建一个以生成式文本摘要为内核的高效摘要应用需要的时间可能在数周到数月不等，具体时间取决于上述因素以及其他可能影响开发时间的因素。

　　事实上如果没有重生带来的种种便利，

　　当初开发南风APP的时候林灰也会遇到很多麻烦。

　　也幸好重生带来的种种便利，

　　林灰才能有很大的施展空间。

　　……

　　说起来前世2010到2015年，其实是人工智能高速发展的一段时期。

　　在这段时期，许多机器学习算法和技术在这个时期得到了广泛的应用和推广，

　　例如深度学习、随机森林、支持向量机等。

　　但这些方面取得的进步相比于2020年以后更成熟的机器学习技术相比仍然还有很多欠缺的地方。

　　如果一个很擅长机器学习方面的技术人员带着您带着全部的记忆从2020年回到2015年以前，

　　其实是很容易在很多方面有所作为的。

　　譬如说在机器学习应用这方面：

　　在2015年，机器学习的应用领域还比较局限，大部分应用都集中在语音识别、推荐系统等领域。

　　那么一个来自于往后几年的机器学习技术人员无疑可以考虑探索更多的机器学习应用场景。

　　比如说智能客服、金融风控、医疗诊断等新领域，为这些领域的发展做出贡献。

　　再比如说，深度学习算法方面，在2015年前深度学习算法刚刚开始得到重视和应用，而且只是应用于少量领域。

　　如果一个后世的技术人员带着全部的记忆来到2015年前，

　　毫无疑问，他可以在这个时期推广和优化深度学习算法，并将其应用于更广泛的领域。

　　包括但不限于自然语言处理和推荐系统等等。

　　此外，还有许许多多的方面。

　　但现在的问题是，以上都是正常的情况下回到2015年以前能够做的事情，

　　但问题出在这个时空不知道出现了什么情况。

　　机器学习乃至是人工智能方面的研究整体都面临一定的滞后性。

　　即便是M国最前沿的机器学习方面研究成果照前世同一时期也有一定的滞后性。

　　一般来说，这种滞后性对重生人士是友好的，

　　此消彼长之间，这意味着重生者重生之后的信息优势被进一步放大。

　　但这同样也是不好的，

　　如果一个时空研究的基础内容已经铺就，

　　那么很多成果可以自然而然的搞出来。

　　但现在呢？

　　因为很多底层技术成果的滞后，想要推出成熟应用级别的成果的话往往要把那些落后的底层技术给搞上来。

　　说实话，这些工作完全就是“搬砖”的活，枯燥乏味，

　　但偏偏又不可或缺。

　　这么说吧，这个时空，图奖级别的大牛来了也得老老实实地“搬砖”。

　　从补全底层技术成果开始入手。

　　毕竟学术科研上没有空中楼阁的道理。

　　请收藏：https://m.ruguo.cc

（温馨提示：请关闭畅读或阅读模式，否则内容无法正常显示）