18，初級人工智慧程式啟動(第1/2 頁)

一萬臺網咖終端，構成了第一個分散式網路節點群。

只要任一臺電腦執行‘世界之旅’，連帶的也會啟動分散式算力程式。

這些算力程式，將會透過網路連線開創軟體公司的伺服器，從中獲取運算任務。

運算的結果，最終返回到伺服器，完成分散式網路運2算的流程。

因為每臺裝置只是在遊戲啟動時呼叫富裕算力，實際上可以算作遊戲的一部分，加上單獨呼叫的算力不會超過總算力的10%，玩家們根本感受不到差別。

現在，江夜明覺得，這些算力可以進行初期構築了。

在深夜的公司機房中，他開始了程式設計。

首先是核心演算法，包括基於神經網路的包括機器學習、深度學習等。

在沒有tensorflow、pytorch那些開發者工具的情況下，江夜明需要設計所有的程式碼，並保證這些程式碼能夠按照想要的效果執行。

這是個非常複雜，且需要反覆驗證的過程。

幸好，系統灌輸的人工智慧知識中，有很多現成的案例可以借用。

不斷編譯，不斷除錯，底層演算法終於構建完成。

然後就是資料自動蒐集，處理、標註、歸納。

沒有這個中間環節，就沒法獲得有用的資料來訓練和測試人工智慧模型。

在花了好幾個夜晚的時間後，江夜明終於做好了這些程式集，並放在伺服器中。

第一次初級人工智慧培育測試開始。

.........

下午五點，開創軟體公司下班時間。

員工們紛紛起身離開，馬友亮最後一個走，在門口又停下，轉身道：“江總，你也別老是熬夜加班了，再年輕也要注意身體。”

“放心我知道。”

江夜明微笑回應，馬友亮又怎麼知道自己的情況，現在付出的努力將是千萬倍的回報。

跨過人工智慧這個門檻後，即便是從二十年後穿越回來的自己，也無法預料會變成怎樣。

科技永生？生化超人？無敵機械？

都是有可能的。

目送著馬友亮離去，江夜明起身將公司門關好。

然後回到機房，敲擊一段程式碼後回車確認。

初級人工智慧程式啟動了。

伺服器向1萬臺網咖電腦中正在執行遊戲的裝置傳送了啟動指令。

正在進行世界之旅遊戲的玩家們，完全沒有發現什麼異常。

可實際上，遊戲程序中已經啟動了資料蒐集程式。

藉助這些資料蒐集程式，宛如擁有了數千個分支，在網路上開始蒐集複製有用的資料。

那些資料被分門別類成不同的資料類別，然後以資料包的模式傳送回伺服器中。

江夜明一直坐在顯示屏前觀看，資料累積在不斷增長，磁碟容量卻在不斷減少。

限制資料增長上限的是網速和硬碟容量。

2003年的網速專線竟然只有100m。

2003年的硬碟最大也才10g，還得花1200元的高價。

江夜明無奈地設定了每晚資料收集上限為5g。

然後開始了下一步：資料歸集。

這一步，他的演算法創造出的ai需要對資料進行清洗、歸一化、特徵提取等預處理工作，以便後續的學習和推理。

例如，對於影象資料，ai需要將影象轉換為數字矩陣，並對其進行處理，以便後續的學習和修改。

當資料歸集完畢，就是機器學習過程。

學習是ai的核心過程，它可以從資料中提取規律和模式，並且適應性地逐步改進自己的演算法和模型。

學習可以分為監督學習、無監督學習和強化學習等多種形式。

在監督學習中，ai需要預測或分類給定的資料，並且根據真實的標籤進行反饋和調整。

例如，給定一組影象和對應的標籤，ai需要預測新的影象的標籤，並且根據預測結果和真實標籤之間的誤差來調整自己的模型和演算法。

在無監督學習中，ai需要從資料中自主學習，發現其中的規律和結構。例如，對於一組未標記的影象，ai需要從中發現其中的模式和特徵：顏色、形狀、紋理等。

在強化學習中，ai需要透過試錯的方式，透過不斷嘗試並根據反饋調整自己的行為，從而實現某些特定的任務。