人類失蹤，幸好我有億萬克隆體 第七十二章 超算

完成了技術積累與驗證后，李青松立刻著手開始建造新的芯片工廠出來。

相比起前幾座芯片工廠，這一座工廠的面積更大，整個產業園，算上各種配套設施，占地面積達到了足足10平方公里。3

這不僅僅是因為這座工廠的設計產能更高，達到了年產各規格、型號的45納米制程芯片約2000萬枚的緣故，更是因為，相比起之前的800納米芯片，此刻45納米芯片的工藝更加復雜，流程更多，對于環境的要求也更高。

從最開始的二氧化硅的提純，到最后的芯片封裝出廠，全部工序加起來足足有1000多道！

專門為這座工廠供貨或者供能、提供輔助的各種類型工廠加起來足足有好幾百座。

這樣一個龐大的生產基地，放在以往時候便連李青松都要大費周章，耗費數年時間才能建成。

但現在，伴隨著最大意識連接數暴漲到500萬以上，僅僅半年時間而已，這座芯片基地便已經全部建成，并完成了所有的設備安裝與調試工作。

其余的所有輔助工廠也都建成，于是它立刻便投入到了生產之中。

與此同時，其余那些之前建造的，工藝較為落后的芯片工廠也沒有停產，而是仍舊在維持著滿負荷的生產。

原因很簡單，45納米制程的芯片是最先進的，好當然是好，但不是什么地方都需要用它。

就像是一臺挖掘機的油路控制芯片，就算拿毫米級制程的芯片都足以滿足要求，拿45納米的芯片去做什么？

浪費也沒有這么浪費的。

實際上，李青松的整個基地集群里，用量最大的反而是那些制程較低，工藝較為落后的芯片。

如此，各種不同制程的芯片同時生產，工廠同時運行，李青松的總體芯片產能伴隨著這座最新工廠的投產，順利突破了5億大關，達到了年產芯片5.2億枚的水平。

當第一批45納米芯片還未生產出來之時，李青松便開始了另一個重點項目的建設。

超級計算機！

超級計算機使用大量芯片并行運算，可以獲取到遠超普通計算機的性能，是工業發展、科學研究等幾乎所有領域都不可或缺的關鍵設施。

李青松即將要發展的AI技術也離不開它。

超級計算機李青松之前也有，使用了約2萬枚800納米制程芯片，浮點運算能力達到了每秒鐘約千億次左右。3

這個運算能力放在之前夠用，現在就不行了。

這一次，李青松打算建造一座使用約13萬枚芯片，浮點運算能力達到每秒鐘400萬億次的超級計算機！

并不是李青松不想造的更大。而是，超級計算機這種設施，其算力提升并不是粗暴的芯片堆疊這么簡單。

相比于提升芯片數量，更重要的是它的并行運算能力，也即如何設置一套算法，使用對應的硬件，有效的將計算任務分配給每一枚芯片。

讓它們協同工作才是最重要的。

除此之外，還有內存帶寬與容量、存儲系統的讀寫速度、數據傳輸和延遲等等方面，都制約著超算的算力。

在其余技術沒有突破的前提下，有時候多增加芯片，反而會降低超算的算力。

李青松抽調了數千名克隆體，進行了大量的優化，才最終設計出了這一套超算系統。

此刻，這座超算中心已經建造完成，就等芯片到來了。

沒等幾天時間，專門設計的超算芯片終于制造完成。

將它們運輸到超算中心，李青松操縱著克隆體們快速開始了安裝工作。

這總數約13萬枚芯片被李青松分成了65536個節點，每個節點布設兩枚芯片，相互之間使用專門研發的光纖連接，內存則達到了64TB。3

為它供電的，是李青松專門建造的一座裝機容量在1.5萬千瓦時的發電站。

這玩意兒的耗電量就是這么恐怖。一個小時而已，就要耗費1.5萬度電，一年就要耗費1.3億度電。

耗電量恐怖，發熱量當然也極為恐怖。1

李青松為此專門設計了一套水冷系統，在超算中心周邊鋪設了大量的管道，總長度達到了上千公里，覆蓋范圍達到了十幾平方公里。5

彩虹對于水太過執著了，這個寒冷星球上用點別的液冷不好嗎？

完成安裝之后，伴隨著李青松的一道指令，它終于轟鳴著開始了運轉。

剎那間，無數次計算開始在每一枚芯片之中發生。伴隨著最基本電路單元的變化，熱量開始生成。

一枚芯片生成的熱量很小。但十幾萬枚芯片加起來，其發熱量就極為恐怖了。

于是，冷卻管道之中，冰涼的冷卻水瞬間開始被加熱，同時開始向外流動。

洛神星的大地常年處于零下250多度的低溫，此刻，通過鋪設在其中的管道，來自超算中心的熱量便被散布到了洛神星的大地之中。

被冷卻之后，這些水便再度回流到了超算中心里，再一次攜帶上熱量向外流動。

如此反復循環，超算中心便能始終在適宜的溫度之下運行。

此刻，伴隨著超算中心開始產出熱量，李青松布置在附近的傳感器敏銳的探測到，這一片洛神星的大地開始了緩慢的升溫，甚至有一些熔點較低的氣體開始了融化，開始了向星際空間之中的擴散。5

如果用紅外望遠鏡觀察的話，甚至能明顯看到這一片大地的顏色更深一些，明顯區別于周邊區域。

如果洛神星上也有生態圈的話，李青松甚至可以說，就這一座超算而已，便能改變這一片大地的生態。

測試完畢，確認一切符合預期，李青松立刻將上千名程序員克隆體編寫的學習算法上傳到了超算之中。

之后，來自每一座工廠、每一座電廠、每一座科研基地、種植基地甚至于畜牧基地，以及每一輛卡車、火車、拖拉機、挖掘機、飛船、衛星，等等等等，幾乎每一處芯片生成的數據都開始向這臺超算匯聚。

這龐大的數據，便是這一套學習算法的“糧食”。

在這些高質量數據的喂養之下，這一套學習算法不斷自我迭代自我優化，迅速的成熟了起來。1