林遠將所有問題歸納為兩點：計算、採集。對於計算問題，林遠一直很想知道這算力系統的實際效能。這系統的1P算力到底約等於現實世界的多少算力。

以前他沒有專業算力裝置來測試，但現在因為測試任務，好團的算力裝置不就是現成的嘛。

好團的紫金分部這邊有一個H100和A100 GPU混搭的測試用算力平臺，林遠成功申請到了一塊A100的使用權。雖然A100比H100差了不少，但這畢竟是正兒八經的算力卡，妥妥能秒殺市面上的各種RTX和HD等電腦用顯示卡。

林遠先跑了次針對TF32資料的通用測試，A100對TF32的計算效能基本穩定在35T/S以上。自己的算力系統要到達同級別表現只需要將近10T/S的算力功率。

林遠據此總算標定了算力系統當前的算力效能：大約比現實世界的算力優秀三倍。也就是說，同樣是1T單位的算力，算力系統的相當於現實世界的3T。

也就是說：系統和現實世界的算力匯率是1比3。

林遠頓時有了種“老子是發達國家，整個現實世界都是第三世界”的感覺，因為老子的算力值錢啊。

可即便如此，林遠也對用算力系統去跑演算法最佳化也沒什麼信心。因為算力系統的算力匯率也就才是3倍，自己這1000P累積算力根本就不夠看的。

但是，哪怕是出於好奇心，試還是要試一下的。

林遠隨即就準備給算力系統載入一份採集好的資料。這份資料是一段時間內一大群騎手的真實配送資料。

林遠很快就遇到問題：特麼的他要怎麼錄入資料。這份資料太大了，足足有10個G，光靠自己眼睛錄入要到猴年馬月啊。

【系統，我都跟你說了，給我腦子裡弄個WiFi，以後你就能和電子裝置通訊了。】

但是，系統並沒有搭理他。

直到林遠打算放棄的時候，系統這才主動彈了個提示。

【資料已載入完畢，是否開始訓練？】

‘什麼時候載入完畢的？’

林遠驚奇地在系統面板上看到了眼前伺服器上一模一樣的資料，這10多個G的資料就那麼幾下功夫就被系統讀取了，整個過程林遠都沒有察覺到。

【原來你特麼不光是隻能靠眼睛錄入資料。】

林遠忽然意識到：難道系統本身就和現實世界有聯絡？

來不及多想，林遠帶著這份好奇心開始了系統的AI模型訓練。

他將算力功率設定在了50T/S，這是一個很安全不會導致他頭暈的功率值。

出乎林遠意料，系統僅僅用時一分鐘就完成了一次資料訓練。50T/S*60S=3000T，也就是才3P的算力消耗。

而林遠清楚知道，A100滿負荷跑同樣的一次資料訓練卻需要十分鐘。

已知，A100的滿負荷算力為：35T/S，則A100滿負荷執行十分鐘產生的算力是：35T/S*600=21000T=21P。

也就是說，完成同樣的工作量。算力系統只用了3P算力，而A100則用了21P。由於A100的算力值是現實世界的算力值，因此哪怕是用H100算力卡，其工作效率雖然會提升，但是消耗的總算力不會改變。

進而得出：訓練這份10G資料集，算力系統1P的算力相當於現實世界的7P。那算力匯率就變成1比7了。

這不就和之前的1比3對不上了嘛。

這系統雖然神奇，但目前為止林遠並沒有發現這系統有突破自然法則的跡象。

AI的模型訓練其實就是資料計算，既然是資料計算，那就不存在那會兒算的慢這會兒算的快的情況，因為林遠用的資料型別沒變，都是TF32。

‘難道算力系統有擬人化？有時幹活快，有時幹活慢？’

帶著這個疑問，林遠在不同的時候使用算力系統計算同樣的那份資料。他試了在吃飯的時候、蹲坑的時候、睡覺前、甚至是，，，看片片的時候，可特麼的最終的算力值消耗是恆定的。

‘艹，你特麼這匯率還是波動的？’

林遠又轉而用算力系統去計算最初的那份TF32測試資料，可又偏偏獲得了最初的1比3的算力匯率。

他又不得不換了另外一份同樣是10個G左右的外賣配送資料，奇怪的事情發生了，算力匯率變成了1比6。

隨後林遠不停地變換資料樣本，最終他發現：隨著選用的資料樣本不同，算力匯率竟然是變化的。

特麼的，資料樣本不同所消耗的算力值變化是正常的。可是算力匯率變化是什麼鬼。算力匯率變化，意味著算力系統處理不同資料樣本時的效率是不同的。

這就好比同樣一臺電腦，在執行不同程式的時候，CPU佔比不同是很好理解的。可特麼這臺電腦執行不同程式的時候，CPU的最高主頻竟然是變化的。這就反科學了啊。

【喂，系統，告訴我，你特麼是不是高維生物。】

【三維世界的規則解釋不了你了呀。】

【啊啊啊~~~】

無一錯一首一發一內一容一在一6一9一書一吧一看！

最後，林遠不得不深入去研究算力系統的AI模型訓練過程。因為當一個黑盒子表現出問題，但你又找不到問題的時候，那你就只有鑽進這個黑盒子去看。

雖然，這個黑盒子，很複雜。

林遠懷著忐忑的心情讓系統展示了詳細的訓練過程。

“這。。。”

林遠瞪大了眼睛，眼前虛空浮現的AR影像中，那代表模型的結構圖形竟然在變化。

AI模型訓練本質上是用算力卡將採集到的資料，扔進預設的一個模型裡頭計算。

模型可以被粗略的當成是一個公式。（反正只要你願意，你甚至可以把整個宇宙看成是一個公式）

所以，AI模型訓練簡化到極致就是：y=f(x)。

x代表取樣資料。

f代表模型。

y是計算結果。

現實中的AI模型訓練是在訓練過程中改變f的引數，比如：f=2x+1，跑著跑著就會變成：f=3x+1。但絕對不會跑著跑著變成f=3x+1/x+1。

除非人為改變模型後重新跑訓練。

但是，算力系統在訓練的時候特麼地把f的模型結構給改了。

也就是說，f這個公式隨著訓練原來一直都在變化。那既然是在變化，那算力匯率能固定就有鬼了。

這就好比，一臺電腦，竟然能跑著跑著更改自己的CPU結構。

這，，，林遠腦中頓時冒出一個難以置信的想法。