論怎樣的施法最可靠，自然是教會處理器自己來完成整套施法流程。
外在的PID處理整體秘能場參數問題，內在的則是AI芯片處理法術模型的計算問題。
人。
根本就不應該存在于這個環節里。
而讓芯片學會施展魔法只是第一步。
第二步是讓芯片學會抉擇！
人類的反應，已經證明無法小于0.1秒，所以短跑認為反應速度超過這個就是搶跑。
然而面對瞬息萬變的法術戰斗，林奇如果想著1V1的單挑，那么靠他自己一個確實夠了。
可如果想著是成為法術戰里的萬人敵，那么他也更需要一套自動的法術應答機制。
這也是無數法師需要事先針對接下來戰斗指定法術戰方案的原因，因為他的思維已經無法支撐毫秒級響應的戰斗，只能夠制定更為全面的計劃，然后將其嵌入本能之中。
既然他記憶宮殿內部，有一枚即將誕生的AI芯片，那為何不一條路走到直，順勢把法術應答也開發出來？
而這里就要繞回到最初的的問題。
機器處理1+1，那可以碾壓世間萬物。
但是機器要知道怎么選擇法術，就需要經過漫長路了！
光是一個自動駕駛，讓機器來取代人類進行駕駛，就耗費了無數廠家的心血，至今依舊在L2徘徊著。
什么是機器學習？
換個簡單的說法
人：1+1=？
機：5
人：1+2=？
機：7
人：3+2=？
機：10
無數次后……
人：1+1=？
機：2。
所謂人工智能。
有多少人工，便有多少智能。
曾經有人距離過一個芒果的例子。
比方要挑選芒果，卻又不知道什么樣子的芒果好吃，便需要先嘗遍所有芒果，然后總結了深黃色的好吃，此后再買自己選擇深黃色即可。
而機器學習，便是讓機器先嘗一邊所有芒果，讓機器總結出一套規律。
這里的人，需要的便是描述給機器每一個芒果的特征，從顏色大小再到軟硬，最終讓它輸入好吃與否。
剩下的則等機器學習出一套規則，判斷“深黃色”芒果好吃。
這個學習過程，便是機器學習，而神經網絡便是最為熱門的機器學習法。
林奇重新秉心靜氣，走到記憶宮殿的書架之上，默默翻開最初的書籍。
進度跳的太快，讓他不得不趕緊加班加點鉆研起接下來的學識，他就像是一位油燒開了才剛開始翻菜譜的廚子。
情況雖然有些萬分火急，卻又冥冥中有著一種注定。
曾經的阿爾法狗，利用的算法便是蒙特卡洛算法與神經網絡算法，而神經網絡學習對于所有搞機器學習的都是繞不開的壁壘。
這也是林奇需要快速啃掉的知識點。
此時的他正坐于牢籠之中，內心別無他物地在泥濘的地面上推演起來，絲毫沒有顧忌上面的污穢與沙土，仿佛這便是一副寬屏的黑板供他進行演算。
神經網絡，顧名思義來自人類的神經元。
基本上經過高中的生物學教學也大多能理解神經元的原理，它中間是一個球形細胞體，一頭是細小而繁盛的神經纖維分支，學名樹突。