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，他卻戛然發現腦海裏同樣在動工的芯片走向了新的篇章。
迥異於他曾經構思的簡單cpu芯片模型，也並非最近才轉變思路的gpu芯片模型。
而是一種更為極端的芯片模型。
ai芯片。
眾所周知，芯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芯片，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芯片，都絕對對不起這個稱號。
哪怕這裏麵有的芯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。
而這些芯片之外，剩下的還有不同種類的芯片，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製即可，包括不限於arm，dsp這類，也就是總稱的mcu芯片。
它們的製程再高也就28nm級別，但卻是一筆龐大無比的消耗，諸如汽車便是這類芯片的消耗大頭，最簡單兩個車窗控製升降都需要，更別說自動輔助駕駛等複雜的功能模塊。
而ai芯片則是一種在異化之上，比gpu走得還要更加極端的芯片類型。
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）。
那麽ai芯片則是專門針對ai算法定製的專用芯片，所以執行ai算法時能耗更低，效率更高。
林奇最初看著這位神孽以“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芯片結構的不同之處。
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芯片倒是滿足，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芯片便應運而生，像是穀歌早期訓練阿爾法狗還用的顯卡芯片，後期便直接用自行研發的ai芯片來訓練。
林奇這時才懵懵懂懂的想起來。
ai芯片之所以能夠勝出，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，算上多核一秒鍾的計算次數也就幾百億次。
來處理上萬億次便有著時間差距。
可像是穀歌開發的tpu1，它一秒鍾的計算次數，是接近100萬億次。
一秒鍾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，那麽ai芯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。
此時的林奇看著這份硬是在自己腦海裏建立起來的奇跡，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。
而林奇最初製定的方案，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。
此時他重新望著對麵的神孽，對方滿意地看著林奇。
很顯然，林奇看懂了ai芯片的構造，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，再度席卷林奇耳膜。
而他的腦海裏，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芯片。
acis（ai芯片）在計算領域，算是從cpu與gpu的大幕圍剿裏殺了出來。
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芯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裏。
而讓芯片學會施展魔法隻是第一步。
第二步是讓芯片學會抉擇！
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。
然而麵對瞬息萬變的法術戰鬥，林奇如果想著1v1的單挑，那麽靠他自己一個確實夠了。
可如果想著是成為法術戰裏的萬人敵，那麽他也更需要一套自動的法術應答機製。
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，隻能夠製定更為全麵的計劃，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芯片，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。
但是機器要知道怎麽選擇法術，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徘徊著。
什麽是機器學習？
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，卻又不知道什麽樣子的芒果好吃，便需要先嚐遍所有芒果，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，便是讓機器先嚐一邊所有芒果，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征，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，卻又冥冥中有著一種注定。
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麵上推演起來，絲毫沒有顧忌上麵的汙穢與沙土，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，這些脈衝相互疊加之後，一旦最終的強度達到臨界值，便會讓這個神經元細胞啟動，隨後朝著軸突發送信號。
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，使得整個電信號不衰減地傳遞下去。
最終這些信號傳遞到其他的軸突與樹突，再激發他們產生信號，成為二級神經元。
像人類的視覺係統，便是通過1億3千萬光感受細胞接受光信號，在通過120萬節細胞軸突將信息從視網膜傳遞到大腦，形成了三維圖形。
而機器學習，便是要教給計算機，怎麽把它接受的輸入結果和我們想要的輸出結果關聯起來。
諸如看到一張圖片，它能夠理解這便是我們需要的數字1.
