第两千三百五十八章 孙女(1/1)

首发：~第两千三百五十八章 孙女

哪怕周至想过麦明东可能会给出一个十分无厘头的答案，他也想不到会是这样，不由得愣在了那里。

“啊什么？你先给我说说什么叫做空操作雪橇？”

“哦，”周至这才赶紧将这种系统攻击方式的原理给麦明东讲了一遍。

麦明东听完后的第一反应却是：“这不该是你们四叶草系统防病毒部门研究的课题吗啊？你觉得我会干这个方向？”

这话说得一点没毛病，麦明东负责的项目都是国家级别的大工程，主攻的是应用类，这种堵耗子洞的工作压根就不会看在眼里。

周至有些不好意思的说道：“查资料的时候查到您老的名字，我当时也觉得匪夷所思，所以才给您打了电话。但是益知网上的的确确是您的署名文章。”

“你等下我上网查一查……”麦明东回答了一句，然后周至就听见那边键盘噼里啪啦一阵响，接着听见麦明东惊讶的声音：“咦？还真有一篇，当真奇了怪了……”

“您老再回忆回忆？”周至问道：“你看我没有骗你吧？”

“嗨！准是小苗在搞恶作剧！”麦明东乐和和地道：“这小丫头片子太调皮了，等回来我收拾她！”

“麦老，您说的这位小苗，她是……”

“我孙女儿！才从伯克利分校回来，之前她是蔡少棠的学生，你知道蔡少棠吧？”

安盛信息产业情报司对于全球产业内有建树的华人都有成立档案，周至当然知道这位大擘。

不过这位并非从中国出去的，而是生于菲律宾的华人家庭，一九五九年在菲律宾麻普阿理工学院获得电气工程学士学位后前往美国留学，先后在麻省理工学院和伊利诺伊大学厄巴纳-尚佩恩分校获得硕士和博士学位。之后在普度大学任教，1971年加入加州大学伯克利分校担任电气工程与计算机科学系教授，同时还是欧洲科学院和匈牙利科学院的外籍院士。

同年，他提出了忆阻器理论。

忆阻器是一种与磁通量和电荷相关的无源电路元件，被认为是继电阻、电容、电感之后的第四种电路基本元件，在信息存储、逻辑运算、神经形态计算、非线性电路领域有着非常重要的应用前景。

这一个概念的提出和实现给传统电路理论带来了根本性的变革，在此基础上，蔡少棠更是提出了蔡氏电路和细胞神经网络等理论。

蔡氏电路是一种简单的非线性电子电路设计，但它可以表现出标准的混沌理论行为。在1983年，蔡少棠正在日本早稻田大学担任访问学者时发表了该电路。

这个电路非常容易制作，因此使它成为了一个无处不在的现实世界的混沌系统存在的例子，一些学者为此声明它是一个“混沌系统的典范”。

而简称为cnn的细胞神经网络，那就更加不得了了。

人类对于神经网络模型也曾经走过不少的弯路，从最早的神经细胞模型，到神经网络模型，到感知机的三层结构探索，最终在六十年代掀起了一波文字识别，图像识别，声音识别的高潮。

然而很快，由于当时模型过于简单，导致感知机在原理和功能上都存在巨大的局限性，直到麻省理工学院的明斯基等人经过研究后指出，现有机制下的感知机，根本就不可能识别出线性不可分的模式，哪怕是简单的疑惑问题都无法解决。

这一研究成果，直接让感知机的研究热大退潮。

但是在理论领域，人们对于非线性混沌态的模型分析一直没有停止，诸如“学习矩阵”，“拟神经元”等思路和观点不断出现。

这一理论在八十年代终于获得了巨大突破，诸如“全互联型人工神经网络”，“模拟退火”方法论，“认知过程微结构理论”，“反向传播学习算法误差纠正”，“自适应共振理论”等新的方法开始出现，并且成功地证明了之前困扰人们的非线性感知问题，复杂模式识别问题，自适应特性问题，非线性系统优化问题，是完全可以通过神经网络理论加以解决。

在这些成就的基础上，蔡少棠通过自己的研究，提出了电路理论设计和硬件实现的方法，即细胞神经网络模型。

这是一种局部互连、双值输出的信号非线性模拟处理器，具有连续实时、能高速并行计算、适用于超大规模集成电路实现等特点。

与生物神经元不同，cnn细胞神经元之间的联系主要由权值模板控制，模板的不同体现出的非线性特征也各异，而具有记忆特性的忆阻器可被应用于神经元与神经元之间的机能连接点上，由此来模拟脑细胞神经元网络，实现对信息处理机制的仿真简化，实现逻辑运算和图像处理等功能。

这项研究成果，直接推开了人类未来将人工智能应用于生物医学、图像处理、自动控制、模式识别、信号处理、保密通信等诸多领域的大门，而数十年后的大数据，区块链等新兴技术，也与之密切相关。

虽然这项技术代表着未来的发展方向，但是其实有些过于超前了，目前基本都还在进行实验室研究，真正能够用来解决的问题并不多。

在中国只有一处地方可以提供这样的研究，那就是周至力排众议在数字图书馆中采用的图数据库。

还有字根识别，图形识别，甲骨缀合，混沌超搜等方面，都有运用场景可供实践。

图数据库的优势在于功能强大。

目前主流的传统关系型数据库在设计的时候需要进行严格的数据规范化，将数据分成不同的表并删除其中的重复数据，这种规范化保证了数据的强一致性，对数据关系加以巨大限制之后，才能快速的实现逐行访问。

可是当数据与数据之间形成复杂的关联时，跨表的关联查询增加到强约束难以忍受的时候，问题就来了。

虽然可以通过将存在不同表中的不同属性进行关联从而实行复杂查询，但是开销变得以指数量级的增长方式膨胀，用程序员的话来说，就是系统被庞大的数据关联给活活“憋死”了。

图数据库就不存在这个问题，它的数据关系虽然也映射到数据结构中，但是特殊的组织结构形式和网络分析功能，使它和传统关系型数据库相反，对于关联度越高越复杂，数据量越是庞大的数据集，其查询速度反而更快，尤其适合那些面向对象的应用程序。

同时图数据库可以更自然的扩展到大数据应用场景，因为图数据库构建不受表结构的强一致性约束，能够更加灵活，所以更加适合管理临时或不断变化的数据。

作为穿越而来的周至，当然知道未来的风口是什么，也知道赢在起跑线的意义。(本章完)