不得不說，“AI”芯片仿佛某種天譴之物般，哪怕這位神孽不斷地高歌“創生圣言”，賦予林奇充足而龐大無比的創造力，甚至讓他時刻都有著神明的錯覺，那AI芯片在記憶宮殿里依舊艱難難產著。

這種奧妙至巔峰的作品，一旦出世便能夠影響整個魔法文明的存在，林奇腦海里對他的構想，終究是輕微了。

放在外人看來，林奇的所作所為，就像是將一副從a到k，包括花色順序排好的撲克牌，隨意遞給十余位路人切牌洗牌，隨即他再接過來隨便洗上十余秒，然后將所有的牌序恢復如初一樣。

甚至就像是隨手遞給一個初學者擰亂的魔方，結果對方隨手便復原了出來。

這些都并非不可能，而是出現的概率太小。

林奇眼下的“AI芯片”，也是如此。

就像是無數隨意的亂洗牌里，慢慢地揉捏出規律的杰作來，也就大自然的鬼斧神工，才能擔得起這一名字。

很快。

隨著整個芯片大體架構的成型時，林奇也開始陷入一種莫名的震驚之中！

一種類似谷歌曾經開發來alphago的人工智能芯片？

這讓林奇忍不住想起博識圖書館地底奎因殿下的試煉，便是以圍棋智力壓服對手便可以拿到預言的線頭。

曾經的邏輯，仿佛在這一刻重新匯聚起來。

這款谷歌17年專門為了機器學習而開發定制的專用集成電路（ASIC）僅僅用了一年便轉移到云端作為商用，而它也遵循著CPU與GPU的路線。

中文名字，張量處理單元。

說來廣大群眾第一次接觸張量這個名字，可能還是靠著看時間簡史之類的科普著作。

張量，來自于數學，以多線性方式將幾何向量、標量和其他類似對象映射到結果張量的幾何對象。

當時林奇第一次也沒聽懂。

不過他看了看還是大致明白過來，所謂張量，就是一個廣義的矩陣。

高中學習的向量是一維矩陣，數字的立方體是三維矩陣，甚至耽擱數字也是矩陣。

這里冥冥中已經和那神經網絡算法所切合，而張量之所以與純矩陣有曲風，便在于他擁有動態特征——生活在結構中，與其他數學實體相互作用。

而計算機科學里，張量則是一個n緯矩陣。

林奇默默在紙面上重新打版，剛剛他已經將整個神秘的控制知識拱手托出，與著神孽交換。

至于對方是否會靠此找到成神的專門要是與切記，他也都無所謂。

火都燒到眉頭了，誰還會估計明天的飯菜熱不熱。

而隨著書寫，林奇的板書筆法也越發飄忽——

訓練后的神經網絡以標簽或預估值對數據分類，此乃推理。

因此每個神經元都需要進行計算。

輸入數據乘以權重，表示信號強度。

結果相加聚合神經元狀態。

使用激活函數調節神經元參數活動。

如此一步接著一步，連綿不絕。

按理說，三個輸入而只有兩個神經元與一個單層神經網絡的話，權重與輸入便要六次乘法……

如此一來，矩陣里的乘片與取片，都需要大量的CPU周期與內存，而TPU這種芯片，便是為了減輕這種負荷而生。

林奇忍不住皺眉看了眼周圍。

某種程度而言，計算量的負荷和電網的負荷很類似，最大的負荷便決定了整體的高峰所在（計算難度），也決定了接下來他完成“AI芯片”后所能夠到達的高峰。

而供與求有需要平衡，不然的話，第一道崩潰的便是自身。

只是他很快又重新被TPU的構架所吸引而癡迷起來。

只有深入一個項目，才能徹底體會他的樂趣。

因此懂是第一步環節。

這也是棋類活動里，容易入門的象棋比起圍棋受眾要光，而五子棋又比起象棋還有光。

林奇越看，越發忍不住嘖嘖稱奇。

這TPU的架構居然采用了量子技術，在預設的最大值和最小值與八位整數之間的任意值的近似過程里，TPU居然包含了足足六萬五千五百三十六個八位整數乘法器，直接將32位或者16位的計算壓縮成為8位。

實現了曲線的離散化。

完美地減少了神經網絡預測的成本。

第二點，也是更關鍵的。

正如林奇最初所推崇的硬件。

TPU芯片直接封裝了種種神經網絡計算工具。

諸如矩陣乘法單元，統一緩沖區，激活單元等，它們以后十數個高級指令組成，集中完成神經網絡推理所需要的數學計算。

同時它又采用了典型的RISC處理器為簡單計算提供指令。