而這依賴的便是感知器，這也是名為神經網絡的原因。
感知器，本身便是模擬神經細胞，原先的生物學名詞都有了對應的新名字——
權量（突觸）、偏置（閾值）及激活函數（細胞體）。
機器無法理解一副圖片，但是它可以把圖片翻譯為“像素點陣”，然後這些點陣以0與1輸入。
林奇默默在地麵上化了一個初中生熟悉的xy坐標軸，同時在上麵點出了(1，1)(-1，1)(-1，-1)(1，-1)這四個左邊，它們連接起來便是一個正方形，而這四個左邊分別坐落在四個象限。
機器學習需要的便是讓機器知曉諸如（2，2）這種應該算作哪一個象限？
這便需要神經網絡算法的“分類”作用。
這裏輸入是一個（2，2）的坐標，它是一個1乘2的矩陣，這是輸入層。
設定50個神經元，所以它便是一個1乘50的矩陣，這是隱藏層。
而結果1-4象限，則是一個1乘4的矩陣，這是輸出層。
根據線性代數的知識，可以知道矩陣之間是能夠溝通的，所以一個輸出層的1乘4矩陣可以用最初的1乘2輸入層矩陣表達。
這其中的操作，便在於為這個矩陣運算添加激活層以及輸出正規化，再通過交叉熵損失來量化當前網絡的優劣，最後再進行參數優化。
這個過程所需要的便是反複迭代。
重新走完這個過程後，林奇也不禁感慨地歎息數分。
他還記得大學的畢業論文課題，當時都是由各個導師根據自己的專業範圍製定題目，然後再由學生們報名選擇。
當時林奇選的慢了，最後剩下的都是若幹不好啃的“算法題”。
畢竟做算法，墓地就是優化它的參數，讓整個計算時間短一些，效果更精確，最終更優化些，可是每年一代又一代的學生，早已把沙漠上明顯的寶石撿走了，剩下的方法也就研究生博士生的路子，自己圈一塊地，繼續往下深挖，想要靠著視野一眼就挑出鑽石，那根本是無稽之談。
而林奇最終思索數番，選擇的是一道遺傳算法做全局最優的題目，結果當時mab早就有一整套成熟的工具包，林奇還是老老實實地自己編寫函數，最終湊出一篇勉強的論文。
最終麵對評審專家提問創新之處時，林奇也隻能麵前回答，他用的這幾個參數組合，未見與前人文章，這才勉強劃水過去。
而他那位選擇了神經網絡算法的舍友，當場被質疑模擬數據造假，差點延畢。
後來為了幫助舍友，林奇當時算是第一次接觸神經網絡算法。
毋庸置疑，在神經網絡算法裏，秘能場參數便是“輸入矩陣”，法術模型結果便是“輸出矩陣”。
隨即，林奇在地麵是書寫了一段文字——
神經網絡（nn）。
人工神經網絡（ann）。
以大量的簡單計算單元（神經元）構成非線性係統。
一定程度上模擬大腦的信息處理、存儲和檢索等功能。
bp網絡的誤差反向後傳學習算法。
輸出後誤差來估計輸出層的直接前導層誤差，再以誤差更新前一層的誤差，如此反傳下去獲得所有其他各層的誤差估計。
……
他一步一步地重新將整個神經網絡的知識梳理一遍。
他相信，這也是對麵那位神孽所等待的內容。
這也是兩者之間的交換！
一種無須言說的默契。
7017k
迥異於他曾經構思的簡單cpu芯片模型，也並非最近才轉變思路的gpu芯片模型。
而是一種更為極端的芯片模型。
ai芯片。
眾所周知，芯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芯片，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芯片，都絕對對不起這個稱號。
哪怕這裏麵有的芯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。
而這些芯片之外，剩下的還有不同種類的芯片，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製即可，包括不限於arm，dsp這類，也就是總稱的mcu芯片。
它們的製程再高也就28nm級別，但卻是一筆龐大無比的消耗，諸如汽車便是這類芯片的消耗大頭，最簡單兩個車窗控製升降都需要，更別說自動輔助駕駛等複雜的功能模塊。
而ai芯片則是一種在異化之上，比gpu走得還要更加極端的芯片類型。
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）。
那麽ai芯片則是專門針對ai算法定製的專用芯片，所以執行ai算法時能耗更低，效率更高。
林奇最初看著這位神孽以“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芯片結構的不同之處。
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芯片倒是滿足，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芯片便應運而生，像是穀歌早期訓練阿爾法狗還用的顯卡芯片，後期便直接用自行研發的ai芯片來訓練。
林奇這時才懵懵懂懂的想起來。
ai芯片之所以能夠勝出，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，算上多核一秒鍾的計算次數也就幾百億次。
來處理上萬億次便有著時間差距。
可像是穀歌開發的tpu1，它一秒鍾的計算次數，是接近100萬億次。
一秒鍾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，那麽ai芯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。
此時的林奇看著這份硬是在自己腦海裏建立起來的奇跡，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。
而林奇最初製定的方案，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。
此時他重新望著對麵的神孽，對方滿意地看著林奇。
很顯然，林奇看懂了ai芯片的構造，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，再度席卷林奇耳膜。
而他的腦海裏，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芯片。
acis（ai芯片）在計算領域，算是從cpu與gpu的大幕圍剿裏殺了出來。
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芯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裏。
而讓芯片學會施展魔法隻是第一步。
第二步是讓芯片學會抉擇！
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。
然而麵對瞬息萬變的法術戰鬥，林奇如果想著1v1的單挑，那麽靠他自己一個確實夠了。
可如果想著是成為法術戰裏的萬人敵，那麽他也更需要一套自動的法術應答機製。
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，隻能夠製定更為全麵的計劃，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芯片，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。
但是機器要知道怎麽選擇法術，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徘徊著。
什麽是機器學習？
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，卻又不知道什麽樣子的芒果好吃，便需要先嚐遍所有芒果，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，便是讓機器先嚐一邊所有芒果，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征，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，卻又冥冥中有著一種注定。
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麵上推演起來，絲毫沒有顧忌上麵的汙穢與沙土，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，這些脈衝相互疊加之後，一旦最終的強度達到臨界值，便會讓這個神經元細胞啟動，隨後朝著軸突發送信號。
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，使得整個電信號不衰減地傳遞下去。
最終這些信號傳遞到其他的軸突與樹突，再激發他們產生信號，成為二級神經元。
像人類的視覺係統，便是通過1億3千萬光感受細胞接受光信號，在通過120萬節細胞軸突將信息從視網膜傳遞到大腦，形成了三維圖形。
而機器學習，便是要教給計算機，怎麽把它接受的輸入結果和我們想要的輸出結果關聯起來。
諸如看到一張圖片，它能夠理解這便是我們需要的數字1.
