第143章 太恐怖了叭。。＆拿下！
为什么这么说呢
2014年，巴拉巴拉等人在lst基础上，提出了“注意力机制”，解决了传统“序列到序列模型”的瓶颈问题。
这一创新，为2017年出现的transforr架构，埋下伏笔。
而transforr架构，正是后世大模型的核心架构！
同时，lst在语音识別、机器翻译等领域的成功应用，推动了深度学习框架的优化，
以及gpu加速技术的成熟，为大模型时代奠定了工程基础！
提前布局lst，不仅可帮助极光，在当前建立技术壁垒，更能通过持续叠代演进，为后续切入ai大模型领域，积累宝贵的算法工程经验和数据资產！
而算法和ai，前世今生都是洛川最感兴趣的领域！
同时，如果能提前掌握slt和transforr架构，还可推动国內gpu厂商的研发进度。
比如，入股一家或几家国產gpu厂商，向他们开放模型底层优化需求，推动专用定製晶片的合作研发，从而实现硬体-算法协同优化。
同时联合中芯国际等厂商，推动国產65n/45n工艺与gpu架构同步开发。
此时的中芯国际，已经具备生產65n工艺的能力了。
45n產品刚刚通过良率测试，还需要一段时间才能进入量產阶段。
这也是当前全球gpu厂商，普遍採用的工艺。
比如英伟达的8200和9800系列，採用的就是65n工艺。
之后，通过在悠米社区、悠米视频、微博、云计算平台等高频场景，部署基於国產gpu的lst/transforr模型，验证性能指標，数据持续反哺硬体研发。
其二，基於极光云计算平台，开发类似於英伟达cuda的国產並行计算架构，
向开发者开放支持国產gpu的通用计算api，同时提供免费的开发工具链、教程等，建立开发者社区，构建生態系统。
跟悠米社区的开放平台战略十分类似。
cuda是英伟达於06年推出的，並行计算平台与编程模型。
最初是给游戏开发者用的，但却意外打破了gpu的专用性。
使得gpu从单纯的图形渲染工具，转变为通用计算设备。
如ai训练、科学模擬等。
后世，大模型风潮爆发之后，cuda意外成为了ai领域的“作业系统”。
全球90%的ai模擬训练，都是基於cuda。
不过在此时，cuda生態还很稚嫩，英伟达也还没意识到其中的潜力，还是很有机会追赶的。
这就是掛壁的优势同时，洛川还可通过开发重度3d游戏，强制要求游戏引擎深度適配国產gpu的方式，
联合国內的gpu厂商，利用游戏场景的实时渲染需求，强行推动gpu厂商，优化显存带宽、
光线追踪、动態频率调整等技术。
这几项游戏领域的技术，同样也都可应用在ai领域。
比如光线追踪技术，用在游戏里可提升画质，之后却被优化为ai模型的“稀疏计算”，可有效提升ai计算晶片的效率。
动態频率调整技术，用在游戏显卡里，是为了平衡性能与功耗；被移植到数据中心g
pu上，却可降低at训练成本。
而当gpu厂商技术达標之后，还可顺势推出“国產gpu游戏特供版”，通过游戏热度带动销量，反哺硬体研发。
英伟达的gpu，性能领先全球，有很大一部分原因是，初期做游戏显卡，为他们积累了大量的用户和市场份额。
这意味著，英伟达有更多的资金投入研发，更大的用户技术来测试和反馈，从而推动技术更快进步，与竞品拉开差距。
也因此，抢占消费级市场，还是很有必要的。
即便初期国產gpu的性能，大概率还是会落后於英伟达。
但某种程度上说，极光开发的这款游戏，就是为国產gpu量身定做的，想要实现局部超越，那还不是轻轻鬆鬆。
至
