第4章 ：勾引到手（2/2）

提交申请。

页面提示：“审核通常需要3-5个工作日。在此期间，您可以用现金帐户交易。”

姜宇关掉页面。

“...接下来是课程註册指导。”丽莎切换到下一张ppt，“交换生必须在本周三前完成所有课程註册。这是电影艺术学院的课程列表...”

姜宇看向屏幕。

《数字媒体技术基础》《电影视觉特效史》《计算机动画原理》《实时渲染算法》...都是他前世早就精通的內容。

他还是认真记下课程编號和教授名字。

.......

下午1:30，工程学院计算机楼三层，实验室。

姜宇按照课程表找到《实时渲染算法》的实验室。

推门进去，房间里只有六七个人，全是男生，空气中瀰漫著代码和速食麵的味道。

周牧坐在角落，面前两台显示器，正盯著满屏的数学公式和代码。

“嗨。”姜宇走过去，在他旁边坐下。

周牧抬头，推了推眼镜：“姜宇？你也选这门课？”

“嗯。”姜宇看了眼他的屏幕，“在优化光子映射的內存结构？”

“对。”周牧眼睛亮了，“我发现传统的光子图存储方式太浪费，80%的光子最终不会对最终图像產生显著贡献。我想用重要性採样和自適应存储...”

他又开始滔滔不绝。

姜宇耐心听了五分钟，然后开口：“为什么不试试用机器学习预测光子重要性？”

周牧愣住。

“2005年，机器学习在图形学中的应用几乎是空白。”

姜宇继续说，“已经有论文开始探索用神经网络做降噪、超解析度。如果我们训练一个网络，输入场景的几何、材质、光源信息，输出每个光子对最终图像的贡献权重...提前剔除低权重的光子，存储开销可以降低70%以上。”

“这...”周牧盯著他，像在看外星人，“这需要大量的训练数据和计算资源。而且，实时性怎么保证？神经网络推理也需要时间...”

“预训练+轻量化模型。”姜宇说得很快，“用离线渲染的大量场景做训练，得到一个通用模型。部署时用简化的网络结构，配合gpu加速。2005年的geforce 7800 gtx已经有可编程著色器单元，可以做简单的矩阵运算。”

他顿了顿，补充：“我知道这听起来超前。如果我们不做，一两年后，一定会有人做。到时候我们就只能追赶了。”

周牧沉默了很久。

最后他说：“你有具体的方案吗？”

“有。”姜宇从背包里拿出u盘，“昨晚写了个大纲，包括数据採集方法、网络结构设计、训练和部署流程。但需要懂数学的人来完善。”

周牧接过u盘，插进电脑。

屏幕上跳出一个pdf文档，28页，图文並茂，从理论推导到偽代码，甚至还有初步的基准测试预估。

“你一晚上写的？”周牧的声音有些惊讶。

“睡不著。”姜宇轻描淡写。

实际上，这是前世光影纪元在2018年才成熟的一项技术，基於深度学习的光子重要性预测。

他凭记忆还原了核心框架，虽然细节需要填补，但方向和路径是清晰的。

周牧一页页翻看，呼吸逐渐急促。

“这个损失函数的设计...巧妙。”他指著其中一页，“用渲染误差的梯度作为监督信號，而不是直接的光子贡献值...”

“因为直接贡献值不稳定，受噪声影响大。”姜宇接话，“用梯度更鲁棒。”

“对！对！”周牧猛地转头看他，眼镜片后的眼睛闪著光，“姜宇，你到底是什么背景？国內哪个实验室出来的？”

“中国传媒大学，动画与数字艺术学院。”姜宇微笑，“我们学校有几位教授和mit媒体实验室有合作。我接触过一些前沿资料。”

半真半假的解释。

周牧信了。

“这项目，我想做。”他说得很郑重，“就算只是理论验证，也有发表顶级论文的可能。siggraph级別。”

“不止是论文。”姜宇压低声音，“如果我们真能做出原型，甚至工具链，未来可以卖给工业光魔、维塔数码，或者自己创业。”

“创业？”周牧愣住。

“为什么不行？”姜宇看著他，“美国每年有几百家技术创业公司诞生。我们如果有核心算法，有专利，就有机会。”

周牧沉默了。

他低头看著屏幕上的文档，手指敲击桌面。

姜宇不急，他知道周牧需要时间消化。

这个前世陪他创业十年的兄弟，本质上是个技术纯粹主义者。

他热爱的是解决问题本身，而不是商业成功。

需要用“技术可能性”来吸引他，而不是“赚钱前景”。

“我需要想想。”最后周牧说，“但这项目我加入。就算不为了创业，也为了做出点不一样的东西。”

“好。”姜宇伸出手，“合作愉快。”