第119章 沒法抄的第三個項目

電影黑科技 第119章 沒法抄的第三個項目

陳神離開王倩的辦公室，來到暴風艙，在這里三組三胞胎還在這里進行連接訓練。

即使是新年也沒有回去，陪著他們的還有馮三石等人。

“新年快樂啊！”

新年的氛圍還沒有散去，看到陳神走進來，馮三石這一批研究員，以及坐在一邊等待上場的駕駛員都笑著向他問好。

有的人還特地拿出了一個紅包遞過來，弄得陳神哭笑不得。

“你這算是賄賂啊！”

最后他還是收了下來，向眾人慰問了一番之后，陳神才開始找馮三石他們了解這段時間以來的實驗情況。

“情況很好，成績最好的人現在已經可以和暴風手臂維持正常連接兩個小時了。”馮三石說道。

陳神這才放下心來，雖然他預測這個連接不會是什么麻煩的問題，但還是有點怕三組三胞胎會適應不了。

又去跟三胞胎談了談，陳神從他們的口中得知，這段時間來他們不僅在這里適應連接，三人通感也沒有落下。

經過長時間的適應之后，他們現在的三人通感連接時間已經穩定在三個小時以上了。

陳神估摸一下，如果這個時間能夠在駕駛艙里面維持住，那他們已經達到上機的標準了。

不過這個可能性很小，到了駕駛艙里面，三人通感的基礎再加上整架機甲的壓力，他們的連接時間必定會降低。

“你們繼續加油，這段時間來辛苦了。”陳神拍拍他們的肩膀加油，隨后便離開了暴風艙。

像是巡視自己領地一樣，又去了旁邊的消防機甲艙室。

這回他沒在艙室里面看到楊星或者徐明，只有幾個技術員在這里。

陳神跟他們了解了一下這段時間消防機甲的進度之后，就離開了艙室，前往樓上的通感實驗室，同樣了解了一下最近的進度。

徐明現在正帶著人修改消防機甲的設計，想要把他之前提出的建議都改到設計上面。

而石奕他們則是一如往常，收集著通感的數據，進行分析。

這個項目目前已經進入了一個停滯期，之前陳神定下的目標現在已經做到了，數據分析也做得足夠多了。

石奕提交上來的分析報告，陳神都已經看完了，對于液化神經元連接這項技術也已經吃透了。

按理來說可以停止這個項目了，因為陳神暫時不打算在這個領域進行深入研究。

但是石奕他們不這么想，他們認為這個項目還有其他可以發掘的地方。

比如除了陳神提出的那些通感液體介質之外，還有沒有其他的通感介質？

通感會對人的大腦及心理產生什么樣的影響？

石奕他們設立了許多個研究方向，現在正在向著這些方向而努力。

對此陳神只能祝福他們順利。

接下來的日子都是在基地里的日常，有空就去消防機甲那里幫幫忙，或者去看一下暴風艙里面的實驗。

再不然就是到室外去運動一下，跟王倩確定一下赤紅暴風的籌備進度。

哦，還有系統的第三個項目，這段時間來進度已經推進到百分之十三了。

第一批資料已經公布了。

這是一個能讓人看了就頭皮發麻的項目。

打開系統面板，陳神看了一眼上面密密麻麻的代碼，頓時就覺得自己患上了閱讀障礙和密集恐懼癥。

原因無它。

這第三個項目居然是——

莫斯

前世小破球里面的人工智能！

它掌控著全球的網絡資源，可以通過空間站實現通信轉接、數據傳輸及存儲、實時語言轉譯、邏輯運算等諸多功能。

簡單地說，全球范圍內只要是連了網絡的設備，它都能夠影響或者操縱。

依托于強大的服務器資源，它建立起了海量的文明數據庫，同時還擁有極快的運算速度，可以同時處理地面及空間站中的所有請求。

雖然不知道它有沒有達到擁有自我意識的強人工智能標準，但是它的強大功能已經在電影里面展現得淋漓盡致了。

進可為全球所有人提供同聲翻譯，消除溝通障礙，退可帶著空間站獨自踏上逃亡之路。

不過……

這些代碼也太多了吧？

陳神看著系統面板上面顯示的代碼，腦袋都大了。

僅僅只是莫斯的底層架構，代碼的行數就要按十億級的數量計算。

更別提它后面可能會包含的數據庫，那可是可以重建人類文明的數據庫啊！

這個是真的抄不了……

系統又不提供現實中的數據轉存服務。

他哪怕對著這些代碼來抄，一刻不停地手打，光一個底層架構就要抄上好幾年！

更不用提后面的其他功能模塊了！

什么通信、運算之類的功能，代碼也是一個比一個多，哪怕他以加特林的速度敲擊鍵盤，有生之年也抄不完這些代碼。

自從有了系統以來，這還是第一個他抄不了的項目！

不過雖然代碼不能完全照抄，他還可以學習里面的理念和算法。

這些才是這項技術真正的寶庫。

只要把這些理念和算法都理解了，他就有可能創造出一個與莫斯同級別的人工智能。

像是數據庫和功能模塊什么的，只要創造出了人工智能，都是可以慢慢積累起來的。

所以陳神這段時間來的研究重點就是現在解密的系統底層架構，以及一種特殊的人工神經網絡算法。

神經網絡算法是一種模擬人腦結構的算法模型，它由許多層不同的單元構成，每一個不同的單元可以類比為人腦中的神經元。

這些單元的功能結構簡單，但是它們就像人大腦中的神經元一樣，相互連接著，每一個單元對于數據的運算結果都會輸入下一層單元，這樣一層一層地運算下來，最終可以實現非常復雜的數據計算，從而得到人們所期望得到的結果。

神經網絡算法的用途十分廣泛，大眾經常使用的圖片識別、語音識別、乃至AI換臉的背后都有它的影子。

同時它也是計算機自行“學習”的基礎。

以圖片識別作為例子，如果向計算機展示貓的圖片，計算機就可以通過算法分析并記住貓的特征。

并且在之后展示的其他圖片中，計算機可以根據這些特征識別出圖片里面的貓，這種識別會隨著識別量的增大而越來越精確。

這就是計算機的學習。