曾经被学术界认为高不可攀的“强人工智能”，现如今，只需一个大区的少量经费、资源，就能研发出来，这的确令人意外。
但想了想，方然也没有十分惊讶，毕竟自己想要研发的“强a”，和旧时代学术界心心念念的、那种能通过“图灵测试”的强人工智能，根本就不是一回事，两者的研发难度大有区别，也是很寻常的。
另一方面，既然两三年就能有成果，对“强a初号机”的能力，也不能期望太高。
不同于旧时代的“图灵测试”，今天的强人工智能之判据，着眼于本质、而非表象，nep_791研发的初号机，哪怕其行为特质，以图灵测试的判定就是一个智障，只要表征出可信的自主思维特征，就可以认为研发成功。
一旦研发出基础架构，原则上，要实现更强功能的“强人工智能”，便只需提升其规模。
与人类受制于大脑体积、结构的困窘不同，计算机系统，目前还没有碰到基本架构与运行原理决定的性能天花板，新一代超级计算机的计算效率，虽然只有35~40，相比上一代超算，怎么说也还在继续增长。
而人脑，一百四十亿神经元的组织体，重量一公斤有余，物理上的限制在现阶段几乎无法突破。
有些研究甚至认为，目前的人脑已经是有机物——细胞——器官架构的最高水平，即便再怎样演化，譬如增加神经元的数量（提升规模），提升单个神经元的体积（提高信噪比），填充更多的脑白质（拓展带宽），都会因产生的副作用而得不偿失。
这些研究，在asa的数据库里都有，方然也读过一些，只是暂时还未能确证。
但现在这一切已不重要，不论人脑是否还有演进的可能，短时间内，也根本无法获得飞跃性的提升，根本无法追赶电子计算机的脚步。
只要得到一台切实可用的“强人工智能”，只要肯投入资源，便能得到更强大的“强a”。
尽管这种投入，费效比想必会是一条斜率不断接近于10的曲线，随投入的翻番，所获得的性能则距离翻一番越来越远。
总体看来，还是会比豢养人类研究者更经济。
a与人类研究者，谁更经济，这是方然一早就判明了的，专家组的意见也大致如此。
即便按目前的粗略预计，要具备与科学家相近的智力水平，整个“强人工智能”系统的造价与运行费用必然十分高昂，甚至会大大超出培养、雇佣一批科学家的总消耗，投入产出比也会很难看。
但换一个角度，一个人的智力再怎样高超，将一群人组织起来，从事研究，则所有研究者都会被“信息交流效率低下”所困扰。
人类拥有的交流手段，视觉，听觉，触觉，嗅觉，味觉，除此之外，别无其他。
而这些手段，就算其中效率最高的视觉，传递讯息的能力也一点都不强，即便借助学术论文、科研资料，研究者之间的沟通效率，也很难超过10~100bps。
随着组织规模的扩大，人与人之间，联系愈加繁杂而紧密，这一问题便格外突出。
而利用f体系的计算机系统，则高效得多，哪怕微型计算机之间，彼此间的信息互联也能达到gbps、甚至成百上千gbps的速率。
通讯的优势，在一定系统规模的支持下，可以弥补节点的能力。
继而，在计算机、人工智能领域，创造出智力超越一个人、甚至一群人的系统，也会比想象中来的更容易。
不知不觉，时间来到1495年深冬，nep_791地下建筑内的“强a初号机”完成初步配置，各模块调试正常，等待阿达民审核一系列初始配置，将数据装入系统，就可以上电进行第一次持续联调。
只是1pflops基础算力，对应的智力，可以达到什么样的水平呢。
这一点，在研发时进行过几轮仿真、估算，事到如今，莱斯利兰伯特还是说不准，毕竟置信区间跨越几个量级，这种预测数字几乎没有意义。
故，在设置初号机的背景知识库时，研究人员的设置，是谨慎的提供f基础库——数学部分的信息，这些信息都是年头已久、绝对正确的概念、公理、定理等，难度则设置在“小学低年级”的水准。
难度水准仅供参考，事实上，研发组中的数学家，会同莱斯利兰伯特一起研讨，仍无法判断提供给“强a初号机”的数据，相当于人类的什么水平。
反正一开始的强人工智能，无须与人类比较，只要有自我思维能力即可。
贯注数据，检查所有模块正常，西历1495年12月的某一天，强人工智能初号机进入第一次没有明确目标的全系统联调，算力1pflops的巨型机开始全速运转，监控系统抽取的数据，显示a的逻辑内核运行基本正常。
基本正常，放在传统的计算机领域，这是一个很模棱两可、似不应出现的词。
用在当下的场合，显然，也不是指任何vls、超大规模集成电路与