不管是语言转文本，还是文本转语言，都只是T方法在某一个领域的应用罢了。
不在语音上做，也可以在翻译、问答等诸多领域上去做，做什么任务只是载体。
真正重要的事情，是Transformer这个方法本身，以及这篇论文的写作和理论推导。
提出残差网络再震惊世界，这个模型也仍旧归类在三大类模型的卷积神经网络里面，并没有能够超脱出来。
可T方法，则是直接成为了第四类模型，与循环网络，卷积网络和多层感知机并列，这是开宗立派的一个方法。
该文当时也被评为三年内深度学习领域最重要的一篇文章。
因而论文的写作和证明推理，要比实际的应用项目关键太多。
“原本这篇文章在写作的时候，是针对了机器翻译这样一个小的任务来写的，只是在结尾的时候提到了这种方式可以类似地扩展到图像，视频和语音领域。这次我的格局得打开，在写作的基调和宗旨当中，就要融入和各领域有关的思索和技巧。”
机器翻译说到底只有少数几个公司在关注，只针对它写作会一定程度上影响到文章的影响力。
在这次方法的讨论和论文的写作上，谷歌大脑可以说是倾巢出动了，孟繁岐首次积极地联系了多名同事参与进来，这让大家都觉得相当新奇。
不仅有伊利亚和阿里克斯等人，谷歌大脑的其他同事比如杰卡布，尼克、卢卡斯等人也被拉了进来。
“一个只基于自注意力的新网络结构？”谷歌大脑的团队当中哪有混子，只是稍微一听，就大概明白事情已经大条了。
纷纷非常兴奋地加入了进来。
此技术相当重要，因而代码框架，各种算子孟繁岐从去年底处理推荐广告算法的时候，就已经在陆续实现了。
断断续续到现在，接近半年的时间。
倒不是因为这个方法特别复杂难懂，而是这份代码需要在成百上千张显卡上高度并行运算。
在具体的实现上，每一步的优化都非常关键，要扎扎实实地写好。
作为后来ChatGPT的基石，孟繁岐自然从最初就十分认真地对待。
毕竟若是速度慢了个五成，千张显卡的时间成本可就亏大发了。
“我看你这个T方法，也仍旧是编码器解码器的组合结构，和传统的办法很像啊？”
围观的同事有的刚来看到代码，还没有发现这个结构独特的地方。
通常来说，编码器将长度为N的输入编码成为长度为N的向量表示，而解码器则将该向量表示重新解码为长度为M的输出句子，这里N和M的长度可以不同也可以相同。
在编码的过程当中，整个句子是一次性给到的，全文都可以看到。但这个解码过程则是逐词进行生成，已经被生成的词也会作为输入，因此又被叫做自回归。
传统的方法当中，广泛采用了类似的策略，因此大家看到这个编码解码的结构并不意外。
“还是熟悉的风格，对多个层没有做专门的特殊设计，而是采用了完全相同的结构。”
“大道至简嘛，真正最强的方法，都不搞那些花里胡哨的。”
从残差网络开始，孟繁岐发表的重要论文就比较少专门对具体的局部进行专门的设计，而是有一种重剑无锋，大巧不工的力量感。
从思想和设计上直接获胜，不靠微调局部结构反复调整参数。
虽然同样是编码器解码器的结构，但T方法还是非常不同的，它的编码器逐渐衍生出了BERT方法，而解码器则拓展成为了GPT结构，不过那是后话了。
开始阅读孟繁岐代码的同事们，很快就变成了问题达人，看到不大清楚的地方就马上发问。
“这里你为什么使用了这个新的层归一化，而不是去年你发布的批归一化呢？”
“我觉得语言这种数据比较特殊一些，图片我们经常统一整理成相同的分辨率，但是文本这种东西的话，有长有短，我知道一般大家会把后面加0以确保样本长度相同，方便处理。”
“但是这样做的话呢，在批次的这个维度上，归一化很有可能会产生大的波动，尤其是在小批次上。比如一长一短两个文本作为一个批次，你的均值和方差的计算就会非常不稳定。”
孟繁岐的解释通俗易懂，在场的同事基本上都瞬间理解到了重点，毕竟代码就在这里了。
“所以这个层归一化，其实只是针对样本自己的向量特征做了归一化，不管样本长短，大家的特征长度都是固定的。”
“理解了，理解了。”
“妙啊...没想到这么多东西在细节里面。”
有不少人只顾着看那些重大变动的部分，压根就没注意到这里做了什么不同的操作。
“也不只是训练，即便训练的时候没有遭遇问题，但在推理的时候，有人不讲武德，突然拿出一个超长的文本。这样一来，你的模型没有在长文本上算过均值和方差，突然面对比较突兀的输入，也很有可能出现很大的问题。”