回到酒店，王一男打开随身携带的笔记本电脑，启动r，开始整理自己的思路。
人工智能是当前的热点，而神经网络又是热点中的热点，但是除了极少数领域，比如说车牌识别，或者极少数个例，比如说米歌的围棋狗以外，在实践中很少看到具体的应用案例。
造成这种情况的原因很简单，那就是神经网络对硬件的依赖性，在普通的86电脑或者基于r芯片的手机上不是不能运行神经网络，但是运行的效率绝对会让你发狂。
还有神经网络那庞大的数据量，全部装到手机里面几乎是不可能的。
所以，目前的神经网络应用是极度依赖硬件的，这也就限制了它的应用范围，反正你记住，在普通的手机上几乎跑不起来一个实用的神经网络就对了。
但是有了王一男的新发现和新技术就完全不一样了，对样本的整理和训练这一步没有捷径可言，老老实实的在专用硬件上花很长时间进行就好了，这也不是问题的焦点所在。
但是一旦训练完成，神经网络稳定之后，王一男就可以利用一系列的数学工具，以及形式化技巧，根据神经网络的类型，对庞大的神经网络数据进行分块的指令化。
简单的理解，可以认为将神经网络这种多层迭代的运行方式，映射成普通冯诺依曼机器的运行方式。
具体而言，比如说对于其中1/8的神经网络分块，映射为一种通用的冯诺依曼机器指令，比如说，或者的字节码吧。
你可以认为王一男找到一种编译方法，可以将神经网络的数据，编译成一种通用的字节码，再利用现成的（即时编译）技术，或者的编译技术，得到可执行的p或者手机程序。
最后，再将所有的分块组合起来，就能得到任何训练后的神经网络，在p或者手机上的编译版本。
也就是说，制约人工智能发展的最大的障碍，硬件的限制现在完全不存在了，只要在专用的硬件上用足够的样本训练出符合要求的神经网络，然后利用王一男的技术，就能够将这个训练好的神经网络编译到普通
