我真不是法爺 第318章 神經(jīng)網(wǎng)絡(luò)

，

就在林奇沉迷與遲疑于這位神孽以命運(yùn)之力為他搭建的處理器的接口模塊時(shí)，他卻戛然發(fā)現(xiàn)腦海里同樣在動工的芯片走向了新的篇章。

迥異于他曾經(jīng)構(gòu)思的簡單CPU芯片模型，也并非最近才轉(zhuǎn)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，以制程來分的話，微機(jī)與手機(jī)作為消費(fèi)電子的關(guān)鍵，自然分配到的也是最好的消費(fèi)級芯片，像每年各家手機(jī)廠商推出的最新款旗艦機(jī)，如果不搭配上最新的870/880芯片，都絕對對不起這個(gè)稱號。

哪怕這里面有的芯片因?yàn)樾阅芏l(fā)熱嚴(yán)重甚至成本巨大，但最新最強(qiáng)這個(gè)名頭，就是不能輕視之，不然消費(fèi)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，它們并不需要用到最為先進(jìn)的5nm制程，它們甚至用單片機(jī)這些來控制即可，包括不限于ARM，DSP這類，也就是總稱的mcu芯片。

它們的制程再高也就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(gè)車窗控制升降都需要，更別說自動輔助駕駛等復(fù)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。

那么AI芯片則是專門針對AI算法定制的專用芯片，所以執(zhí)行AI算法時(shí)能耗更低，效率更高。

林奇最初看著這位神孽以“創(chuàng)生圣言”激發(fā)他創(chuàng)造效率而萌生的“處理器”模塊，很快就發(fā)現(xiàn)它與尋常芯片結(jié)構(gòu)的不同之處。

像是自動駕駛這個(gè)類目，尋常的CPU處理器計(jì)算，則因?yàn)檫\(yùn)算并非強(qiáng)項(xiàng)所以速度無法滿足需要，至于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(fèi)者承受范圍。

這時(shí)候，專門定制用來貼切這些應(yīng)用場景的AI芯片便應(yīng)運(yùn)而生，像是谷歌早期訓(xùn)練阿爾法狗還用的顯卡芯片，后期便直接用自行研發(fā)的AI芯片來訓(xùn)練。

林奇這時(shí)才懵懵懂懂的想起來。

AI芯片之所以能夠勝出，便在于AI算法涉及到的太多卷積、殘差網(wǎng)絡(luò)、全連接類型計(jì)算。

而這些計(jì)算本質(zhì)上便是加法和乘法。

類似于林奇曾經(jīng)接觸到的那些法術(shù)模型的計(jì)算。

要知道，一個(gè)成熟些的AI算法，執(zhí)行一次它的話，動輒便等價(jià)于上萬億次加法乘法計(jì)算。

而先進(jìn)些的CPU處理器，算上多核一秒鐘的計(jì)算次數(shù)也就幾百億次。

來處理上萬億次便有著時(shí)間差距。

可像是谷歌開發(fā)的TPU1，它一秒鐘的計(jì)算次數(shù)，是接近100萬億次。

一秒鐘都把上萬億次計(jì)算的ai算法執(zhí)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(jì)算，那么AI芯片則是專門分離處理AI算法計(jì)算。

這一切，都源自于深度學(xué)習(xí)對于神經(jīng)網(wǎng)絡(luò)算法的依賴！

偏偏。

此時(shí)的林奇看著這份硬是在自己腦海里建立起來的奇跡，已經(jīng)坑不出半句話來。

說多少，那都是多余。

法術(shù)模型本身涉及的便是最基本的加法乘法運(yùn)算。

而林奇最初制定的方案，便是日后往人工智能轉(zhuǎn)型，卻沒想到，居然還在這兒被硬生生地抬了一個(gè)臺階。

此時(shí)他重新望著對面的神孽，對方滿意地看著林奇。

很顯然，林奇看懂了AI芯片的構(gòu)造，不會讓寶珠有蒙塵的一日。

“神經(jīng)網(wǎng)絡(luò)！”

神孽萌發(fā)出驚天的聲音，再度席卷林奇耳膜。

而他的腦海里，也戛然間重新組織起所有關(guān)于這個(gè)算法的一切資料，并且再度結(jié)合上因?yàn)橹獣远貓?bào)的部分。

像某不可名之物，最初出來的時(shí)候，是CPU在挖，到如此都是專門定制的礦機(jī)，而這些礦機(jī)便是用的AI芯片。

ACIS在計(jì)算領(lǐng)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(shù)。

魔法。

法術(shù)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(shù)問題，內(nèi)在的則是AI芯片處理法術(shù)模型的計(jì)算問題。

