而没有真正意义上的深度学习，就没有真正意义上的人工智能。
某种程度上来讲，深度学习是机器学习的子集。
想要利用人工智能促进文本摘要方面多任务的进展暂时不现实。
毕竟林灰还需要不短不长的一段时间进行一些深度学习理论方面的基建。
至于说目前的话，如果想要实现多任务文本摘要。
唯一比较可行的方法只能是借助于大数据调教新闻摘要技术。
通过长时间的训练使得生成式摘要算法有搞定新闻的多任务处理。
为什么训练生成式摘要算法这件事情涉及到了大数据呢？
事实上算法不是空中楼阁，一般都需要在生产生活的实践中长期摸索。
一个优秀模型、算法的诞生更是少不了不断的调试探索。
通常情况下，一次次的调试离不开数据的支撑。
之所以所通常情况下。
是因为有些直觉超级牛比的大老参与的模型/算法调试过程会有例外。
这些大老有时不依靠数据，依靠直觉也能微操到效率很高的状态。
但也不能因此否定数据的重要性。
大老的直觉很大程度上应该也是长期处理数据所形成的经验。
总之，数据是相当重要的。
而大数据的核心在于利用数据的价值。
在算法的调校过程中合理利用大数据以及大数据的一些研究规律往往能够事半功倍。
像生成式文本摘要这样一个自然语言处理方面的机器学习算法想要取得长足发展更是离不开大数据方面的助力。
虽然利用大数据调校生成式文本摘要只能说是大数据的一个简单应用。
但依靠大数据训练调校算法也是需要时间的，不可能一蹴而就。
林灰估计按照正常的科研进度。
用大数据将能处理多任务新闻的摘要算法搞出来起码也要一两月之后。
虽然林灰的前世的资料里面大概率就有现成的能够完美胜任多任务新闻摘要的算法。
但林灰觉得还是科学搬运比较好。
总之近期进行搬运是不可能的。
林灰最近已经搞出太多动静了。
如果短时间内又去涉足大数据这方面指不定又生出什么枝节。
虽然即便是林灰照常搬运的话也不一定有人会质疑林灰技术的水平。
毕竟现在文本摘要这方面由于林灰遥遥领先。
很多追赶者可能已经处于找不到北的麻木状态了。
在这种情况下林灰就算有所动作这些人也未必能追得上林灰的脚步。
但正所谓莫见乎隐，莫显乎微，故君子慎其独。
对手的麻木不是林灰肆意妄为的理由。
有些事情只有0次和无数次的区别。
一次不遵守正常技术演进顺序的逻辑的搬运让林灰尝到甜头的话。
林灰不敢保证今后不会继续遵守客观事实规律。
毕竟鱼塘炸鱼的诱惑还是比较有吸引力的。
但这种“爽”结伴而来的代价是危险。
不遵守客观规律搞风搞雨的话是十分危险的。
或许一次两次不合逻辑的搬运不会引入注目。
但长此以往的话难免不会翻车。
常在河边走，哪能不湿鞋。
稳妥起见，还是遵照客观逻辑比较好。
细水长流才是王道。
一不小心翻车就不好了。