与影响的局部综合模型简化为【簇】作为自身对预测事物的【整体变量】计入预测模型呢？”

“不同的【簇】……权重……”

纪弘的脑子在飞速的转着，又结合到了今天所获的技术能力——gpu算力调度方向技术能力——这是不是也是另一种调度呢？

这些天，纪弘的脑子越来越灵光，举一反三的能力也越来越强了——这种【时间与影响】的综合模型是否计入预测模型的变量，计入的权重与时机，本身跟【调度】就有异曲同工之处，只是确实更为复杂了。

但如果快刀斩乱麻，化繁为简，以【簇】做为基础变量单元的话——

每时每刻都会产生变量，将一段时间产生变量总和作为【簇】……

这样的话，时间跨度越短，【簇】越精细，变量参数就越多，相应的预测精准度就越高，预测模型也就越强大，当然，算力消耗也更大。

时间跨度越长，【簇】越粗糙，变量参数越少，算力消耗就小，相应的，预测模型也就越弱，精准度就会差点儿。

“思路还是可以的，回头测试一下，看看效果。”

纪弘脑筋飞速的旋转着，双手噼里啪啦的敲着键盘，迅速的记录着自己的思路和方案，慢慢的形成了一整套的理论和技术方案。

“变量越少越精准，预测股票和经济估计会差点儿意思，顶多差强人意，但如果用在工业上呢？比如芯片流片成功率与性能预测？”

纪弘感觉很有搞头，而且这东西是真的有巨大的市场需求的！

芯片的设计与制造，流片费用是一个无论如何也避不过去的成本，而且，越先进的制程，流片成本越高。

14纳米芯片进行一次流片就需要3000万人民币以上，7nm则至少需要两亿多。

台积电最新的制程，3nm的流片成本几乎就已经到了很多顶尖芯片