年近三十，科技立業！
老婆，你先睡，我還需要整理一點兒技術思路，這會兒有點兒靈感。”吃過晚飯，又折騰了許久，紀弘拍了拍程薈，輕聲道。
“老公，現在我們的生活已經很好了，不要再像以前那麼拚了，身體更重要！”程薈眼中閃過一絲心疼。
“就一小會兒，我整理個思路，不會很晚的，你先睡吧，乖~u~a！”
程薈也知道，靈感這東西不立刻整理出來，明天可能就沒了，會導致以後老公更辛苦，也就沒有再多勸“那你一定要早點睡！親親~”
“嗯~”
……
ai趨勢預測類模型，這是前兩天紀弘獲得相關設計和訓練靈感的時候記錄下來的。
“這東西還真複雜，不控製變量的情況下，哪怕類思考模型也力有未逮。”紀弘閉上眼睛，默默盤算著
如果用它去預測a股股票的走勢，然後巨資去買，想都不用想，肯定會虧個底朝天！
如果不出手去買的話估計還會好一些，畢竟一件事情自己一旦介入這本身就是一個變量，而這種牽一發而動全身的變量，後果是最不可預計的。
還有，如果利用它去預測未來經濟趨勢，那是不是也要將這種超強大的ai能力本身也加入到變量當中去？
都有這種超級強大的ai了，會對經濟沒有任何影響？不可能的！它本身就是生產工具的一部分，是能產生經濟價值，甚至如果指導政策製定和落實，甚至會改變大局。
但一旦把自身也作為變量進行預測運算，那不可測的因素就會呈指數級上升，這種連鎖效應絕對會把模型本身的能力榨乾，然後拖垮。
紀弘又想起類思考模型的基礎簇式卷積網絡。
“整體與局部的關係，個體與簇的關係，時間影響曲線模型……”
“如果將時間與影響的局部綜合模型簡化為簇作為自身對預測事物的整體變量計入預測模型呢？”
“不同的簇……權重……”
紀弘的腦子在飛速的轉著，又結合到了今天所獲的技術能力——gu算力調度方向技術能力——這是不是也是另一種調度呢？
這些天，紀弘的腦子越來越靈光，舉一反三的能力也越來越強了——這種時間與影響的綜合模型是否計入預測模型的變量，計入的權重與時機，本身跟調度就有異曲同工之處，隻是確實更為複雜了。
但如果快刀斬亂麻，化繁為簡，以簇做為基礎變量單元的話——
每時每刻都會產生變量，將一段時間產生變量總和作為簇……
這樣的話，時間跨度越短，簇越精細，變量參數就越多，相應的預測精準度就越高，預測模型也就越強大，當然，算力消耗也更大。
時間跨度越長，簇越粗糙，變量參數越少，算力消耗就小，相應的，預測模型也就越弱，精準度就會差點兒。
“思路還是可以的，回頭測試一下，看看效果。”
紀弘腦筋飛速的旋轉著，雙手劈裡啪啦的敲著鍵盤，迅速的記錄著自己的思路和方案，慢慢的形成了一整套的理論和技術方案。
“變量越少越精準，預測股票和經濟估計會差點兒意思，頂多差強人意，但如果用在工業上呢？比如芯片流片成功率與性能預測？”
紀弘感覺很有搞頭，而且這東西是真的有巨大的市場需求的！