用電腦創建了一個白板，然後開始用滑鼠作畫，雖然有點抽象，但是配合他的講解，也算能勉強看的懂。
「首先，我們將『被壓縮的AI模型』與『負責調教的AI元模型』之間的關係，形式化為一個非零和合作博弈。
『被壓縮的AI模型』選擇一組模型參數θ目標是在給定的壓縮約束下最小化任務損失函數 L_task(θ)，
而『負責調教的AI元模型』選擇一種壓縮策略φ，目標是最小化一個元損失函數 L_meta(φ，θ)，
這樣就能得到一個組合的懲罰項，也就是一般模型里的損失函數L_meta(φ，θ)= L_task(θ')+λ* R(φ)，
我們並不追求一個無限遞歸的最優，而是試圖找到一個平衡，這正是一個納什均衡點的概念。
之後我設計了一個交替優化算法來逼近這個均衡點，其疊代過程可以假設地抽象為一個映射T:(θ_k，φ_k)->(θ_{k+1}，φ_{k+1})
......
經過以上的過程，我們就可以證明T確實是壓縮映射，根據Banach不動點定理，
這個映射就存在唯一的不動點，並且無論從任何初始點開始疊代，
該算法都會以線性收斂速度全局收斂到這個唯一的不動點(θ*，φ*)。
而這個不動點正是我們尋求的納什均衡。」
其實說到一半的時候大部分人就已經跟不上周昀的思路了，畢竟不是數學系的，
對於這種數學證明，大部分人都不是特別擅長，更別說周昀這個證明也沒那麼簡單。
不過何凱明倒是能跟得上，畢竟他在從事計算機的研究之前，是水木大學物理系的學生，數學功底也會強一點。
周昀說完，再次向何凱明微微點頭示意：「不知道這個解釋是否回答了您的問題？」
他拉了拉衣角，帶著電腦從容上台，會場內的燈光柔和地聚焦在講台上，調整了一下麥克風的位置，
身後的巨幕亮起，出現了論文標題，不過下面的作者一欄只有兩個名字，一個是周昀，另一個就是鄧永華，這在所有的論文分享中都是不太常見的。
台下，看著如此年輕的周昀，不少人都感覺十分詫異，他們低頭翻閱起會議手冊，這上面有周昀工作的簡單介紹。
前排靠著過道的位置，何凱明靜靜地坐著，這篇論文就是他審的，當時他就對周昀挺感興趣的，
後來結果公布的時候他還特意看了一眼周昀的學校，沒想到是國內一所不知名雙非，
國內的科研環境不說很差，但也絕對稱不上優秀，不然他也不會在MIT任教，能在這樣的環境下完成這樣的工作，這讓他對周昀的興趣更大了。
「大家好，今天我將介紹我在高效邊緣智能推理方面的工作，AgileEdge，當前邊緣設備上的AI模型推理的核心問題在於：波動的帶寬、異構的計算資源、以及多樣化的延遲約束。
這也就導致了現有的靜態模型壓縮方法或者資源分配策略，往往無法實現全局最優，甚至在變化的環境中表現糟糕......」
周昀一邊介紹著自己的工作一邊觀察台下人們的反應，前排的何凱明他自然是一上台就看到了。
他也沒想到這樣的大佬居然會親自來聽他的報告，一時間還有點受寵若驚。
大概講了一分鐘，他就有點進入狀態了，完全沉浸在了自己的思路當中。
台下的人都聽得非常認真，時不時還在手裡的本子上記錄著什麼。
十幾分鐘的時間過的飛快，周昀的匯報很快就進入了尾聲：「……綜上所述，AgileEdge為Edge AI提供了一種高效、自適應的協同優化解決方案，
能夠在動態的邊緣環境下，儘可能地保留模型原有的性能，謝謝大家！」
隨後朝著台下微微鞠了一躬。
接下來就是Q&A環節。
坐在前排的何凱明舉起了手，周昀自然不可能當作沒看到。
「何教授，您請問。」
