我一直在思考（天啊，这开头不太好）关于神经网络，以及为什么无法模拟它们，因为它们需要同时执行许多原子操作（这里指同时），因为这就是神经元更快的原因：它们有很多来计算东西。

由于我们的处理器是 32 位的，所以它们可以计算一个相当大的带宽（意味着许多不同的原子数字，无论是浮点数还是整数），而且频率竞赛也已经结束，制造商开始交付多核处理器，这要求开发人员在他们的应用程序中实现多线程。

我也在思考计算机和大脑之间最重要的区别；大脑使用大量的神经元，而计算机以高频率使用精度：这就是为什么用当前的处理器模型模拟实时 AI 似乎更困难或不可能的原因。

由于 32 位/64 位芯片也需要大量的晶体管，而且 AI 不需要向量/浮点精度，那么在一个处理器上拥有更多的 8 位核心，比如 100 个或 1000 个，是否会是一个好主意，因为它们占用的空间更小（我不在英特尔或 AMD 工作，所以我不知道他们如何设计他们的处理器，这只是一个大胆的猜测），以计划用于这些类型的 AI 模拟？

我认为它不仅仅服务于 AI 研究，因为我不知道网络服务器如何真正利用 64 位处理器（字符串使用 8 位），Xeon 处理器仅仅在缓存大小方面有所不同。

回答：

您所描述的已经可以通过多媒体指令集获得。事实证明，计算机图形也需要在字节甚至半字节上进行许多并行操作。因此，CPU 开始发展向量操作 (SSE, MMX 等)；最近，图形处理器已经向通用计算开放 (GPGPU)。

我认为你误认为神经元处理不是一种向量操作：许多 AI 神经元网络严重依赖于向量和矩阵操作。