根本就不應(yīng)該存在于這個(gè)環(huán)節(jié)里。

而讓芯片學(xué)會施展魔法只是第一步。

第二步是讓芯片學(xué)會抉擇！

人類的反應(yīng)，已經(jīng)證明無法小于0.1秒，所以短跑認(rèn)為反應(yīng)速度超過這個(gè)就是搶跑。

然而面對瞬息萬變的法術(shù)戰(zhàn)斗，林奇如果想著1V1的單挑，那么靠他自己一個(gè)確實(shí)夠了。

可如果想著是成為法術(shù)戰(zhàn)里的萬人敵，那么他也更需要一套自動的法術(shù)應(yīng)答機(jī)制。

這也是無數(shù)法師需要事先針對接下來戰(zhàn)斗指定法術(shù)戰(zhàn)方案的原因，因?yàn)樗乃季S已經(jīng)無法支撐毫秒級響應(yīng)的戰(zhàn)斗，只能夠制定更為全面的計(jì)劃，然后將其嵌入本能之中。

既然他記憶宮殿內(nèi)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(shù)應(yīng)答也開發(fā)出來？

而這里就要繞回到最初的的問題。

機(jī)器處理11，那可以碾壓世間萬物。

但是機(jī)器要知道怎么選擇法術(shù)，就需要經(jīng)過漫長路了！

光是一個(gè)自動駕駛，讓機(jī)器來取代人類進(jìn)行駕駛，就耗費(fèi)了無數(shù)廠家的心血，至今依舊在L2徘徊著。

什么是機(jī)器學(xué)習(xí)？

換個(gè)簡單的說法——

人：11？

機(jī)：5

人：12？

機(jī)：7

人：32？

機(jī)：10

無數(shù)次后……

人：11？

機(jī)：2。

所謂人工智能。

有多少人工，便有多少智能。

曾經(jīng)有人距離過一個(gè)芒果的例子。

比方要挑選芒果，卻又不知道什么樣子的芒果好吃，便需要先嘗遍所有芒果，然后總結(jié)了深黃色的好吃，此后再買自己選擇深黃色即可。

而機(jī)器學(xué)習(xí)，便是讓機(jī)器先嘗一邊所有芒果，讓機(jī)器總結(jié)出一套規(guī)律。

這里的人，需要的便是描述給機(jī)器每一個(gè)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(jī)器學(xué)習(xí)出一套規(guī)則，判斷“深黃色”芒果好吃。

這個(gè)學(xué)習(xí)過程，便是機(jī)器學(xué)習(xí)，而神經(jīng)網(wǎng)絡(luò)便是最為熱門的機(jī)器學(xué)習(xí)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(jìn)度跳的太快，讓他不得不趕緊加班加點(diǎn)鉆研起接下來的學(xué)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(jīng)的阿爾法狗，利用的算法便是蒙特卡洛算法與神經(jīng)網(wǎng)絡(luò)算法，而神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)對于所有搞機(jī)器學(xué)習(xí)的都是繞不開的壁壘。

這也是林奇需要快速啃掉的知識點(diǎn)。

此時(shí)的他正坐于牢籠之中，內(nèi)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(jìn)行演算。

神經(jīng)網(wǎng)絡(luò)，顧名思義來自人類的神經(jīng)元。

基本上經(jīng)過高中的生物學(xué)教學(xué)也大多能理解神經(jīng)元的原理，它中間是一個(gè)球形細(xì)胞體，一頭是細(xì)小而繁盛的神經(jīng)纖維分支，學(xué)名樹突。

另一頭是單獨(dú)一根長長的突起纖維，學(xué)名軸突。

神經(jīng)元的作用便是各個(gè)樹突接收到其他神經(jīng)元細(xì)胞發(fā)出的電化學(xué)信號刺激，這些脈沖相互疊加之后，一旦最終的強(qiáng)度達(dá)到臨界值，便會讓這個(gè)神經(jīng)元細(xì)胞啟動，隨后朝著軸突發(fā)送信號。

而軸突通過細(xì)胞膜內(nèi)外的納鉀離子交換讓膜電位發(fā)生變化，使得整個(gè)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(fā)他們產(chǎn)生信號，成為二級神經(jīng)元。

像人類的視覺系統(tǒng)，便是通過1億3千萬光感受細(xì)胞接受光信號，在通過120萬節(jié)細(xì)胞軸突將信息從視網(wǎng)膜傳遞到大腦，形成了三維圖形。

而機(jī)器學(xué)習(xí)，便是要教給計(jì)算機(jī)，怎么把它接受的輸入結(jié)果和我們想要的輸出結(jié)果關(guān)聯(lián)起來。

諸如看到一張圖片，它能夠理解這便是我們需要的數(shù)字1.

