答辩当日，学校的一间大型会议室里，一般都是给院长们开会的时候用的，这次为了周昀的博士答辩，早早就空了出来。
几位受邀前来的顶尖学者陆续抵达，被邓永华躬敬地引入这间会议室稍作休息。
陈国栋院士依旧是那副不苟言笑的模样，坐下后便从公文包里拿出了打印好的论文稿，上面已然布满了密密麻麻的批注。
他简单与邓永华和老院士寒喧了几句，目光便再次落回论文上，手指无意识地轻敲着桌面，仿佛在脑中预演着待会儿的提问。
不多时，吴立民教授也到了，他倒是笑容可鞠，与老院士和邓永华热情地打着招呼，眼神自然地落到了周昀身上，为了答辩，周的特地搞了一件西装，平时他都不穿这些，主要是穿着不舒服，他没有寻常学生面临重大场合时的紧张不安，只是平静地看着窗外，直到感受到目光，才转过身，礼貌地向各位老师点头致意。
最后到场的是吴思源院士，他的到来让在场的几位理论计算机学者都有些意外，吴思源院士精神矍铄，与老院士显然是旧识，两人握手寒喧了几句，他的目光随即带着浓厚的好奇投向了周昀。
“老伙计，你这位徒孙，可是把我计算神经科学领域的一些猜想，用工程化的手段给实现了，我今天可是带着一大堆问题来的。”吴思源笑着对老院士说道。
老院士呵呵一笑：“尽管问，年轻人就是需要磨砺。”
时间一到，众人移步至隔壁布置好的答辩会场，椭圆形的长桌一侧，坐着由陈国栋院士、吴立民教授、吴思源院士以及本校另外两位资深教授组成的答辩委员会，邓永华和老院士则坐在旁听席首位，除此之外，还有学院的各位老师们。
周昀独自坐在另一侧，面前放着笔记本计算机和简单的讲稿。
“尊敬的各位答辩委员会老师，各位老师，上午好。我的博士论文题目是《ndn的轻量化与可扩展性研究》。”
他身后的投影屏上亮起了论文的标题页。
“ndn架构，以其仿生特性和在复杂任务中展现出的动态结构演化能力、卓越适应性以及组合泛化潜力，自提出以来，引起了学术界和工业界的广泛关注。”周昀语速不快“然而，一个优秀的架构，其价值不仅在于理论的先进性，更在于其能否被广泛理解、便捷使用，并最终形成一个繁荣的生态，目前的ndn，正面临着推广和落地的三大挑战。”
他切换幻灯片，屏幕上列出了三个清淅的要点：“第一，理论门坎高。其内核的动态生长与知识沉积机制，涉及复杂的数学基础和计算理论，对研究者构成了较高的认知负荷。”
“第二，实现依赖强。目前高效的ndn实现，严重依赖aetos平台，这无形中设立了极高的硬件和平台门坎，限制了其普及范围。”
“第三，也是我认为最关键的一点，生态工具链的缺失。我缺乏易于上手的训练框架、缺乏直观的调试与分析工具、也缺乏能够降低激活成本的预训练模型。这导致研究和应用ndn的成本极其高昂，阻碍了社区的形成和创新活力的进发。”
周昀停顿了一下，然后继续说道：“因此，我的研究工作，内核目标并非对ndn架构本身进行根本性的理论革新，因为我认为它的理论基础已经足够坚实。我的目标，是将其的使用门坎降低，铺一条让更多研究者能够轻松踏上ndn研究之路的道路，搭一座连接ndn先进理念与广泛工程实践之间的桥梁，具体体现在四个主要的成果上。”
他操作计算机，屏幕上出现了第一个内核成果的图标。
“第一个成果，是轻量级ndn内核库——lite—ndnre。”图标上展示了模块化的设计理念和简洁的api接口。
“我的目标是，将复杂的动态生长过程，封装成一系列直观的生长策略”模块，比如，基于梯度的局部生长”、基于注意力的全局连接”等。”
周的调出了一段简短的代码示例：“研究者现在无需深入理解底层所有的数学细节，只需通过几行象这样的代码，配置参数，选择或组合策略模块，就能快速搭建起一个可用的ndn实验模型”
介绍完内核库，他切换到下一个成果。
“第二个成果，旨在打破平台的枷锁。我设计并实现了ndn虚拟中间表示编译器ndn—virbeta版。”屏幕上展示了将动态ndn计算图编译成标准框架静态计算图串行的流程。
“它的作用，类似于一个翻译官”。它将ndn独特的计算图，翻译成pytorch、tensorflow等主流框架能够识别和执行的静态计算图串行
“”
周昀坦诚地说道，“但它成功地证明了，ndn已经可以脱离特定平台运行。这为ndn进入更广阔的软硬件生态，迈出了关键的第一步。”
台下，陈国栋院士看着vir的编译流程图，微微颔首。
紧接着，周的展示了第三个成果，“理解与调试动态模型一直是个难题。为此，我开发了ndn—vis可视化工具。”
“最后，”周昀切换到最后一组成果，“为了推动公平比较和降低激活成本，我构建了ndn—bench标准化评测套件，并发布了首批预训练种子”模型。”
“ndn—bench提供了自动化的评测脚本，确保不同ndn变体能在同一标准下进行比较
”
将自己的成果介绍完了之后，他微微鞠躬：“我的介绍到此结束，谢谢各位老师，请各位老师提问。”
在他微微鞠躬后，会场内出现了短暂的寂静，但是没过多久坐在答辩委员会主席位置的陈国栋院士率先拿起了话筒，他面前摊开的论文稿上，密密麻麻的批注，让一旁的邓永华看了都呼吸一滞。
“周昀，你在论文第三章提出了ndn—vir的形式化模型，用动态图串行的有限状态自动机来近似仿真ndn理论上无限的生长潜力。这是一个巧妙的工程折中。但我的问题是，”
