陳神離開王倩的辦公室，來到暴風艙，在這裡三組三胞胎還在這裡進行連線訓練。
【新章節更新遲緩的問題，在能換源的app上終於有了解決之道，這裏下載 huanyuanapp.org 換源App, 同時查看本書在多個站點的最新章節。】
即使是新年也沒有回去，陪著他們的還有馮三石等人。
“新年快樂啊！”
新年的氛圍還沒有散去，看到陳神走進來，馮三石這一批研究員，以及坐在一邊等待上場的駕駛員都笑著向他問好。
有的人還特地拿出了一個紅包遞過來，弄得陳神哭笑不得。
“你這算是賄賂啊！”
最後他還是收了下來，向眾人慰問了一番之後，陳神才開始找馮三石他們瞭解這段時間以來的實驗情況。
“情況很好，成績最好的人現在已經可以和暴風手臂維持正常連線兩個小時了。”馮三石說道。
陳神這才放下心來，雖然他預測這個連線不會是什麼麻煩的問題，但還是有點怕三組三胞胎會適應不了。
又去跟三胞胎談了談，陳神從他們的口中得知，這段時間來他們不僅在這裡適應連線，三人通感也沒有落下。
經過長時間的適應之後，他們現在的三人通感連接時間已經穩定在三個小時以上了。
陳神估摸一下，如果這個時間能夠在駕駛艙裡面維持住，那他們已經達到上機的標準了。
不過這個可能性很小，到了駕駛艙裡面，三人通感的基礎再加上整架機甲的壓力，他們的連接時間必定會降低。
“你們繼續加油，這段時間來辛苦了。”陳神拍拍他們的肩膀加油，隨後便離開了暴風艙。
像是巡視自己領地一樣，又去了旁邊的消防機甲艙室。
這回他沒在艙室裡面看到楊星或者徐明，只有幾個技術員在這裡。
陳神跟他們瞭解了一下這段時間消防機甲的進度之後，就離開了艙室，前往樓上的通感實驗室，同樣瞭解了一下最近的進度。
徐明現在正帶著人修改消防機甲的設計，想要把他之前提出的建議都改到設計上面。
而石奕他們則是一如往常，收集著通感的資料，進行分析。
這個專案目前已經進入了一個停滯期，之前陳神定下的目標現在已經做到了，數據分析也做得足夠多了。
石奕提交上來的分析報告，陳神都已經看完了，對於液化神經元連線這項技術也已經吃透了。
按理來說可以停止這個專案了，因為陳神暫時不打算在這個領域進行深入研究。
但是石奕他們不這麼想，他們認為這個專案還有其他可以發掘的地方。
比如除了陳神提出的那些通感液體介質之外，還有沒有其他的通感介質？
通感會對人的大腦及心理產生什麼樣的影響？
石奕他們設立了許多個研究方向，現在正在向著這些方向而努力。
對此陳神只能祝福他們順利。
接下來的日子都是在基地裡的日常，有空就去消防機甲那裡幫幫忙，或者去看一下暴風艙裡面的實驗。
再不然就是到室外去運動一下，跟王倩確定一下赤紅暴風的籌備進度。
哦，還有系統的第三個專案，這段時間來進度已經推進到百分之十三了。
第一批資料已經公佈了。
這是一個能讓人看了就頭皮發麻的專案。
開啟系統面板，陳神看了一眼上面密密麻麻的程式碼，頓時就覺得自己患上了閱讀障礙和密集恐懼症。
原因無它。
這第三個專案居然是——
【莫斯】
前世小破球裡面的人工智慧！
它掌控著全球的網絡資源，可以透過空間站實現通訊轉接、數據傳輸及儲存、實時語言轉譯、邏輯運算等諸多功能。
簡單地說，全球範圍內只要是連了網路的裝置，它都能夠影響或者操縱。
依託於強大的服務器資源，它建立起了海量的文明資料庫，同時還擁有極快的運算速度，可以同時處理地面及空間站中的所有請求。
雖然不知道它有沒有達到擁有自我意識的強人工智慧標準，但是它的強大功能已經在電影裡面展現得淋漓盡致了。
進可為全球所有人提供同聲翻譯，消除溝通障礙，退可帶著空間站獨自踏上逃亡之路。
不過……
這些程式碼也太多了吧？
陳神看著系統面板上面顯示的程式碼，腦袋都大了。
僅僅只是莫斯的底層架構，程式碼的行數就要按十億級的數量計算。
更別提它後面可能會包含的資料庫，那可是可以重建人類文明的資料庫啊！
這個是真的抄不了……
系統又不提供現實中的資料轉存服務。
他哪怕對著這些程式碼來抄，一刻不停地手打，光一個底層架構就要抄上好幾年！
更不用提後面的其他功能模塊了！
什麼通訊、運算之類的功能，程式碼也是一個比一個多，哪怕他以加特林的速度敲擊鍵盤，有生之年也抄不完這些程式碼。
自從有了系統以來，這還是第一個他抄不了的專案！
不過雖然程式碼不能完全照抄，他還可以學習裡面的理念和演算法。
這些才是這項技術真正的寶庫。
只要把這些理念和演算法都理解了，他就有可能創造出一個與莫斯同級別的人工智慧。
像是資料庫和功能模塊什麼的，只要創造出了人工智慧，都是可以慢慢積累起來的。
所以陳神這段時間來的研究重點就是現在解密的系統底層架構，以及一種特殊的人工神經網絡演算法。
神經網絡演算法是一種模擬人腦結構的演算法模型，它由許多層不同的單元構成，每一個不同的單元可以類比為人腦中的神經元。
這些單元的功能結構簡單，但是它們就像人大腦中的神經元一樣，相互連接著，每一個單元對於資料的運算結果都會輸入下一層單元，這樣一層一層地運算下來，最終可以實現非常復雜的資料計算，從而得到人們所期望得到的結果。
神經網絡演算法的用途十分廣泛，大眾經常使用的圖片識別、語音識別、乃至AI換臉的背後都有它的影子。
同時它也是計算機自行“學習”的基礎。
以圖片識別作為例子，如果向計算機展示貓的圖片，計算機就可以透過演算法分析並記住貓的特徵。
並且在之後展示的其他圖片中，計算機可以根據這些特徵識別出圖片裡面的貓，這種識別會隨著識別量的增大而越來越精確。
這就是計算機的學習。