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。
而是一種更爲極端的芯片模型。
AI芯片。
衆所周知，芯片本身具有多種類型，以製程來分的話，微機與手機作爲消費電子的關鍵，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。
哪怕這裏面有的芯片因爲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爲先進的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）。
那麼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，則因爲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，像是谷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。
此時的林奇看着這份硬是在自己腦海裏建立起來的奇蹟，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。
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，再度席捲林奇耳膜。
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，並且再度結合上因爲知曉而回報的部分。
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處理整體祕能場參數問題，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只是第一步。
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，所以短跑認爲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。
可如果想着是成爲法術戰裏的萬人敵，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，因爲他的思維已經無法支撐毫秒級響應的戰鬥，只能夠制定更爲全面的計劃，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芯片，那爲何不一條路走到直，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喫，便需要先嚐遍所有芒果，然後總結了深黃色的好喫，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徵，從顏色大小再到軟硬，最終讓它輸入好喫與否。
剩下的則等機器學習出一套規則，判斷“深黃色”芒果好喫。