乱麻，化繁为简，以【簇】做为基础变量单元的话——
每时每刻都会产生变量，将一段时间产生变量总和作为【簇】……
这样的话，时间跨度越短，【簇】越精细，变量参数就越多，相应的预测精准度就越高，预测模型也就越强大，当然，算力消耗也更大。
时间跨度越长，【簇】越粗糙，变量参数越少，算力消耗就小，相应的，预测模型也就越弱，精准度就会差点儿。
“思路还是可以的，回头测试一下，看看效果。”
纪弘脑筋飞速的旋转着，双手噼里啪啦的敲着键盘，迅速的记录着自己的思路和方案，慢慢的形成了一整套的理论和技术方案。
“变量越少越精准，预测股票和经济估计会差点儿意思，顶多差强人意，但如果用在工业上呢？比如芯片流片成功率与性能预测？”
纪弘感觉很有搞头，而且这东西是真的有巨大的市场需求的！
芯片的设计与制造，流片费用是一个无论如何也避不过去的成本，而且，越先进的制程，流片成本越高。
14纳米芯片进行一次流片就需要3000万人民币以上，7nm则至少需要两亿多。
台积电最新的制程，3nm的流片成本几乎就已经到了很多顶尖芯片设计企业都付不起的程度了，据爆料，苹果就为M3系列付出了10亿美元，也就是几乎七八十亿元人民币的流片成本。
这个成本，也就财大气粗的苹果能负担了，高通和联发科都力有未逮，只能选择次一级的工艺。
但流片又是一道不可或缺的芯片设计和制造流程——它决定着芯片设计方案是能否可用，是一个验证设计合理性的实验性质的生产过程。
如果，利用这种AI能力将这种实验生产过程转移到线上，转移到一个工业软件中呢？
“这就是一个能够百分分之百拟真的仿真软件！不对，这应该叫真真软件！”
纪弘神色一亮：“如果能搞，那一定是一款革命性的工业软件！”
……
思路很清晰，但目前时机还不成熟，方案也需要细化，而且这种超大规模的工业软件，再加上需要更强大的AI辅助，必定是需要完整的类思考模型来支撑的，那就需要专有的GPU硬件了。
所以需要再等等，而这几天，纪弘更多的的心思还是铺在公司的初期运营上。
不当家不知道油盐柴米贵，不创业也不知道这件事儿是那么的繁琐复杂。
本章未完，请点击下一页继续阅读！