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，便是讓機器先嘗一邊所有芒果，讓機器總結出一套規律。
這裏的人，需要的便是描述給機器每一個芒果的特徵，從顏色大小再到軟硬，最終讓它輸入好吃與否。
剩下的則等機器學習出一套規則，判斷「深黃色」芒果好吃。
這個學習過程，便是機器學習，而神經網絡便是最為熱門的機器學習法。
林奇重新秉心靜氣，走到記憶宮殿的書架之上，默默翻開最初的書籍。
進度跳的太快，讓他不得不趕緊加班加點鑽研起接下來的學識，他就像是一位油燒開了才剛開始翻菜譜的廚子。
情況雖然有些萬分火急，卻又冥冥中有着一種註定。
曾經的阿爾法狗，利用的算法便是蒙特卡洛算法與神經網絡算法，而神經網絡學習對於所有搞機器學習的都是繞不開的壁壘。
這也是林奇需要快速啃掉的知識點。
此時的他正坐於牢籠之中，內心別無他物地在泥濘的地面上推演起來，絲毫沒有顧忌上面的污穢與沙土，仿佛這便是一副寬屏的黑板供他進行演算。
神經網絡，顧名思義來自人類的神經元。
基本上經過高中的生物學教學也大多能理解神經元的原理，它中間是一個球形細胞體，一頭是細小而繁盛的神經纖維分支，學名樹突。
另一頭是單獨一根長長的突起纖維，學名軸突。
神經元的作用便是各個樹突接收到其他神經元細胞發出的電化學信號刺激，這些脈衝相互迭加之後，一旦最終的強度達到臨界值，便會讓這個神經元細胞啟動，隨後朝着軸突發送信號。
而軸突通過細胞膜內外的納鉀離子交換讓膜電位發生變化，使得整
