发他创造效率而萌生的“处理器”模块，很快就发现它与寻常芯片结构的不同之处。
像是自动驾驶这个类目，寻常的cpu处理器计算，则因为运算并非强项所以速度无法满足需要，至于gpu芯片倒是满足，但是它的成本过高与功耗都动辄超过了消费者承受范围。
这时候，专门定制用来贴切这些应用场景的ai芯片便应运而生，像是谷歌早期训练阿尔法狗还用的显卡芯片，后期便直接用自行研发的ai芯片来训练。
林奇这时才懵懵懂懂的想起来。
ai芯片之所以能够胜出，便在于ai算法涉及到的太多卷积、残差网络、全连接类型计算。
而这些计算本质上便是加法和乘法。
类似于林奇曾经接触到的那些法术模型的计算。
要知道，一个成熟些的ai算法，执行一次它的话，动辄便等价于上万亿次加法乘法计算。
而先进些的cpu处理器，算上多核一秒钟的计算次数也就几百亿次。
来处理上万亿次便有着时间差距。
可像是谷歌开发的tpu1，它一秒钟的计算次数，是接近100万亿次。
一秒钟都把上万亿次计算的ai算法执行了上百次了。
如果说gpu是专门从cpu中分离出去处理图像计算，那么ai芯片则是专门分离处理ai算法计算。
这一切，都源自于深度学习对于神经网络算法的依赖！
偏偏。
此时的林奇看着这份硬是在自己脑海里建立起来的奇迹，已经坑不出半句话来。
说多少，
第319章 神经网络(2/8)