「怎麽不会呢，大神有时候灵感来了，都会随手写写画画的！」
「我们来逐—解析下，l（n）=inf{Ψ∈n}sup—{∈1^5}m（Ψ（））≥2π2。」
「这里的门，一般人只看到了映射类，我找计算机的人问了下，结合上下文，它更可能指代的是一个由特定神经网络架构参数化後，所生成的所有可能的特徵提取器所构成的函数空间，这是一个无穷维的巴拿赫空间。」
「而Ψ∈门，就是在遍历这个空间里所有的可能性，寻找一个最优的特徵提取器Ψ。
91
「这对应了深度学习中的架构搜索和参数优化，但漆昊显然把它提升到了泛函分析的高度。」
「接下来是关键，sup{∈i^5}m（Ψ（）），i^5代表一个标准化的五维输入空间，比如一个归一化处理後的图像块的某种抽象。」
「而m（Ψ（）），我猜测m不是一个简单的测度算子，它更像是一个基於豪斯道夫距离改造而来的。」
「它衡量的不是输出值的大小，而是经过神经网络Ψ这个复杂的非线性映射後，输入空间附近的局部流形结构，被扭曲，摺叠的程度！」
「所以，这一整块sup——{∈l^d}m（Ψ（））的含义是，对於一个给定的网络Ψ，我们在整个输入空间中，寻找那个能让它产生最严重几何畸变的输入。」
「这代表了该网络性能的短板，是它最不擅长处理的情况。」
有人忍不住打字反驳：「这也太夸张了！就算你的解释成立，那最後的≥2π2又是什麽意思？凭空冒出来一个常数下界？这不符合数学的严谨性。」
这人立刻回覆：「这才是最妙，你还记得格罗莫夫关於流形的理论吗？」
「换句话说，漆昊认为，一个神经网络想要无损处理信息，是不可能的，其性能极限，不是由计算能力或者数据量决定的，而是由载体本身拓扑结构决定的！他在用一个数学式子，给深度学习领域，划定了拓扑的边界！」
「是吗？我怎麽感觉有什麽不对！」
「我认为他说的是对的！」
「谢特，也就是说，漆神又要在神经网络上整活了？」
普林斯顿数学系研究生大群的截图，就像一枚被投入网际网路信息海洋的鱼雷，引起了一连串的连锁反应。
起初，它只是在学术圈的小范围内流传，比如一些顶尖高校的内部论坛和群聊组里。
很快，一位在科技媒体实习的博士生，知道漆昊最近的热度，嗅到了巨大新闻价值的他，匿名将截图打包发给了一家知名科技博客。
第二天，当太阳照常升起时，《拓扑学：东方天才为神经网络再添新作？》这一篇文章出现在了数学圈和计算机圈。