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。

&ldo;不能让王教授把时间都用完啊。

&rdo;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。

&ldo;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，&rdo;老教授说话时一直带着和蔼的笑容，他继续道，&ldo;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&lso;行为&rso;而是以&lso;思维&rso;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？&rdo;

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。

&ldo;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&lso;行为&rso;和&lso;动作&rso;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&lso;发展前景&rso;现状。

&ldo;所以，在设计层面上给出更复杂、更多元的人体姿态学习，其实是在捕捉到发展可能性之后的选择产物，以一种等待、前瞻性的视角去开拓人工智能新领域。

&rdo;

她停下来，老教授缓慢地点了点头，他似乎思索了片刻，又靠近了麦克风：&ldo;所以你觉得，人工智能人体姿态学习评估，或者说关键点检测，是我们行业的一个瞻望，是这样吗？&rdo;

&ldo;嗯……&rdo;陈若安抿了抿唇，片刻，她坚定地看向老师，&ldo;与其说是一种瞻望，不如说是一种任务。

&rdo;

是我们、是所有研究者的任务。

我们走在人工智能发展的道路上，其实也是新生代与更新一代的带领者，我们能做的，远比瞻望要多得多。

老教授笑了，厚重的镜片也掩不住他眼中的欣慰，他冲着王教授开玩笑道：&ldo;我要是还有精力带学生，是要下点功夫从你这里挖人啊。

&rdo;

王教授也终于收起那副严肃的表情，顺着这个玩笑说到：&ldo;让她读博再去你那里也不迟啊。

&rdo;

陈若安接不住这样的赞赏，她只能乖乖站在讲台上，时间马上要到了，她觉得应该不会再有什么问题。