“各個方向的人都拿了你的算法模型去幫你做實驗，加起來得涉及六七十人起步了。”

    辛頓笑著調侃道：“就是我這個谷歌大腦主管，也沒有見識過這等陣勢啊！”

    “哈哈哈，辛頓老師說笑了。”孟繁岐這個月來，在論文上獲得辛頓的指點甚多，叫這位AI老教父一聲老師，絕對合情合理。

    “這不是英偉達給的那一批顯卡到了，得讓硬件資源動起來嗎？要是顯卡都閑著，怎么像話。”

    “給他一個語音任務，他就敢顛覆整個序列問題領域，我是真不敢想他以后還會做出什么。”阿里克斯原本有些萌生了退意，但孟繁岐的出現給了他不少新鮮的感覺。

    人工智能發展的速度太快了，他作為這個時代的開啟者，怎么能早早就歸隱山林呢？

    “我們還是被硬件設備所限制了，英偉達的那批泰坦上線之后，我們的任務快了好幾倍，有的任務甚至是幾十倍上百倍的速度。以前一個月做不完的一大堆任務，現在一周之內綽綽有余。”

    伊利亞一點也沒有夸張，他和阿里克斯當年做AlexNet的時候，由于顯卡顯存太小放不下，阿里克斯被迫單獨做了針對性的分組封裝，為了使得模型可以在兩張顯卡上運行，工作量相當之大。

    如今在泰坦Z上，就完全不需要再做這么復雜的準備工作，直接放進去就可以運行了。

    在這件事情上，孟繁岐的功勞還是很大的。是他私下里和黃仁勛達成了協議，替谷歌大腦要走了第一批泰坦Z顯卡。

    速度方面，孟繁岐去年中幾萬組裝的電腦，為了跑完千分類那上千萬的圖片數據，得到一次模型就要好幾周的時間。

    “由于那次競賽是我規劃中一鳴驚人的最重要成績，我接近一個月都沒怎么睡好，生怕電腦出了什么問題。”

    孟繁岐回憶起那段時光，自己搞得那么緊張整天撲在代碼上面，其實還是設備不夠好，完全沒有容錯率。如果出錯一兩次，就沒有時間提交足夠好的結果了。

    現在好了，都不需要用很多，四張或者八張顯卡一起運行，一兩天的時間完全足夠了。

    “之后顯卡和多機多卡更加成熟的時候，這個速度還要更不得了。”

    硬件設備升級之后，許多人都在研究如何讓多張顯卡運算得更快。

    到20年左右，128張顯卡再來做這個千分類的數據集，訓練時間甚至可以縮短到十幾分鐘乃至幾分鐘。