这段时间，对于徐辰来说，显得有些尴尬。
CNTT变换的推广，卡在了那个该死的“对数”项上，一时半会儿找不到突破口。
而重新开启一个新的课题？
三周时间，对于普通的“水论文”来说或许足够，但对于现在的徐辰而言，发一篇二区、三区的文章，已经毫无意义。
他的目标，至少是一区顶刊。
而一篇顶刊级别的论文，从选题、构思到证明、成稿，哪怕是他这样的“挂逼”，也不可能在三周内凭空变出来。
“这三周，总不能闲着吧？”
徐辰坐在研究室里，看着窗外燕园的春色，手指无意识地敲击着桌面。
他的目光，扫过系统物品栏。
那里，静静地躺着一份他之前抽到的4级物品——《具备逻辑推理与长时记忆模块的改进型大语言模型算法框架（LAART）》。
自从上次看完这篇论文后，他就一直把它束之高阁。
一方面是因为当时忙着搞数论，没时间；另一方面，也是因为他对AI领域的知识储备，还远远不够。
“反正闲着也是闲着，不如……先把AI这块硬骨头给啃了？”
徐辰的心思活络了起来。
“而且，系统发布的那个‘多维度的学者’主线任务，要求我在其他三门学科发表SCI论文。AI，正好映射着‘计算机科学’。”
“如果能把这篇LAART论文吃透，再结合我现在的数学能力，发一篇计算机领域的顶刊，应该不是什么难事。”
“更重要的是，如果真的能把这个模型复现出来，哪怕只是一个简化版，它也能成为我科研路上的得力助手。”
想到这里，徐辰不再尤豫。
他打开计算机，登录了北大的图书馆数据库，开始疯狂地下载关于“深度学习”、“自然语言处理”、“图神经网络”、“符号逻辑”等领域的经典教材和前沿论文。
《深度学习》（花书）、《统计学习方法》、《强化学习导论》……
一本本厚重的电子书，被他拖进了阅读列表。
……
他先是用两天时间，将《深度学习》这本被誉为“AI圣经”的花书，从头到尾“扫描”了一遍。
对于普通计算机系的学生来说，这本书里的数学推导，比如反向传播算法中的链式法则、正则化中的拉格朗日乘子法，可能需要花上几个月去消化。。
“所谓的神经网络，本质上就是一个高维空间中的非线性函数逼近器。”
“所谓的训练，就是在这个高维空间里，查找一个能让损失函数最小化的点。”
“所谓的泛化，就是希望这个函数在没见过的数据点上，也能表现得足够好。”
徐辰一边看，一边在心里默默总结。
在他眼中，那些复杂的网络结构图，瞬间被还原成了最本质的数学公式。
……
然而，当他试图深入了解最新的大语言模型（LLM）时，却发现了一个尴尬的问题。
书，不够看了。
AI领域的发展速度，实在是太快了。
传统的学术界，知识的沉淀和出版，往往需要几年的时间。一本教材从编写到出版，可能里面的技术就已经过时了。
而AI，尤其是大模型，几乎是以“周”为单位在迭代。
这种“工业界倒逼学术界”的现象，在AI领域尤为明显。
很多最前沿的技术，根本来不及写进书里，甚至来不及发表正式的论文，就已经被OpenAI、Google、Meta这些科技巨头，直接应用到了产品中，或者以技术博客、开源码的形式，扔到了GitHub和Hugging Face上。
“看来，光看书是不行了。”
徐辰果断调整了策略。
他打开了Coursera、Ude，以及B站，找到了几门由史丹福大学、吴恩达、李飞飞等顶级大佬开设的最新网课。
《CS224n：自然语言处理与深度学习》
《CS231n：卷积神经网络与视觉识别》
《生成式AI导论》
他开启了倍速播放，一边看，一边在脑海中构建着知识图谱。
徐辰学得飞快。
这得益于他那恐怖的数学底子。
……
在AI领域，有一条不成文的鄙视链：搞算法的看不起搞调参的，搞理论的看不起搞应用的。
而站在鄙视链顶端的，永远是那些数学功底深厚的人。
普通的AI工程师，可能只会调用PyTorch或Tensor