他略微停顿，看向周昀：“你如何从理论上严格证明，或者至少界定，这种近似在任意符合你定义规则的生长策略下，其信息损失的上界？
更具体地说，在什么必要条件下，你的vir编译过程不会从根本上扭曲ndn架构原本希望表达的动态语义，从而保证编译后模型的有效性？”
问题极其尖锐，这正是陈院士的风格—不问你做成了什么，先问你凭什么能做成，以及可能在哪里会失败。
周昀虽然之前没预料到这个问题，不过他也并不慌乱，他操作计算机，迅速调出了一页之前展示时略过的附录图表，上面布满了复杂的数学符号和收敛曲线。
“陈院士，您的问题非常深刻，首先，我必须承认，绝对的无损编译在理论上是不可能的，因为动态图的无限可能性本身就无法被有限的静态串行完全捕获。因此，我的证明思路并非追求完美，而是追求有界且可控的近似”。”
他指向图表上的关键曲线和公式：“我引入了两个内核的度量指标：生长稳定性”和语义连续性”。
通过理论分析，我发现，当ndn所采用的生长策略满足局部lipschitz连续”的温和条件，并且生长步长被约束在一个合理的范围内时，vir编译所带来的语义漂移是可控的，我证明了，其误差上界与生长步长及网络当前复杂度呈多项式关系，而非可能导致灾难性后果的指数级爆炸。”
他进一步操作，调出了数据界面：“具体的证明过程，论文附录a有详细阐述。
更重要的是，我通过在ndn—bench上对十七种具有代表性的生长策略进行大规模实验验证，数据表明，在实际应用中，这种理论上的误差上界是宽松的，绝大多数合规策略下的语义损失远低于可感知的阈值。本质上，我是用工程实践中的可控误差”，换取了理论上的不可计算性”，这对于推动ndn的实际应用和生态发展，是一个必要且可行的妥协。”
陈国栋院士凝神看着屏幕上的数据和公式，手指在论文的批注上轻轻滑动，片刻后，他抬起眼，看着周昀，缓缓点了点头，没有再追问，只是在笔记本上记录了什么，第一个问题就算是过去了。
紧接着，吴立民教授提问，他脸上带着惯有的笑容，问题却同样绵里藏针：“周昀，你的工作非常出色，尤其是lite—ndnre，将复杂性封装得很好，极大地降低了使用门坎。
但我想问一个关于代价或者说潜在风险的问题。你将ndn降维”了，让它变得更友好”的同时，是否也在某种程度上，限制了它最内核的动态演化能力？你提供的这些便捷模块和缺省策略，会不会象一副脚手架”，虽然帮助初学者快速上手，但也无形中框定了他们的思维，让他们只在你的框架内打转，从而可能错过了ndn架构本身所蕴含的、更具颠复性和想象力的生长模式？”
作为计算机领域的专家，ndn他肯定是研究过的，所以自然也有着自己的理解。
周昀认真听完，略微思考了几秒，“吴教授，您指出的风险确实存在，任何形式的抽象和封装，都必然伴随着一部分灵活性的损失。这是工程化不可避免的代价。”
但他话锋随即一转，充满了自信：“然而，我在设计lite—ndnre之初，就意识到了这一点，我的内核理念是提供基础构建块，而非设置不可逾越的边界”。”他切换演示界面，展示了内核库底层高度模块化和可扩展的接口设计文档。
“我所提供的生长策略”模块，是作为示例和起点，而非唯一选择，开发者完全可以基于我定义的一组内核原语和扩展接口，自定义任何他们能够想象到的生长策略，无论其多么激进或非常规，只要该策略能够通过这些原语表达和实现。我的目标是降低入门和验证想法的门坎，而不是封死探索的天花板。”
他看向吴立民教授，“事实上，我希望通过ndn—bench评测体系和开源社区，鼓励并吸引研究者们提出、实现并分享更多样、更颠复性的生长策略，我提供的，是乐高积木的标准接口和基础颗粒，至于最终搭建出城堡、飞船还是完全超乎想象的东西，完全取决于用户的创造力。”
吴立民教授脸上的笑容更深了，眼中闪过一丝赞赏：“哦？自定义策略开放的底层接口我明白了。
看来我的担心是多馀的，你这套东西，更象是一个开放的游乐场”规则，很好！”
随后，吴思源院士拿起了话筒，他的问题角度截然不同，“周昀，我从计算神经科学的角度来看，你的ndn架构在生长”和沉积”的抽象上，与我大脑神经发育过程中的突触发生、修剪以及经验依赖的可塑性，有着非常有趣的形似性，我的问题是，在你目前构建的模型和大量的实验与观察中，是否发现了一些与生物神经网络发育过程中类似的、具有一定普适性的规律”或原则”？
比如，是否存在某种在多种任务下都表现优异的最优生长曲线”？或者，反过来，你的模型及其演化过程，能否为我理解大脑发育的某些内核原则，提供新的计算视角或可验证的假设？”
这个问题瞬间将答辩的视野从计算机领域拉到了交叉学科的前沿。
周昀组织了一下语言，“吴院士，感谢您从生命科学的角度提出这个深刻的问题，首先，我必须强调，目前阶段，ndn与生物神经网络的形似”远多于神似”，我确实观察到了一些有趣的现象，例如，在多个持续学习任务中，最终表现更鲁棒、泛化能力更强的模型，其生长曲线往往遵循一个先快速探索、后缓慢优化、最终趋于相对稳定的模式，这与生物大脑在发育早期突触大量形成后期基于经验进行修剪优化的宏观特征，有表面上的相似性。