这玩意儿，最初是出现在很多硅谷it公司，那些程序员嫌弃代码写好后、编译速度太慢，甚至觉得光靠专门的编译服务器都不够用，所以天马行空地创新出一个
“分布式编译架构”，让一家公司里所有同一局域网内的电脑，都可以加入这个架构，然后把编译任务拆分分配给所有电脑，让所有cpu共同分包编译。
分布式编译是从07年出现的，一两年之内，这玩意儿就成长成了
“云计算”。有了云计算之后，应用就很广泛，而云计算对人工智能训练的最大影响，就是某个智能在执行机器学习的时候，不用再受限于这个机器人本身那颗cpu的算力了——机器人自己的cpu不够快，可以接入云，用云上的几千几万台机器的cpu帮你一起算。
这时候，摩尔定律就不重要了。只要算力任务能高效拆分，单颗cpu弱一点就弱一点了，咱可以芯海战术堆数量嘛。
如此一来，其他那些
“算力效率更高、白盒可解释性更强、但训练上限和自动化程度更低的算法”，一下子就争不过深度学习了。
因为深度学习原先最大的瓶颈，就是黑盒，算力效率低下。但云计算的出现，让算力瞬间没那么值钱了，可以大水漫灌狂训你。
……这些道理，顾玩心知肚明，不过他没法全部告诉麻依依。他只能鼓励麻依依，让她往这个领域布局，夫妻俩暂时把外围科技先凑起来。
幸好，时间上也不是非常紧急。地球上杰夫辛顿让学界接受深度学习，就花了两年。
至于后来从学界承认到产业界承认，又花了四年——其中三年都是在等云计算的出现。
他的成绩06年在学界就初步被认可了，但09年云计算才正式出现，2010年杰夫辛顿才被谷歌高薪挖走。
后世的人工智能，用一句话概括运作原理，就是
“使用云计算的算力，用深度学习算法处理学习大数据”。算力，算法，大数据。
三要素里，从技术难度来说，最先有的是大数据，这是一种资源，有稀缺性，但却没有技术含量，所以是最早出现的。
算法，或者说深度学习的思路，是第二个出现的（06年）用这种算法处理这些数据的算力，是最后出现的（09年）三要素都齐了之后，第二年地球上谷歌就开始在这条路上狂奔了。
顾玩觉得，就算自己开了挂，也有1年多的时间，先把基础算法方面的架构性论文发完。
具体追求产业界应用的事儿，将来去留学开公司期间再说好了。而且，把算法渊薮阶段的论文，在中国念书的时候就发表，将来也好撇清跟老外的关系——咱可不是去斯坦索姆留学后，才琢磨出这些玩意儿来的，一开始在中央科大念书，就已经有这方面的建树了，功劳都是中国人的。
让麻依依认识清楚这一切节奏后，顾玩明确分配了任务：“你今年除了修学分之外，我就给你两个发论文的任务。第一，你在计算机本专业领域，琢磨一个分布式编译的活儿。把架构想出来，在你们数科院的项目公司也好，研究所也好，先试着干起来。确有提高效率，就可以把这篇实验性的论文发出去了。第二，在你双修的认知神经科学领域，我希望你发一些人脑神经学习效率方面的研究——跟计算机没关系，就是研究活人的学习效率，多做对照组，具体实验设计，我会帮你一起参详的。这些论文不会直接产生商业价值，但是会让你我有资格在相关领域的顶级期刊稍微混点脸熟，进入圈子。”顾玩原先也发表不少论文了，但可惜都是物理类的。
正所谓隔行如隔山，一旦他想进入数学/计算机算力架构/认知神经科学，重新刷脸刷声望，肯定是免不了的。
就跟你打魔兽，哪怕奥格瑞玛崇拜了，幽暗城还得重新刷不是。当然了，你奥格瑞玛崇拜，对于你幽暗城声望的刷速度肯定略有帮助，比你一个所有声望都没有的纯萌新，肯定要容易一些。
麻依依还是没太明白老公分配的具体任务，但她觉得这不妨碍她搞个人崇拜，盲目迷信跟着老公的思路走。
“我这学期还是先从分布式编译下手吧。我本来就是学计算机的，我觉得这个容易写，也容易发表。”麻依依读大学这一年多来，也是发过论文的，不过一共只发了两篇，还都是在本校的《中央科大学报》上。
这个成绩跟其他本科生，甚至是其他想当交流生的顶级优等生相比，已经很牛逼了。
但是跟她老公一比，那就简直是菜的不行。这次的分布式编译架构，她决定鼓捣出来后，发到外面的期刊上，最好还是外国的。
()搜狗