高性能计算
算法有两种实现方式，一种是纯串联算法，一种是纯并联算法。
纯串联算法，就是整个算法具备先后顺序性，前面得出的结果，是后面运算的参与因子，比如499979开499973次方乘以499979的结果再乘以499927分之499943，前面的运算没有得出结果时，后面的运算就只能做预处理把非纯串联的算式运算出来，比如在计算499979开499973次方的同时，也可以计算499927分之499943。
纯并联算法，就是整个算法并不具备先后顺序性，比如阶乘，升阶次方，降阶次方……，算法本身可以拆分成很多个小算法，然后使用多个运算单元进行运算。
高性能计算，就是尽可能避免使用串联式算法，而尽可能使用并联式算法，这样才能避免因为算法的原生属性，导致硬件资源的浪费和运算速度的限制，当然这只能说是软解决，治标，本质性还是需要研发出单核心更高的运算频率，这才是硬解决，不怕串联算法，治本。
特殊运算猜想
按照运算和内存的硬件需求，可以分为以下四种：
1：运算要求高，内存需求大比如理论核试验，生物基因运算，非单一人工智能的大数据处理也就是说不存在一种人工智能通用于大数据，各个行业的专家设计属于自己行业专属的专用人工智能。
2：运算要求高，内存需求小比如人工智能决策，最终决策是搁置，确认可以，确认不可以，确认要禁止，确认可以无作为静观其变，最终结果不要求有怎样大的内存，只是运算过程？？？大量的算法参与其中。
3：运算要求低，内存需求大比如数据搜索，数据检索，本身并不需要大量的运算，基本都是同一运算过程群发到所有内存相关的处理器上，然后进行处理，比如时间同步的直播，点播收发服务器。
4：运算要求低，内存需求小。
第四种相当于个人电脑层面，而其他三种则属于大数据应用的常规局面。
如同可以用运算来替代内存需求数据压缩和解压缩技术那么对应的，有没有一种使用内存来替代运算需求运算能力不足时，把队列列表存储到内存中，然后等到闲暇时再进行运算？
按照处理器的发展方向，可以先研究各种算法的专用硬件，比如加减法计算器没错，就是计算过程硬件化，然后把每秒运算次数提升上去，比如每皮秒运算千万亿次加减法，然后是乘除法计算器，无理数运算专用计算器，数组阵列运算专用计算器，三角函数专用计算器，统计计算器，进制转换计算器，以此类推到所有类型的通用计算，然后采纳一些应用较为广泛取其量之大者，以及一些经典的专用计算取其质之高者。
先不考虑大小，先做出来，避免因为大小的限制从而影响其可维护性，可技术升级性，然后再考虑等比例缩小，如何做到越来越小。
当然了，也可以同台竞技，一个团队专门研究和大小无关的大处理器立方千米级处理器，一个团队专门研究和大小有关的小处理器低于立方厘米级处理器。
作者：感觉以后会有覆盖整个天体表面积的脱壳式的处理器设计，那时候，960万平方公里为一个基准单位咯。
如果什么不是问题，那么什么都不是问题一门不出何以通达世界。
不管什么是不是问题，另一些方面都不是问题不存在互为前提。
只有什么不是问题，才能发现的前所未有的问题。
本章已完 m.3qdu.com