2014年11月，孟繁岐的一切进展都很顺利。
魏则西一家在他的协助之下，很快地办理好的签证，不得不说名气确实是个好东西，在许多时候都能获得一些优待和特权。
一行人已经住院治疗了一段时间，目前状况良好。
另一边，医疗问答BERT-2.0模型也已经进入了持续训练，循环迭代的过程当中。
孟繁岐预计12月应该可以初次发布。
这几件事都走上了正轨，此时此刻，孟繁岐的重心主要转移到了两件事情上。
一件事情是答应了马斯克要做的神经辐射场，孟繁岐觉得自己的确也该开始推进自驾技术了，再有三个月左右，就是英伟达的下一次发布会了。
孟繁岐觉得自己需要一个招牌的东西去跟老黄谈条件。
另一件事情则是上半年的时候停滞了的阿尔法蛋白质项目。
此事由于缺少相应数据的关系，陷入停滞等待期已经长达半年之久。
孟繁岐一直在等待加州和伦敦方面的医院继续整理蛋白质结构。
过了这么久，总算有所进展，这件事情着实让人欣喜。
这一次的神经辐射场技术，孟繁岐非常需要克莱尔和韩辞的帮助。
“单打独斗的好日子就快到头了...”孟繁岐有些感叹，容易摘的果子已经被他一个人摘了个差不多，再往后的许多技术越来越需要多个领域的融合。
比如这一次的神经辐射场（NeRF），就需要结合图形学和数学物理几大学科。
在这些方向上，孟繁岐的理解都非常一般。
“简要解释一下，神经辐射场的研究目的就是根据给定一个场景的若干张图片，重构出这个场景的3D表示。我们希望技术使用的时候，简要输入几个不同的视角，就可以合成或者渲染真实3D世界的情况。”这个目标并不难理解，两位天才少女都很快理解了重点。
“3D表示的形式非常多，听起来你似乎准备使用辐射场去表示，然后用【体渲染】技术，给定相机视角的内容后，把这个辐射场渲染成一张图像。”图形学这里是克莱尔的主场，她对类似技术和流程非常熟悉。
而需要韩辞帮助的原因也很简单，辐射场加上体渲染的组合，全程是可以微分的，需要在数学上做很多处理和计算。
你可以理解为把一个空间向一个方向上拍扁，空间中的颜色加权求和得到平面上的颜色，从三维映射到二维。
“所谓的辐射场，可以看做是一个函数。如果从一个角度往一个静态空间发射射线，我们可以查询这条射线在空间中每个点的密度，以及在这个射线角度下所呈现出来的颜色。传统的辐射场需要维护一个表，根据特定的位置和角度，查询获得颜色值和密度，然后交给体渲染方法去使用和计算。”卡莱尔给韩辞大概科普了一下方法的步骤。
“传统的这种方式有一个很大的问题，查表意味着表的大小和空间的大小正相关。如果我想要表达的空间比较大，这个表的大小规模就会越大，所需要的资源数量会超乎人类的想象，来到一个夸张无比的规模。并且它还是离散表示的。”孟繁岐直接指出了原本办法的最大问题。
“这就像是y=x这条直线，你不使用方程y=x去描述，而是记录(1，1)、(2，2)这些点去表达，复杂度就从1变成了n。你想要描述的范围越大，需要记录的点就越多。而我的想法，就是用深度学习的方式，去近似拟合这个函数，这样就不再需要维护一个庞大的查询表。”
这也就是神经辐射场的名字来由了，其实就是一种基于神经网络的辐射场表达办法。
由于神经网络和体渲染方法都可微分，渲染得出的图像与原本图像的差距就很好计算和传递，直接可以从最终的成果反向传回模型当中，非常方便进行运算。
对于孟繁岐的这番创举，克莱尔心中感到的震撼是非常大的。
在她看来，孟繁岐此前做的什么图像分类、检测、分割都只能算作是模式识别问题，都算不上是真正意义上的【计算机视觉】。
因为神经网络在这些任务上的贡献，都只是分析分析图片里面的模式和特征罢了，对于视觉的本质是根本没有触及到的。
这也是图形学研究者们独特的骄傲了，觉得自己的研究视角更高一层。
计算机视觉领域最高的奖项是【马尔奖】，作为计算机视觉的开创者，马尔提出过一个系统的视觉理论。
他把计算机视觉的终极问题定义为：【输入二维图像，输出由二维图像重构出来的三维物体的位置和形状】。
在马尔看来，如果这个终极问题能够被解决，那么其他的问题都不在话下，要简单许多。
从他的理解来看，图像的识别检测都是小打小闹，从二维到三维的重建才是整个领域最根本核心的问题。
而这个方向的突破和成果，才是视觉领域最根本的进步。
因为这是人类视觉的最基本最核心的功能。
对于人类来说，根据看到的图像分析出立体物体的位置、远近和大小，简直易如反掌。
听完孟繁岐的整个思路之后，克莱尔彻底被折服了。
“从理论上，计算像素平面某点的值，需要计算从相机出发的射线在立体空间内路径上的种种物理变化。”对于这个渲染公式，孟繁岐实在是一知半解，只能听着她们两个讨论。
这章没有结束^.^，请点击下一页继续阅读！