而這依賴的便是感知器，這也是名為神經(jīng)網(wǎng)絡(luò)的原因。

感知器，本身便是模擬神經(jīng)細(xì)胞，原先的生物學(xué)名詞都有了對應(yīng)的新名字——

權(quán)量、偏置及激活函數(shù)。

機(jī)器無法理解一副圖片，但是它可以把圖片翻譯為“像素點(diǎn)陣”，然后這些點(diǎn)陣以0與1輸入。

林奇默默在地面上化了一個(gè)初中生熟悉的xy坐標(biāo)軸，同時(shí)在上面點(diǎn)出了這四個(gè)左邊，它們連接起來便是一個(gè)正方形，而這四個(gè)左邊分別坐落在四個(gè)象限。

機(jī)器學(xué)習(xí)需要的便是讓機(jī)器知曉諸如這種應(yīng)該算作哪一個(gè)象限？

這便需要神經(jīng)網(wǎng)絡(luò)算法的“分類”作用。

這里輸入是一個(gè)的坐標(biāo)，它是一個(gè)1乘2的矩陣，這是輸入層。

設(shè)定50個(gè)神經(jīng)元，所以它便是一個(gè)1乘50的矩陣，這是隱藏層。

而結(jié)果14象限，則是一個(gè)1乘4的矩陣，這是輸出層。

根據(jù)線性代數(shù)的知識，可以知道矩陣之間是能夠溝通的，所以一個(gè)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(dá)。

這其中的操作，便在于為這個(gè)矩陣運(yùn)算添加激活層以及輸出正規(guī)化，再通過交叉熵?fù)p失來量化當(dāng)前網(wǎng)絡(luò)的優(yōu)劣，最后再進(jìn)行參數(shù)優(yōu)化。

這個(gè)過程所需要的便是反復(fù)迭代。

重新走完這個(gè)過程后，林奇也不禁感慨地嘆息數(shù)分。

他還記得大學(xué)的畢業(yè)論文課題，當(dāng)時(shí)都是由各個(gè)導(dǎo)師根據(jù)自己的專業(yè)范圍制定題目，然后再由學(xué)生們報(bào)名選擇。

當(dāng)時(shí)林奇選的慢了，最后剩下的都是若干不好啃的“算法題”。

畢竟做算法，墓地就是優(yōu)化它的參數(shù)，讓整個(gè)計(jì)算時(shí)間短一些，效果更精確，最終更優(yōu)化些，可是每年一代又一代的學(xué)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(xù)往下深挖，想要靠著視野一眼就挑出鉆石，那根本是無稽之談。

而林奇最終思索數(shù)番，選擇的是一道遺傳算法做全局最優(yōu)的題目，結(jié)果當(dāng)時(shí)matlab早就有一整套成熟的工具包，林奇還是老老實(shí)實(shí)地自己編寫函數(shù)，最終湊出一篇勉強(qiáng)的論文。

最終面對評審專家提問創(chuàng)新之處時(shí)，林奇也只能面前回答，他用的這幾個(gè)參數(shù)組合，未見與前人文章，這才勉強(qiáng)劃水過去。

而他那位選擇了神經(jīng)網(wǎng)絡(luò)算法的舍友，當(dāng)場被質(zhì)疑模擬數(shù)據(jù)造假，差點(diǎn)延畢。

后來為了幫助舍友，林奇當(dāng)時(shí)算是第一次接觸神經(jīng)網(wǎng)絡(luò)算法。

毋庸置疑，在神經(jīng)網(wǎng)絡(luò)算法里，秘能場參數(shù)便是“輸入矩陣”，法術(shù)模型結(jié)果便是“輸出矩陣”。

隨即，林奇在地面是書寫了一段文字——

神經(jīng)網(wǎng)絡(luò)。

人工神經(jīng)網(wǎng)絡(luò)。

以大量的簡單計(jì)算單元構(gòu)成非線性系統(tǒng)。

一定程度上模擬大腦的信息處理、存儲和檢索等功能。

BP網(wǎng)絡(luò)的誤差反向后傳學(xué)習(xí)算法。

輸出后誤差來估計(jì)輸出層的直接前導(dǎo)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(jì)。

他一步一步地重新將整個(gè)神經(jīng)網(wǎng)絡(luò)的知識梳理一遍。

他相信，這也是對面那位神孽所等待的內(nèi)容。

這也是兩者之間的交換！

一種無須言說的默契。