乔伊对此，自然也是跃跃欲试的。
毕竟真要是成功了，那别说是实际上主导这个项目的昆仑了，就算是开拓者这边，都能就此铸就金身，从此真正的会当凌绝顶，一览众山小的。
毕竟人工智能喊了那么多年，也没搞出来多大的动静，一旦开拓者在这上面完成了实质性的突破，那意味着什么，可就再清楚不过了……
“那你抽时间跑一趟京城吧，技术上的事儿你们负责，具体的操作和推广事宜，我让凯伦副总那边全力配合。”
陈亚军哈哈一笑，“那肯定没问题啊，不是我自吹自擂哈，就上个月斯坦福大学人工智能领域那个Image net大赛，放在咱们这个程序面前，那真的算是啥都不是，真不够打的。”
他提及的这个大赛，比的就是用机器学习的方法，自动准确识别图片的类型和内容。
但是这次大赛的冠军得主，在错误率上还保持在25%左右，而开拓者这个程序的错误率又是多少呢？
答案是个位数，具体地说，已经达到了4%左右。
这几乎是两个时代的产物了，差距至少在5年以上……
当然了，不用想都知道，这又是杨振抢到的气运了！
毕竟这会儿，就连大名鼎鼎的Alex Net（神经网络术语）都还没有被设计出来呢。
在原有的历史发展轨迹上，还是直到2012年，它才得以顺利出世。
而其设计者，就是后世AI界的三位传奇人物：亚历山大·克日扎诺夫斯基（Alex Krizhevsky）、伊尔亚·苏茨克维（Ilya Sutskever）、和杰弗里·辛顿（Geoffrey Hinton）。
其中伊尔亚，就是后来OpenAI的联合创始人。
最开始的时候，Alex Net是使用了CNN（卷积神经网络）的方法，来设计网络的。
在此之前，也有人使用过这个方法，但无一例外都在最后放弃了，原因就在于CNN会耗费大量的计算资源，甚至就连百万美元级别的高性能电脑，都没办法承担这么大的运算量。
但是后来，辛顿教授使用了一块上千美元级别的英伟达GPU芯片，通过CUDA简单的编程工具，成功实现了卷积网络的高速训练和海量数据运算。
这一发现，也为英伟达推开了在AI领域研究方向上的大门。
然后，英伟达才于2015年，同时推出了GeForce GTX TITANX，用于训练深度神经网络的处理，成为了第一代深度学习开发者的标配。
也正是从这时候，英伟达才算是找到了通用计算的方向，进而开始大规模进入各种互联网公司，用于推荐算法、搜索、图像识别、大量的深度学习应用研究等领域。
也让英伟达的芯片架构，面向了深度学习和AI领域的研发。
之后一步一个脚印，走上了封神之路：
2016年的Pascal架构，引入了新的总线和通信协议NV Link，实现了CPU和多个GPU之间的连接；
2017年的Volta架构，引入了专用的Tensor Core张量单元，将深度学习置于核心位置，并推出了加速器，为AI计算提供了前所未有的计算能力；
2018年的Turing架构，再次引领行业变革，通过RT Core核心，实现了游戏中可用的实时光线追踪追踪渲染；
2020年的Ampere架构，又一次完成了技术上的重大突破，不仅增加了对稀疏矩阵计算的支持，还让GPU在游戏、数据中心、AI应用等多个领域，实现了性能上的跨越……