陈若安始终泡在酒精里，她想了很多个可以开始的话题，甚至翻动手腕时还能收到回应，可迟迟不开口，突然就觉得沉默也是一种告别。
没有人起身，没人说脱衣服睡觉吧，没人定闹钟。
——吻下来豁出去这吻别似覆水……
听到这句时彻底合上双眼，陈若安想，明早大概就只剩她一个人。
没人说再见。
或许她们都想吧。
第5章 隐入尘埃
陈若安答辩的那天，坐在最中间的老师刚好是她的导师。
她们综招渠道考过来的学生和其他人的培养方案独立，大三开始进导师团队，到大四开始读研究生的课程。从工程力学转进未来人智的时候，这些道路就开始变得异常清晰。她喜欢清晰的人生，或者说舒适圈也好吧，这些由清晰路标指着的方向，就算赖以常年的拼搏也不辞前往。
“开始吧。”
“嗯。”她冲老师们点点头，鼠标点到“开始放映”。
“人体姿态估计任务是关键点检测任务的一个分支，该任务要求在所给出的图像和视频中定位出人类最主要的部位和关节，以进一步确定人体姿态……
“其中关键点遮挡、罕见复杂姿态、运动模糊、对象失焦等问题都是导致误差出现的因素……
“建立无监督学习党的人体姿态估计模型，主要需要构建姿态提取模块和图像翻译模块。利用低维姿态表征反向重建初始帧……
“在上述前提下，只需一段未经标注的静态背景前的运动视频，就可以学习到有意义的人体姿态表征。”
她看了一眼时间，刚过去五分钟，和估计的相差无几。
下一页PPT以公式为主。
“为了描述研究模型的性能，我主要建立了描点损失函数和边界损失函数来拟合……
“下面是实验初期可视化效果。”
几张图片呈现出来，陈若安看见老教授抬起了花镜，她停了一会儿，老花镜被放下的时候，又切了下一张片子。
“对比本文模型和Jakab,Newell,Thewlis等人的模型，结合消融实验和下游应用实验的误差分析，我对模型进行了如下优化……
“最终实现了机器对一组复杂且陌生动作的学习，并根据使用者的需求进行顺序抽取，与上述模型相比误差降低了十一点六……”
她看了一眼时间，还剩四分钟，刚好放完接下来的视频。
“最后我选择了一段动作多、差异大的舞蹈作品令机器学习，拟合的效果如下面视频。”
她深吸了一口气，敲下空格键，熟悉的音乐声响了起来。屏幕上是两个区域，录下的舞蹈原版和电脑拟合出的黑白影像分别出现在左右两边。
对这一刻幻想过无数次，当它真正来临时，陈若安反而感受到了内心的宁静。好像自始至终都有宋辞的陪伴，她对自己的工作成果胸有成竹。此刻她像是那个从容的操棋手，将整个房间拉入了那个山顶上的夜晚。
安静，音乐声之余只有安静。
画面定格在最后一刻，她走到讲台中央，对着老师们鞠了一躬。
鼓掌声响起来，接下来是十五分钟的提问环节，陈若安看着自己的导师扶了扶麦克风，做好了苦战一场的准备。
不出所料，他的问题犀利而深刻，有些甚至让陈若安措手不及。好在她对自己的选题足够了解，研究过程也全是亲力亲为，就算答不准确也能说出一二。
老师问有些超纲的问题，其意图其实不在于真的要正确答案。这一点陈若安很清楚，他们更多的是想要考察你对这个问题的看法、思考的深度，所以她并不害怕错误，她的特点在于真正从自身出发，去发表有独特性、符合她研究现状的见地。
一番问答结束之后，旁边的一位老教授按开了自己的麦克风，不管怎么说陈若安还是松了口气。
“不能让王教授把时间都用完啊。”好像为了缓解紧张气氛一般，他先是开了句玩笑，几位老师闻言都放松了神情。
陈若安也微笑起来，算是做出的回应。
“我就有一个问题，看你刚才介绍的时候想到的，想听听你的看法，”老教授说话时一直带着和蔼的笑容，他继续道，“计算机或许能学习更为复杂的动作，也像王教授刚才说的，甚至误差还可以再减小。但人工智能并不以‘行为’而是以‘思维’为主要重心的当下，人体姿态估计与学习是否有可观的发展前景呢？”
陈若安顿了几秒，想要完整的表达出自己的意思，她需要时间来组织语言。
“我还是想回到机器人即人工智能本身来讨论这个问题，我想‘行为’和‘动作’学习之所以发展受限，是因为机械层面跟不上设计层面发展。其实德国的Konrad团队在这个问题上已经做了很好的突破，去年的TLN全球展览会上，他们已经展出了可搭建后台连接的动态点为67个的机器人仿真模型，比美国戴维斯实验室在2013年提出的模型整整提高了31个，一定程度上，我想它已经反映出您所提出的‘发展前景’现状。