第319章 神經網絡
就在林奇沉迷與遲疑於這位神孽以命運之力為他搭建的處理器的接口模塊時，他卻戛然發現腦海里同樣在動工的晶片走向了新的篇章。
迥異於他曾經構思的簡單cpu晶片模型，也並非最近才轉變思路的gpu晶片模型。
而是一種更為極端的晶片模型。
ai晶片。
眾所周知，晶片本身具有多種類型，以製程來分的話，微機與手機作為消費電子的關鍵，自然分配到的也是最好的消費級晶片，像每年各家手機廠商推出的最新款旗艦機，如果不搭配上最新的870/880晶片，都絕對對不起這個稱號。
哪怕這裏面有的晶片因為性能而發熱嚴重甚至成本巨大，但最新最強這個名頭，就是不能輕視之，不然消費者馬上在這一年教做人。
而這些晶片之外，剩下的還有不同種類的晶片，它們並不需要用到最為先進的5nm製程，它們甚至用單片機這些來控制即可，包括不限於arm，dsp這類，也就是總稱的mcu晶片。
它們的製程再高也就28nm級別，但卻是一筆龐大無比的消耗，諸如汽車便是這類晶片的消耗大頭，最簡單兩個車窗控制升降都需要，更別說自動輔助駕駛等複雜的功能模塊。
而ai晶片則是一種在異化之上，比gpu走得還要更加極端的晶片類型。
如果是gpu比起cpu而言，是需求更加多的alu單元（算術邏輯單元）。
那麼ai晶片則是專門針對ai算法定製的專用晶片，所以執行ai算法時能耗更低，效率更高。
林奇最初看着這位神孽以「創生聖言」激發他創造效率而萌生的「處理器」模塊，很快就發現它與尋常晶片結構的不同之處。
像是自動駕駛這個類目，尋常的cpu處理器計算，則因為運算並非強項所以速度無法滿足需要，至於gpu晶片倒是滿足，但是它的成本過高與功耗都動輒超過了消費者承受範圍。
這時候，專門定製用來貼切這些應用場景的ai晶片便應運而生，像是谷歌早期訓練阿爾法狗還用的顯卡晶片，後期便直接用自行研發的ai晶片來訓練。
林奇這時才懵懵懂懂的想起來。
ai晶片之所以能夠勝出，便在於ai算法涉及到的太多卷積、殘差網絡、全連接類型計算。
而這些計算本質上便是加法和乘法。
類似於林奇曾經接觸到的那些法術模型的計算。
要知道，一個成熟些的ai算法，執行一次它的話，動輒便等價於上萬億次加法乘法計算。
而先進些的cpu處理器，算上多核一秒鐘的計算次數也就幾百億次。
來處理上萬億次便有着時間差距。
可像是谷歌開發的tpu1，它一秒鐘的計算次數，是接近100萬億次。
一秒鐘都把上萬億次計算的ai算法執行了上百次了。
如果說gpu是專門從cpu中分離出去處理圖像計算，那麼ai晶片則是專門分離處理ai算法計算。
這一切，都源自於深度學習對於神經網絡算法的依賴！
偏偏。
此時的林奇看着這份硬是在自己腦海里建立起來的奇蹟，已經坑不出半句話來。
說多少，那都是多餘。
法術模型本身涉及的便是最基本的加法乘法運算。
而林奇最初制定的方案，便是日後往人工智能轉型，卻沒想到，居然還在這兒被硬生生地抬了一個台階。
此時他重新望着對面的神孽，對方滿意地看着林奇。
很顯然，林奇看懂了ai晶片的構造，不會讓寶珠有蒙塵的一日。
「神經網絡！」
神孽萌發出驚天的聲音，再度席捲林奇耳膜。
而他的腦海里，也戛然間重新組織起所有關於這個算法的一切資料，並且再度結合上因為知曉而回報的部分。
像某不可名之物，最初出來的時候，是cpu在挖，到如此都是專門定製的礦機，而這些礦機便是用的ai晶片。
acis（ai晶片）在計算領域，算是從cpu與gpu的大幕圍剿里殺了出來。
林奇撇了撇嘴。
法術。
魔法。
法術模型。
論怎樣的施法最可靠，自然是教會處理器自己來完成整套施法流程。
外在的pid處理整體秘能場參數問題，內在的則是ai晶片處理法術模型的計算問題。
人。
根本就不應該存在於這個環節里。
而讓晶片學會施展魔法只是第一步。
第二步是讓晶片學會抉擇！
人類的反應，已經證明無法小於0.1秒，所以短跑認為反應速度超過這個就是搶跑。
然而面對瞬息萬變的法術戰鬥，林奇如果想着1v1的單挑，那麼靠他自己一個確實夠了。
可如果想着是成為法術戰里的萬人敵，那麼他也更需要一套自動的法術應答機制。
這也是無數法師需要事先針對接下來戰鬥指定法術戰方案的原因，因為他的思維已經無法支撐毫秒級響應的戰鬥，只能夠制定更為全面的計劃，然後將其嵌入本能之中。
既然他記憶宮殿內部，有一枚即將誕生的ai晶片，那為何不一條路走到直，順勢把法術應答也開發出來？
而這裏就要繞回到最初的的問題。
機器處理1+1，那可以碾壓世間萬物。
但是機器要知道怎麼選擇法術，就需要經過漫長路了！
光是一個自動駕駛，讓機器來取代人類進行駕駛，就耗費了無數廠家的心血，至今依舊在l2徘徊着。
什麼是機器學習？
換個簡單的說法——
人：1+1=？
機：5
人：1+2=？
機：7
人：3+2=？
機：10
無數次後……
人：1+1=？
機：2。
所謂人工智能。
有多少人工，便有多少智能。
曾經有人距離過一個芒果的例子。
比方要挑選芒果，卻又不知道什麼樣子的芒果好吃，便需要先嘗遍所有芒果，然後總結了深黃色的好吃，此後再買自己選擇深黃色即可。
而機器學習，便是讓機
