眼下刷计算机分支经验成了齐凡上计算机专业课的唯一动力。因为计算机专业课实在太无聊了，都是些前人已经玩得滚瓜烂熟的东西。即便有更新，也不过就是一些锦上添花的小改动。
更坑爹的是，高校中不会有最前沿的计算机技术，因为IT行业发展太快，而高校和市场是脱节的。至少在华国是这样的。
齐凡其实不仅是对数据库不感兴趣，他对除了AI以外的IT行业内容都不感兴趣。因为那些内容都是陈旧的东西，纵然有创新也不过就是技法上的创新。其应用场景已经锁死了，不会再有半朵新兴的浪花。
就拿数据库来说好了。
纵然现在有人发明了一个超牛的数据库，能将数据查询速度提升到碾压其它数据库的地步。这确实能带来极大的经济效益，可是也仅止于此了。
因为数据库的应用场景就在那里。它就是拿来保存数据的，玩出了花来也不过就是个数据的容器。
铁棒玩出了花来也还是根铁棒，成不了定海神针。
但AI就不同了。
人类的大脑的功率才20W左右。而GTX 680的最高功耗接近200W。
在识别一个数字或者字母这件事情上，人类的大脑只需那么一瞬就完成了。但是XCNN呢？
它需要先建模，然后标注数据，然后跑训练。
即便模型和数据样本没出半点差错，训练跑个单周期一万次就成功，那也要14个小时才能跑完。
相比于人脑的一瞬间完成，GTX 680要在接近满负荷200W的状态下，狂奔近14个小时。
这其中的差距有多大。
人正常行走跨一步的距离大概是70到100厘米。而蚂蚁的平均爬行速度，大概是每秒2.7厘米。
也就是说，如果取折中，人的一步按85厘米来计算。那蚂蚁爬过人的一步也不过就是30多秒。
14个小时足够一只蚂蚁爬出1360米。
如果要用人和蚂蚁的速度来类比人脑和GTX 680的表面差距，那人的一步得跨出1360米。等比例计算的话，如果人的平均身高是1.7米。那为了能一步跨出1360米，人的身高得达到2700多米。
这个高度差不多能够到喜马拉雅山的三分之一。
这就是在GTX 680加持下的XCNN神经网络，在识别数字和英文这一件小事上的表面差距。
数字是平淡的，但数据背后所代表的意义却是波澜壮阔的。
如此巨大的差距，怎能不勾动撩拨起齐凡的兴趣和神经。
况且，这种差距只是表面的差距。
人脑识别数字和英文几乎是不会出错的，但是XCNN如今还有5%的错误率。
更况且，识别数字和英文对人脑来说太简单了。
如果换成是识别图片呢。比如谷哥正在花重金做的一件事--让程序识别猫和狗。
对于这种事，人脑还是能在一瞬间完成。而XCNN呢？想都别想。
齐凡目前为止还没想到如何让XCNN去识别猫狗，连如何让它识别中文，都还在摸索阶段。
什么是差距，这就是差距。
差距最能引起人挑战的兴趣。
齐凡隐隐觉得，或许眼下所谓的神经网络，并非是人脑的运行方式。
人脑的神经元有8000个触点，而XCNN的每个神经节点顶多就是4个触点。这4个触点还分2个输入和2个输出，严格来说其实是2对触点。
他都不敢想象8000个触点是什么概念。
因为神经节点之间的链接是错综复杂的麻花状，每增加一个触点所增加的复杂度是非线性的。
其数学复杂度对应的是X的N次方。X是神经节点的数量，N是每个神经节点触点的数量。
那么哪怕这个X的取值是2，N每增加1，就是对原先复杂度的翻倍。而X的取值绝对不可能是2，因为XCNN的神经节点数量已经过万。
要是按现在XCNN的运行原理，用这种原理去复刻一个人脑，岂不是把整个地球的电量拿来供给都不够。
所以，齐凡才会怀疑，XCNN的神经网络工作原理并非是人脑的运行方式。
但是呢，眼下他没得选。XCNN是离AI最近的一条路。
>>章节报错<<