化，然后在区间上求和得到最终的黎曼和形式。”

    韩辞的草稿有十几页纸，最后整理出来的过程也有整整大半张A4纸之多。

    随着她的逐行讲解，孟繁岐眼睁睁地看着最上面那个长达三行的原始式子，不知怎么地就逐步精简，最后化作了一个简短求和形式。

    整个式子的长度缩减了十几倍，写成代码自然也就方便了太多。

    虽然不写一行代码，但数理能力对孟繁岐的帮助却胜过数千数万行普通代码。

    “神经辐射场只是一个开始，以后还有flow办法和扩散系列模型的优化需要借助数理的力量。”目前这些技术在比较保密的阶段，借助少数几个人就已经足够。

    等到孟繁岐的几个拳头营收项目成熟之后，这方面的人才可以多养一些。

    “毕竟23年之后的技术就得指望他们了！”孟繁岐已经在心中给自己定下了退休计划，等到技术差不多发完了，就跑路享清福去。

    前世做打工人想退休，如今做了老板也想退休。

    神经辐射场的初步搭建，使得孟繁岐的这个核心小团队分为了两个派系，一方专攻图形学方向，主要是克莱尔和韩辞在做。另一方则开始调研，应该如何将该技术与自动驾驶相结合。

    说得直白点，就是一批人去针对英伟达，一批人去针对特斯拉。

    AI，特斯拉，英伟达铁三角是孟繁岐现阶段的重要规划。

    “神经辐射场作为三维重建和视图合成技术拥有巨大的潜力，对于自动驾驶的帮助其实并不是其核心能力，单纯是因为这种方式可以很大程度上避免特斯拉遭遇类似撞上白色大巴的恶劣事件。”

    路易斯被孟繁岐分配去协助克拉克研究自动驾驶相关，但他不是特别支持和理解孟繁岐的做法。

    在他看来，直接按照现在的图像检测思路，直接对2d图像做分析就足够了。

    不得已，孟繁岐只得将自己跟马斯克一起撞坏了一辆车的事情，以及背后的原理和内情详细说了一下。

    “人类是可以从单张图像轻易获取三维物体的大小和位置不错，但神经辐射场目前是做不到的，它需要多个视角的图像辅助生成。”

    “当然了，从单张图片去估计图像中各个物体的距离也并不是做不了，那就是另一种做法和思路了，叫做深度估计。”

    深度估计的做法和孟繁岐已经发过的图像分割技术比较类似，图像分割需要非常精细地标注图片当中我们感兴趣的部分，细致到像素级别>> --