AI的模型训练其实就是数据计算，既然是数据计算，那就不存在那会儿算的慢这会儿算的快的情况，因为林远用的数据类型没变，都是TF32。
‘难道算力系统有拟人化？有时干活快，有时干活慢？’
带着这个疑问，林远在不同的时候使用算力系统计算同样的那份数据。
他试了在吃饭的时候、蹲坑的时候、睡觉前、甚至是，，，看片片的时候，可特么的最终的算力值消耗是恒定的。
‘艹，你特么这汇率还是波动的？’
林远又转而用算力系统去计算最初的那份TF32测试数据，可又偏偏获得了最初的1比3的算力汇率。
他又不得不换了另外一份同样是10个G左右的外卖配送数据，奇怪的事情发生了，算力汇率变成了1比6。
随后林远不停地变换数据样本，最终他发现：随着选用的数据样本不同，算力汇率竟然是变化的。
特么的，数据样本不同所消耗的算力值变化是正常的。可是算力汇率变化是什么鬼。算力汇率变化，意味着算力系统处理不同数据样本时的效率是不同的。
这就好比同样一台电脑，在运行不同程序的时候，CPU占比不同是很好理解的。可特么这台电脑运行不同程序的时候，CPU的最高主频竟然是变化的。这就反科学了啊。
【喂，系统，告诉我，你特么是不是高维生物。】
【三维世界的规则解释不了你了呀。】
【啊啊啊~~~】
最后，林远不得不深入去研究算力系统的AI模型训练过程。因为当一个黑盒子表现出问题，但你又找不到问题的时候，那你就只有钻进这个黑盒子去看。
虽然，这个黑盒子，很复杂。
林远怀着忐忑的心情让系统展示了详细的训练过程。
“这。。。”
林远瞪大了眼睛，眼前虚空浮现的AR影像中，那代表模型的结构图形竟然在变化。
AI模型训练本质上是用算力卡将采集到的数据，扔进预设的一个模型里头计算。
模型可以被粗略的当成是一个公式。（反正只要你愿意，你甚至可以把整个宇宙看成是一个公式）
所以，AI模型训练简化到极致就是：y=f(x)。
x代表采样数据。
f代表模型。
y是计算结果。
现实中的AI模型训练是在训练过程中改变f的参数，比如：f=2x+1，跑着跑着就会变成：f=3x+1。但绝对不会跑着跑着变成f=3x+1/x+1。
除非人为改变模型后重新跑训练。
但是，算力系统在训练的时候特么地把f的模型结构给改了。
也就是说，f这个公式随着训练原来一直都在变化。那既然是在变化，那算力汇率能固定就有鬼了。
这就好比，一台电脑，竟然能跑着跑着更改自己的CPU结构。
这，，，林远脑中顿时冒出一个难以置信的想法。