工作人員立刻小跑著將麥克風遞了過去。
坐在後排的人這才發現，提問的人居然是何凱明，一時間，所有人的目光都聚焦在兩人身上。
何凱明接過話筒微微點頭：「很有趣的工作，事實上我之前就已經看過了這篇文章，AgileEdge在模型的壓縮算法上的設計思路非常巧妙，
但是我有一個問題，你的壓縮算法是基於AI調教AI的思想，那你該如何保證用於調教AI的AI做出的決策是最優的？
這個負責調教的AI，其魯棒性又由誰來保證和監督？如果是這樣的話，是否又需要一個AI來負責監督，這樣是不是會陷入一個『無限遞歸驗證』的循環？
那麼你如何在理論上保證這種『自我優化』過程的收斂性和可靠性，而不僅僅是在你的實驗數據上表現良好？」
其他人聽到這個問題都不由地感嘆，不愧是大佬，提出的問題總是這麼尖銳。
如果周昀無法回答這個問題，這篇文章的嚴謹性就會受到質疑。
何凱明也很好奇周昀會怎麼回答這個問題，於是他看向台上，結果對方的反應倒是有些出乎他的預料。
周昀的眼神中沒有絲毫的慌亂，反倒是有些......興奮？
其實這個問題周昀自己也問過自己，他本來還想著如果沒人提出這個問題，自己是不是要在報告的時候提一下，畢竟這個點確實非常重要。
不過最後還是沒有加到前面的報告裡，主要是之前報告要講的都已經確定了，再加上這一段，時間上可能會超。
現在有人提出來，正合他的心意。
「何教授，非常感謝您如此深刻的提問，這確實是我的工作中最需要謹慎對待的部分。
您提到的『無限遞歸』風險，在任何自指系統中都是理論上存在的。
為了規避這一點並確保系統的收斂與可靠，我們引入了一個基於博弈論和不動點理論的混合數學框架。」
這就是為什麼周昀在一開始要學習數學的原因了，一個良好的數學功底，真的能在很多時候幫忙解決一些關鍵性的問題。
周昀看了眼時間，應該夠了。
他用電腦創建了一個白板，然後開始用滑鼠作畫，雖然有點抽象，但是配合他的講解，也算能勉強看的懂。
「首先，我們將『被壓縮的AI模型』與『負責調教的AI元模型』之間的關係，形式化為一個非零和合作博弈。
『被壓縮的AI模型』選擇一組模型參數θ目標是在給定的壓縮約束下最小化任務損失函數 L_task(θ)，
而『負責調教的AI元模型』選擇一種壓縮策略φ，目標是最小化一個元損失函數 L_meta(φ，θ)，
這樣就能得到一個組合的懲罰項，也就是一般模型里的損失函數L_meta(φ，θ)= L_task(θ')+λ* R(φ)，
我們並不追求一個無限遞歸的最優，而是試圖找到一個平衡，這正是一個納什均衡點的概念。
之後我設計了一個交替優化算法來逼近這個均衡點，其疊代過程可以假設地抽象為一個映射T:(θ_k，φ_k)->(θ_{k+1}，φ_{k+1})
......
經過以上的過程，我們就可以證明T確實是壓縮映射，根據Banach不動點定理，
這個映射就存在唯一的不動點，並且無論從任何初始點開始疊代，
該算法都會以線性收斂速度全局收斂到這個唯一的不動點(θ*，φ*)。
而這個不動點正是我們尋求的納什均衡。」
其實說到一半的時候大部分人就已經跟不上周昀的思路了，畢竟不是數學系的，
對於這種數學證明，大部分人都不是特別擅長，更別說周昀這個證明也沒那麼簡單。
不過何凱明倒是能跟得上，畢竟他在從事計算機的研究之前，是水木大學物理系的學生，數學功底也會強一點。
周昀說完，再次向何凱明微微點頭示意：「不知道這個解釋是否回答了您的問題？」