但卢薇的坚持下，翟达还是被拉着重新坐下，小木头翻开电脑，找出此前的论文：
“我这半年来研究的，是凸优化和非凸优化，前者是确保局部最小值就是全局最小值，后者则是对于复杂问题寻找实际可用的高质量解”
“简单来说，前者用于高效率获得单一解，速度快，后者则是处理庞大数据，更全面。”
翟达认真的点点头：“你继续。”
别管懂没懂，在听。
卢薇歪着脑袋想了片刻，试图更简单的解释。
如果简单一次不够，那就简单两次，再加上一些实际应用！
只有这样，她才能向翟达解释，为什么会将此当做“礼物”。
“那再换个说法.凸优化可能适用于金融模型.以最快速度寻找最优解，而非凸优化适用于大数据处理和神经网络的深度学习，现实中大部分问题都是非凸的，可以帮助计算机以数学来学习现实，这样能理解么？”
翟达终于捕捉到了关键词。
神经网络？深度学习？
卢薇看着翟达的表情变化，有些疑惑道：“你听说过？”
前者不算稀奇，已经提出了几十年，后者其实是这两三年才定义的。
翟达找回了一点自信：“我又不是吴越.”
卢薇点头继续道：
“一般情况下，凸优化和非凸优化是无法并行的，虽然有着‘凸松弛’作为半定规划链接，但本质上就像磁铁的两极，有各自的延伸领域。”
“这并不是某个具体的、一次性的猜想证明，而是持续优化问题，即：如何更高效的获得各自解，原本我的研究就是这样，各自为战，分别提升了两者的运算效率，缩短了神经网络的逻辑链，不过下午考试时有了一点灵感。”
重头戏来了。
“我将之前《敏感度猜想》的‘矩阵追踪工具’，与两者结合了起来，使得计算过程中对梯度下降进行动态捕捉，可以在凸与非凸中半程切换，自动分析出最合适的方法，节省了双向求解50%的复杂度并且更快、更全面、更接近最优。”
卢薇指了指电脑屏幕：“电脑里的，依旧是我的毕业论文。”
而后第二次，将那几张手稿递给翟达：“但这几张稿纸内容，我就不发表了，送给你当礼物~”
翟达捏着稿纸，神色微动。
他大概理解卢薇的意思了。
卢薇背着手，微微前倾，纤细的腰
…。。