就听一个名字，闻声不会意，从《敏感度猜想》起就已经远超他的理解能力了。
但卢薇的坚持下，翟达还是被拉着重新坐下，小木头翻开电脑，找出此前的论文：
「我这半年来研究的，是凸优化和非凸优化，前者是确保局部最小值就是全局最小值，后者则是对于复杂问题寻找实际可用的高质量解.：：」
「简单来说，前者用于高效率获得单一解，速度快，后者则是处理庞大数据，更全面。」
翟达认真的点点头：「你继续。」
别管懂没懂，在听。
卢薇歪着脑袋想了片刻，试图更简单的解释。
如果简单一次不够，那就简单两次，再加上一些实际应用！
只有这样，她才能向翟达解释，为什幺会将此当做「礼物」。
「那再换个说法...凸优化可能适用于金融模型...以最快速度寻找最优解，而非凸优化适用于大数据处理和神经网络的深度学习，现实中大部分问题都是非凸的，可以帮助计算机以数学来学习现实，这样能理解幺？」
翟达终于捕捉到了关键词。
神经网络？深度学习？
卢薇看着翟达的表情变化，有些疑惑道：「你听说过？」
前者不算稀奇，已经提出了几十年，后者其实是这两三年才定义的。
翟达找回了一点自信：「我又不是吴越..：」
卢薇点头继续道：
「一般情况下，凸优化和非凸优化是无法并行的，虽然有着『凸松弛」作为半定规划连结，但本质上就像磁铁的两极，有各自的延伸领域。」
「这并不是某个具体的、一次性的猜想证明，而是持续优化问题，即：如何更高效的获得各自解，原本我的研究就是这样，各自为战，分别提升了两者的运算效率，缩短了神经网络的逻辑链，不过下午考试时有了一点灵感。」
重头戏来了。
「我将之前《敏感度猜想》的「矩阵追踪工具」，与两者结合了起来，使得计算过程中对梯度下降进行动态捕捉，可以在凸与非凸中半程切换，自动分析出最合适的方法，节省了双向求解50%的复杂度.．.并且更快、更全面、更接近最优。」
卢薇指了指电脑屏幕：「电脑里的，依旧是我的毕业论文。」
而后第二次，将那几张手稿递给翟达：「但这几张稿纸内容，我就不发表了，送给你当礼物～」
翟达捏着稿纸