第二日，齐凡抱着崭新的几本教材，踏进了计算机专业研一的课堂。

    虽说他身怀系统自诩不凡，可还是打起了十二分精神来应付研一的课程。

    时值五月中旬，这学期的课程进度早已过半。因而此间的课程对齐凡来说是没有铺垫的。

    今天第一节课讲的是数据库设计与实现。

    虽然前面半个多学期的课程齐凡缺失了，但并不影响他跟上进度。

    上课所用的数据库是mysql 6。

    至于为啥不用Oracle或者sql server。因为那两玩意儿不开源，扒不到源码，那还讲个毛的设计与实现。

    讲台后头，老师讲的正起劲。

    “mysql的索引可以极大提高数据查询的速度。”

    “而建立索引，就相当于对数据提取快照。索引的建立没有固定的范式或者套路可循。需要根据实际的业务逻辑来做调整。”

    “总之，大家要明白。索引其实就是对数据提纲挈领。就像是对一屋子的书籍，提炼出一个大纲书目。让你在找书时，可以根据大纲来查找，而不需要再跑到书架那里，一個个书架地去寻找。”

    “同时呢，索引本身也可以包含一部分常用数据。”

    “比方说：你需要知道某本书的简介，那你可以在做书目大纲的时候，一并把简介也做进去。这样呢，你查这本书的时候，就能直接看到它的简介，就没必要再跑去书架那里翻那本书。”

    “讲到这里，同学们肯定有个疑问。既然能附带简介，那我们为什么不多附带一些内容呢。把书每一章的介绍也附上？然后你们就会发现，这会是一个没完没了的工作，到底附带多少信息才算是最合理呢。因为无限制的附带下去，这份书目大纲本身也会越来越厚。最后就会违背大纲的初衷。”

    “所以说，要根据实际情况去调整索引。”

    齐凡听着上头老师的讲解，感觉很好理解。因为数据库本质上就可以理解成是个超大型图书馆，使用数据库无非就是增删改查，对应图书馆中书籍的插入、拿出、挪位置。

    那数据库最重要的方面。除了保证数据的安全和稳定之外，就是保证数据的快速查询。对应图书馆中对某本书的快速定位。

    既然如此，那这个问题就变得很具体很形象。没啥难理解的。

    齐凡不明白其他人不停记笔记的意义何在。

    台上的老师仍旧在讲着。

    “为了帮助同学们理解记忆，前辈们总结了一首口诀。”

    “全值匹配我最爱，最左前缀要遵守；”

    “带头大哥不能丢，中间兄弟不能断；”

    “索引列上不计算，范围之后全失效；”

    “LIKE百分写最右，覆盖索引不写*；”

    “不等空值还有or，索引失效要少用；”

    “字符单引不可丢，SQL高级也不难。”

    齐凡看着这首口诀，心中已有体会。

    其实吧，这口诀通篇都在强调一个重点--索引是脆弱的，千万不要瞎搞。

    这就好比一个图书馆的书目大纲。

    那大纲内容写多了会太厚，从而失去大纲的本意。写少了则内容缺失，起不到大纲的作用。

    而如果编辑大纲的时候胡来，那有大纲也等于没有。

    【计算机经验+10，积分+10】

    许久不曾开启的系统面板又有了变化。

    【AI系统：Lv0（20/100）】

    【计算机：Lv1（110/500）】

    【数学：Lv0（52/100）】

    【硬件：Lv0】

    【模型：Lv0（40/100）】

    【积分：270】

    想不到一堂课下来就获得了10点计算机经验。

    眼下刷计算机分支经验成了齐凡上计算机专业课的唯一动力。因为计算机专业课实在太无聊了，都是些前人已经玩得滚瓜烂熟的东西。即便有更新，也不过就是一些锦上添花的小改动。

    更坑爹的是，高校中不会有最前沿的计算机技术，因为IT行业发展太快，而高校和市场是脱节的。至少在华国是这样的。

    齐凡其实不仅是对数据库不感兴趣，他对除了AI以外的IT行业内容都不感兴趣。因为那些内容都是陈旧的东西，纵然有创新也不过就是技法上的创新。其应用场景已经锁死了，不会再有半朵新兴的浪花。

    就拿数据库来说好了。

    纵然现在有人发明了一个超牛的数据库，能将数据查询速度提升到碾压其它数据库的地步。这确实能带来极大的经济效益，可是也仅止于此了。

    因为数据库的应用场景就在那里。它就是拿来保存数据的，玩出了花来也不过就是个数据的容器。

    铁棒玩出了花来也还是根铁棒，成不了定海神针。

    但AI就不同了。

    人类的大脑的功率才20W左右。而GTX 680的最高功耗接近200W。

    在识别一个数字或者字母这件事情上，人类的大脑只需那么一瞬就完成了。但是XCNN呢？

    它需要先建模，然后标注数据，然后跑训练。

    即便模型和数据样本没出半点差错，训练跑个单周期一万次就成功，那也要14个小时才能跑完。

    相比于人脑的一瞬间完成，GTX 680要在接近满负荷200W的状态下，狂奔近14个小时。

    这其中的差距有多大。

    人正常行走跨一步的距离大概是70到100厘米。而蚂蚁的平均爬行速度，大概是每秒2.7厘米。

    也就是说，如果取折中，人的一步按85厘米来计算。那蚂蚁爬过人的一步也不过就是30多秒。

    14个小时足够一只蚂蚁爬出1360米。

    如果要用人和蚂蚁的速度来类比人脑和GTX 680的表面差距，那人的一步得跨出1360米。等比例计算的话，如果人的平均身高是1.7米。那为了能一步跨出1360米，人的身高得达到2700多米。

    这个高度差不多能够到喜马拉雅山的三分之一。

    这就是在GTX 680加持下的XCNN神经网络，在识别数字和英文这一件小事上的表面差距。

    数字是平淡的，但数据背后所代表的意义却是波澜壮阔的。

    如此巨大的差距，怎能不勾动撩拨起齐凡的兴趣和神经。

    况且，这种差距只是表面的差距。

    人脑识别数字和英文几乎是不会出错的，但是XCNN如今还有5%的错误率。

    更况且，识别数字和英文对人脑来说太简单了。

    如果换成是识别图片呢。比如谷哥正在花重金做的一件事--让程序识别猫和狗。

    对于这种事，人脑还是能在一瞬间完成。而XCNN呢？想都别想。

    齐凡目前为止还没想到如何让XCNN去识别猫狗，连如何让它识别中文，都还在摸索阶段。

    什么是差距，这就是差距。

    差距最能引起人挑战的兴趣。

    齐凡隐隐觉得，或许眼下所谓的神经网络，并非是人脑的运行方式。

    人脑的神经元有8000个触点，而XCNN的每个神经节点顶多就是4个触点。这4个触点还分2个输入和2个输出，严格来说其实是2对触点。

    他都不敢想象8000个触点是什么概念。

    因为神经节点之间的链接是错综复杂的麻花状，每增加一个触点所增加的复杂度是非线性的。

    其数学复杂度对应的是X的N次方。X是神经节点的数量，N是每个神经节点触点的数量。

    那么哪怕这个X的取值是2，N每增加1，就是对原先复杂度的翻倍。而X的取值绝对不可能是2，因为XCNN的神经节点数量已经过万。

    要是按现在XCNN的运行原理，用这种原理去复刻一个人脑，岂不是把整个地球的电量拿来供给都不够。

    所以，齐凡才会怀疑，XCNN的神经网络工作原理并非是人脑的运行方式。

    但是呢，眼下他没得选。XCNN是离AI最近的一条路。