();

纪弘从最开始的时候就知道，现有的硬件架构利用模拟手段进行【关键位决策】能力的支持，是有非常大的性能损失的。

但，企业初创，资金缺乏，不得已才采取的这样的方式，饶是如此，对付现在的这些大模型，类思维也已经占尽优势了。

那个时候，启动新型芯片研发的时机并不成熟，也没有必要。

但是现在，纽约大学（NYU）发现的这种基于【元学习】的MLC训练法，成功的训练出了具有【类人泛化能力】的人工智能模型。

而微软更是瞄准了这个时机，一举拿下了纽约大学的这个团队。

国外的企业，确切的说是微软这个敌人，它在进步——即便这依然还是算力堆积的手段，但算力堆积的效率却提高了不少倍。

“敌人在进步啊！”纪弘查阅了无数的公开技术资料以及阿美瑞肯关于【类人泛化能力】的相关报道。

他是试图摸清敌人现在究竟追到了什么程度，仅仅只看他们发的新闻的话，这个进步还是不小的。

以MLC方法训练出的模型，消耗相当于GPT4.0版本60%的算力，在“联想”、“举一反三”、“语言理解”等对比测试中甚至字节超过了GPT4.5的版本。

“这进步还真不小！”纪弘一边赞叹一边做着计划：“看来我这边也要抓紧！”

于是，他迅速的把自己今天得到的思路和方法汇总，并跟公开报道的微软现在的水平做了对比，思考了一番，画了一条横线。

“微软这样的能力已经出现了，”纪弘琢磨着：“是不是可以考虑把同等水平的AI能力，以公众平台API服务的形式提供给国内其他企业？”

一枝独秀不是春，前两天，陈继业说岩浆引擎总经理李栋有意加入卷耳智能科技的时候，纪弘就在考虑是否也做一个类似的公众平台以API的形式对外提供。

今天看到微软的这个水平，他的这个心思就更加的强烈了。

耳语与Windows的竞争尚处在蓄力的阶段，软件的开发和生态的建设也非常重要。

代码AI可以减少软件开发商的开发成本，但光开发不行，软件的智慧能力也要同步跟上，否则操作系统与软件之间就会有操作上的严重割裂感，影响用户体验。

“做！”纪弘思考了一番，还在刚才画的那条线的基础上，上浮20%又画了一条。

他是这么考虑的，既然耳语系统