屏幕一闪，出现了两个q版小人的测试模型，旁边的表格里展示了两个网络对自然语言处理的速度。
李可唯接着道：“大家可以看到，CNN的处理速度明显比RNN快，更换了神经网络之后，虚拟人像的接收延迟也从1.02s变成了0.34s。”
他点了点屏幕，画面变成了一个视频播放器：
“接下来让我们看一下动作捕捉的演示视频——”
谁知那激光笔点在播放键上时，竟像突然失灵了一般，失去了该有的反应。
再逐级分解成对应的含义。”
“而我们的神经网络又会对这些含义进行一个二次处理，将AI的应答先转化为文本，再根据宿主的声音进行语音合成，此处特别鸣谢季想老师为我们提供了大量的真人语音资料。”
PPT翻至下一页，屏幕上出现了一堆花里胡哨的结构图，李可唯耐心地向观众解释道：“相比于‘掌中偶像’1.0的处理方式，我们在2.0中选择用CNN（卷积神经网络）来代替RNN（循环神经网络）对大量的语句进行处理。”
“有接触过深度学习的人应该知道，CNN多被广泛应用于计算机视觉的图像处理领域，而近年来，也有许多人将其运用到NLP中去。”
李可唯按下激光笔，屏幕上顿时出现了几个红红绿绿的表格，下方标了“像素”两个字。
李可唯面色不变，走到操作台前，用鼠标又点了一下播放键，这一回，视频终于开始播放了起来：
片刻寂静后，会场回荡着一个奇怪又模糊的“沙沙”声，噪点的颗粒感非常明显。
李可唯不由皱了皱眉，心里猜测可能是网络问题，便站在原地打算静观其变。
不一会儿，漆黑的屏幕上终于闪过一个画面，一个老式住宅单位的客厅出现在了众人的视野里。
贴满了贴纸的老式旧冰箱、饭桌旁的红木座椅、被蓝色玻璃填满的窗子、墙上的金童玉女日历、铁门上挂着
“我们都知道，CNN是根据图像的像素值来进行处理的，而NLP处理的是文本和语句，那问题来了，怎么把这两个风马牛不相及的东西组合到一起呢？……”
季想坐在台下，目不转睛地望着台上演讲得愈发从容的李可唯。
尽管那人口中的专业术语他一个字也听不懂，但他喜欢那人认真的样子，喜欢那人沉浸在自己世界里的样子。
每当这时，李可唯的眼睛里都会带着一种光，炙热而夺目，令人一点也移不开视线。
“或许，我们可以把语句中的每一个单词划分开，分割成一个n维的向量，将形成的矩阵看成是一个特殊的图像，而每一个向量就相当于图像的像素，这样我们就可以对其进行处理了。”
