但人脑的处理方式完全不同，它是神经元在酶的作用下产生对化学刺激产生多种不同的变化和结果。
有多少不同的酶和化学刺激，就会产生多少种不同的状态和反应。
并且，人脑每秒可以有上千亿个神经元同时发挥作用，可以同时完成多项任务，比如我们经常一边喝水一边看电影一边思考，这是计算机无法做到的。
具象地表达的话，计算机智能喝一口水、看一眼电影、想一段问题，然后通过超高频率的计算，把“喝水、看电影”的时间缩短到极致，制造出“同步进行”的假象。
只有在量子态下，同一时间验证所有可能性的工作方式，才能最好地复刻出人脑的底层逻辑。
——
不过，在设备发生改变的前提下，传统的深度学习理论似乎也要做出相应调整？
那就是王建成的事情了。
自己只负责把地基给造出来。
想到这里，陈念打开了系统面板，查看了量子计算机的解析源点要求。
不出他所料，在这个积累并不算深的领域，解析的源点要求极高。
通用型量子计算机的源点消耗直接是一串问号，哪怕是专用型量子计算机，在对“量子体积”有要求的前提下，源点消耗也基本达到了四位数以上。
——
所谓的量子体积，代表的就是量子比特数、量子比特寿命、高保真操作、高连接性几个指标共同作用下，能够成功地相互作用并高概率产生正确结果的量子比特数。
根据陈念的经验，量子体积100以下时，其实基本是没有解析的价值的。
毕竟在2010年，中科大就已经实现了四量子比特纠缠，想要达到100，也只不过是维持现有的技术水平，不断去堆硬件而已。
不划算。
光一台计算机就得上千源点，这还没考虑依赖于量子算法的操作系统呢.
想到这里，陈念无奈地退出了系统界面，重新拿起了桌上的电话，打给了陈果。
“我这里可能遇到点问题。”
陈念直截了当地说道。
“什么问题？”
对面的陈果语气稍有些疑惑地问道。
“嗯应该说，我高估了国内量子计算的发展水平。”
“在当前情况下，想要创造出GAI实现的基础，基本上是不可能、或者说是不经济的。”
“所以，我需要国内在这方面投入更
…。。