不同的 BU 中，不同的业务中又是如何定义年轻人和老人的呢？仅仅是简单的通过年龄去判断吗？还是通过他在该领域的经验与知识呢？在阿里内部，你可以了解更多不同 BU、不同业务的新知识、新技术，其实也是另一种意义上的“永远年轻”。
我们自己是否知道与别人是否知道连线就会得到很多种场景。比如我们知道自己知道，但不知道对方知道，我们以为的相谈甚欢，但是对方却对我们自己遇到瓶颈不以为然，并不想帮助我们更进一步。
有人曾说架构有个“看山四境界”，面对的场景，一个比一个复杂，解决的问题一个比一个困难。在人类早期社会时，就是单纯的为了生存，吃喝保暖、生老病死。就是“看山就是山”的境界，等到面对的事情越来越复杂，就会体悟到更多不同的境界。
放到程序媛的成长上来看，初期我们认为“我是个女孩子，我和他们不一样”。就是“看山就是山”，等到后期慢慢发现，女程序员和男程序员一样，我不是柔柔弱弱的女孩子，我也要像男生那样去拼搏，去夺取更多的荣誉。
这就到了“看山不是山”这一层。拼搏一段时间，恍然大悟，我就是个女孩子，这是我不能改变的，我更应该接受自己和男程序员的不同，发挥自己的优势，才能在工作中做到更好，与自己和解，才能到达“看山还是山”的境界。
传统算法增强后会有很多残留噪声，这些噪声会导致主观听感差，甚至影响语音信息传达的可懂度；
从原理上保证可实时处理，同时客观指标并没有下降，还有轻微的提升；然后在工程实践中，采用cache buffer策略，实现了CNN的流式处理，同时保证分帧后的效果，可以支持任意延时，这也是目前线上应用的版本。
网络结构以1D卷积为主，同时加入了res结构，在每一个blocks中实现了三个卷积单元，通过调整kernel size实现不同维度的特征提取，将不同blocks连接起来，达到推进抽象特征的深入过程，最终得出期望的时频域上的先验信噪比。除此之外，我还进行了去除seq_len，添加highpass，更改数据混合方式，调整训练集中的噪声分布等改进项，从不同角度提升模型的训练效果
为了节省计算资源，我们采用了模型裁剪手段：
1. 把neuron或weight剪掉，使得网络变小。通过对网络的分析会发现有些weight基本为0，对输出影响不大或有些neuron的output总是为0，那这种情况下就可以把它移除。
使用更少的bit来表示权重
调整网络的结构设计，减少参数量
模型可以自适应，在资源不充足的情况下，也可以输出一个还不错的结果；在资源充足时就做到最好