而這依賴的便是感知器，這也是名為神經網絡的原因。
感知器，本身便是模擬神經細胞，原先的生物學名詞都有了對應的新名字——
權量（突觸）、偏置（閾值）及激活函數（細胞體）。
機器無法理解一副圖片，但是它可以把圖片翻譯為“像素點陣”，然後這些點陣以0與1輸入。
林奇默默在地麵上化了一個初中生熟悉的xy坐標軸，同時在上麵點出了(1，1)(-1，1)(-1，-1)(1，-1)這四個左邊，它們連接起來便是一個正方形，而這四個左邊分別坐落在四個象限。
機器學習需要的便是讓機器知曉諸如（2，2）這種應該算作哪一個象限？
這便需要神經網絡算法的“分類”作用。
這裏輸入是一個（2，2）的坐標，它是一個1乘2的矩陣，這是輸入層。
設定50個神經元，所以它便是一個1乘50的矩陣，這是隱藏層。
而結果1-4象限，則是一個1乘4的矩陣，這是輸出層。
根據線性代數的知識，可以知道矩陣之間是能夠溝通的，所以一個輸出層的1乘4矩陣可以用最初的1乘2輸入層矩陣表達。
這其中的操作，便在於為這個矩陣運算添加激活層以及輸出正規化，再通過交叉熵損失來量化當前網絡的優劣，最後再進行參數優化。
這個過程所需要的便是反複迭代。
重新走完這個過程後，林奇也不禁感慨地歎息數分。
他還記得大學的畢業論文課題，當時都是由各個導師根據自己的專業範圍製定題目，然後再由學生們報名選擇。
當時林奇選的慢了，最後剩下的都是若幹不好啃的“算法題”。
畢竟做算法，墓地就是優化它的參數，讓整個計算時間短一些，效果更精確，最終更優化些，可是每年一代又一代的學生，早已把沙漠上明顯的寶石撿走了，剩下的方法也就研究生博士生的路子，自己圈一塊地，繼續往下深挖，想要靠著視野一眼就挑出鑽石，那根本是無稽之談。
而林奇最終思索數番，選擇的是一道遺傳算法做全局最優的題目，結果當時mab早就有一整套成熟的工具包，林奇還是老老實實地自己編寫函數，最終湊出一篇勉強的論文。
最終麵對評審專家提問創新之處時，林奇也隻能麵前回答，他用的這幾個參數組合，未見與前人文章，這才勉強劃水過去。
而他那位選擇了神經網絡算法的舍友，當場被質疑模擬數據造假，差點延畢。
後來為了幫助舍友，林奇當時算是第一次接觸神經網絡算法。
毋庸置疑，在神經網絡算法裏，秘能場參數便是“輸入矩陣”，法術模型結果便是“輸出矩陣”。
隨即，林奇在地麵是書寫了一段文字——
神經網絡（nn）。
人工神經網絡（ann）。
以大量的簡單計算單元（神經元）構成非線性係統。
一定程度上模擬大腦的信息處理、存儲和檢索等功能。
bp網絡的誤差反向後傳學習算法。
輸出後誤差來估計輸出層的直接前導層誤差，再以誤差更新前一層的誤差，如此反傳下去獲得所有其他各層的誤差估計。
……
他一步一步地重新將整個神經網絡的知識梳理一遍。
他相信，這也是對麵那位神孽所等待的內容。
這也是兩者之間的交換！
一種無須言說的默契。
7017k