还没出门就被堵回来，已经检验过逻辑图的克里斯丹尼尔还有阿舒雷格走进陈洋的办公室，遗憾地通知陈洋他们：AI图形芯片设计引擎画出的逻辑图完全不能用，错误太多。

具体来说，流水线架构有问题，寄存器比例也不对，这些都是图形芯片的核心流处理器的设计问题，貌似陈洋设计的图形芯片设计引擎AI又菜还又爱画，生成的超大规模流处理器如同贴纸生硬得拟合在一起。

数字电路设计到极为高深处，就是很需要经验的事情，阿舒雷格这种顶级的图形芯片架构师解释了几句：“速度的提升与流处理器数量不是简单的线性关系。虽然增加流处理器可以提高并行性，但在实际应用中，遇到倾向于串行处理的任务，就根本不会带来速度上的显著提升。反复去找那个流处理器数量上的甜蜜点，还不如把精神放在优化电路设计、减少访存次数、增加数据通路带宽这种事半功倍的工作上。”

克里斯丹尼尔接着话题继续下去：“流处理器越多，热量越大，如果无法有效地散热，就会导致芯片过热，反而影响性能和寿命，功耗也是个大问题，3个8pin的供电可不是每个人都接受得了，另外，16G的显存意义不大……”

综合评价，两人认为这款AI图形芯片设计引擎像那么回事，但是完全不是那么回事。这下把陈洋搞郁闷了。

商落鸿拍了拍陈洋的肩膀：“继续研究吧，科研哪里是那么容易就能得出来结果的，罗马也不是一日建成的。”

“我觉得是数据精度不够，可能是陈在标注图纸的时候，没有实现清晰和准确标注，因此模型的可靠性和精度没有达到预期。”

“我觉得是数据样本不够，我们看能否提供给你更多的显示芯片的设计图。”

两个看似内行的外行提出了各自的想法，尤其是高级架构师阿舒雷格热情地提供了自GT8800以后的二十余款显示核心的设计图。

陈洋不得已把心中那张流程图的勾再去掉，重新陷入到绝望的标注数据的工作中，AI学习和人类学习在本质上并无不同，都是通过经验和信息来提高自身的能力，只不过人类通过感知、思考、行动和反馈等方式从环境中获取经验， AI模型通过处理数据和反馈信号来获得经验，陈洋得告诉这个笨蛋模型若干次：大的、植物果实、不太圆、肯定不是完美圆的红色、淡粉红色的这个东西，是苹果！

感谢过两位高手之后，陈洋做出了自己的判断，他认为两位高手的说法各有可取之处，数量，决定模型的广度，质量，决定模型的精度。

除了数据数量和质量之外，数据的分布也非常重要。在训练神经网络时，需要将数据分为训练集、验证集和测试集。这些数据集应该包含具有不同特征的数据样本，以避免出现过拟合或欠拟合等问题。