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，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。