微微点头：“很有趣的工作，事实上我之前就已经看过了这篇文章，AgileEdge在模型的压缩算法上的设计思路非常巧妙，
但是我有一个问题，你的压缩算法是基于AI调教AI的思想，那你该如何保证用于调教AI的AI做出的决策是最优的？
这个负责调教的AI，其鲁棒性又由谁来保证和监督？如果是这样的话，是否又需要一个AI来负责监督，这样是不是会陷入一个‘无限递归验证’的循环？
那么你如何在理论上保证这种‘自我优化’过程的收敛性和可靠性，而不仅仅是在你的实验数据上表现良好？”
其他人听到这个问题都不由地感叹，不愧是大佬，提出的问题总是这么尖锐。
如果周昀无法回答这个问题，这篇文章的严谨性就会受到质疑。
何凯明也很好奇周昀会怎么回答这个问题，于是他看向台上，结果对方的反应倒是有些出乎他的预料。
周昀的眼神中没有丝毫的慌乱，反倒是有些......兴奋？
其实这个问题周昀自己也问过自己，他本来还想着如果没人提出这个问题，自己是不是要在报告的时候提一下，毕竟这个点确实非常重要。
不过最后还是没有加到前面的报告里，主要是之前报告要讲的都已经确定了，再加上这一段，时间上可能会超。
现在有人提出来，正合他的心意。
“何教授，非常感谢您如此深刻的提问，这确实是我的工作中最需要谨慎对待的部分。
您提到的‘无限递归’风险，在任何自指系统中都是理论上存在的。
为了规避这一点并确保系统的收敛与可靠，我们引入了一个基于博弈论和不动点理论的混合数学框架。”
这就是为什么周昀在一开始要学习数学的原因了，一个良好的数学功底，真的能在很多时候帮忙解决一些关键性的问题。
周昀看了眼时间，应该够了。
他用电脑创建了一个白板，然后开始用鼠标作画，虽然有点抽象，但是配合他的讲解，也算能勉强看的懂。
“首先，我们将‘被压缩的AI模型’与‘负责调教的AI元模型’之间的关系，形式化为一个非零和合作博弈。
‘被压缩的AI模型’选择一组模型参数θ目标是在给定的压缩约束下最小化任务损失函数 L_task(θ)，
而‘负责调教的AI元模型’选择一种压缩策略φ，目标是最小化一
本章未完，请点击下一页继续阅读！