吴辰打算回头问问閔欣柔愿不愿意读研。

如果她能一直保持这种学习態度，那下学期他可以推荐她一个保研的名称，顺便给她找个好点的导师。

……

处理完杂事后，吴辰便开始了自己的研究。

今天他选择研究的方向是：基於语义密度的自监督文本去噪算法

原因是他现在已经確定可以获取到讯飞、搜狗和天涯社区的文字內容。

但还需要经过处理，才能用作人工智慧训练的语料。

举个例子。

假设他现在拿到了天涯社区里的一篇贴子是《大家畅想一下，二十年后的手机会是什么样子？》，內容是讲网友对未来科技的预测。

帖子的主体及高质量回復，就可以作为训练人工智慧大模型的优质材料。

但除了正常回復外，还会有各种gg、水帖。

比如“沙发”、“顶”、“楼主好人”或者纯表情等等。

这些没有价值的回覆，就称之为噪音，需要清除掉。

正常来说，是需要人类去完成这一步的。

openai就曾被爆料僱佣了肯亚黑奴来帮他们清洗数据，时薪不到2美元。

吴辰也想，但他还没那么多钱，所以就只能用技术来搞定了。

而基於word2vec的无监督文本噪声过滤技术，就是最好的选择。

它可以通过word2vec，先將帖子主体转化为高维语义向量，再把每一条回帖也转化为对应的向量，最后计算两者的余弦相似度，来判断回帖是否与主题相关。

相似度高的內容，在数学空间里就会聚集成一个紧密的球体。

相似度高於设定閾值的，就判定为有效回復，將来作为训练数据的“问题-答案”语料对。

比如当別人问道“王muaa的读者2026年会怎样？”

那么人工智慧会从向量空间中查找相似度最高的內容。

那么结果就是：2026年会发大財。

这就是將文字转换为数学的重大作用之一。

当然，由於2008年的硬体限制，即使吴辰提前完成这项技术，也只能进行初步的筛选，后续还要靠人工来完成最终的结果。

但也已经能省很大一笔钱了。

而且由於他在高校工作，还能很方便的找到廉价又老实的大学生。

不仅帮学校解决了就业实习问题，还能让学生们赚点小钱，也算是功德一件了。

一个小时的深度阅读很快就过去了。

吴辰估算了一下，他需要再看一星期，才能把相关的前期工作准备好。

毕竟这是一件很复杂的技术。

而且最关键的，还是硬体跟不上。

必须要想办法解决硬体瓶颈才行。

但在2008年，英伟达最好的显卡也只是gtx280。

而且cuda才刚出现一年，根本满足不了他的需求。

而且如果从一开始就依赖英伟达，那么后期麻烦只会越来越多。

只能想办法自己造了。

简单规划了一下技术路线后，吴辰便洗洗睡了。

-----------------

第二天，吴辰在结束下午的课程后，接到了许建平的电话。

重生一次，他来校长办公室的次数比上辈子十年都多。

看到他过来，许建平顿时喜笑顏开。

他乐呵呵的对吴辰道：“吴教授，你这次去帝都可是收穫不小啊。”

“也多亏了您的领导。”

吴辰说著不咸不淡奉承话。

许建平笑著摆摆手，然后向他介绍办公室里的一个中年妇女。

“这位是后勤处资產管理科的孙老师，负责落实学校给你房子的事情，小吴你和她对接一下，等会儿就能去看房了。”