甚至經過一段時間的訓練和學習，ai還能找到最優的通關方式。
比如先精準消掉左上角的幾個方塊，打通所有方塊的上方路徑，然後再把小球打進去，讓小球在方塊陣的上方，在牆壁與方塊陣之間來回反覆反彈，每趟能連擊消除幾十個方塊，大大提高了通關速度，並且獲得更多的連擊分數加成。
這樣的遊戲思路和技術，可能只有高玩才能想到和做到，到了這一步，ai在打方塊這款遊戲裡的技術水平，顯然已經超過了普通玩家，其學習方式，就不是“監督學習”了，而是“強化學習”，ai擁有了自主學習的能力。
同樣的方式，如果將ai放入其他遊戲，或者說不同演算法模型裡不斷地的學習總結，那麼一樣也能訓練培養出能力極強的ai出來。
從本質上看，培養教導ai，其實與教育小孩沒有太大區別。
那麼反過來說，透過遊戲進行寓教於樂學習，才是人類小時候最佳的教育學習方式，將遊戲視為洪水猛獸，是不可取的，在教育方法上，自我強化學習也要比填鴨式“監督學習”效果更好。
演算法問題解決了，接下來就要滿足算力和資料的條件。
資料不必多說，遊戲訓練平臺本身就是在不斷地收集資料，隨著ai智慧不斷提升，資料收集的速度和質量也在不斷提升，而在實際運用場景中，遍佈全網的大資料瞭解一下？
比如未來的人工智慧無人駕駛技術，現在沸騰汽車、沸騰出行就已經在收集相關資料了。
為什麼資料很重要，就重要在這裡，誰擁有大資料，誰才能做ai，否則連人工智慧的門檻都邁不進去。
而顯然，沸騰集團和方洲國際在資料收集方面，絕對是全球領先的，軟硬體基礎比其他國際網際網路大鱷打得都要好。
而收集、統計、處理這些資料，又需要海量的算力支援，這就涉及到超算中心專案了。
經過兩年的佈局和發展，目前沸騰超算中心已經建立了超過100座超算機房，投資額超過300億，但算力依然供不應求。
其中科研雲端計算、雲網咖是目前超算中心最大的兩個業務板塊，其中又以科研雲端計算的需求為最。
原因很簡單，國內提供能這麼強大算力，並且服務費用這麼低廉的超算中心，只有沸騰超算中心了。
眾所周知，搞科研很燒錢，而計算機科研燒錢主要就是燒在了人力、硬體和電力上。
人力方面還好說，畢竟是高科技人才，值那個價，要做相關科研，這是必須的投入。
而硬體方面，根據摩爾定律，計算機硬體更新換代的速度很快，如果讓科研機構自己時不時地升級硬體裝置，成本太高，根本耗不起，但如果不更新升級硬體裝置，能耗大不說，工作效率也低，並非長久之計。
而且還要考慮硬體折舊問題，許多硬體電子裝置長期滿負荷運轉，使用壽命比家庭電腦低得多，沸騰超算中心前頭一邊在新建機房，後面又一邊在更換老舊損壞裝置，運營成本居高不下。
至於電力，現在整個光伏產業都是鉅虧，如果不靠國家補貼，根本活不下去，更別說使用高昂成本的太陽能電力的超算中心了。
而這些成本，如今都被沸騰超算中心承擔了，科研機構當然是趨之若鶩，使勁地薅沸騰超算中心的羊毛。
也正是因為如此，儘管生意火爆，但運營了兩年的沸騰超算中心別說賺錢了，保本都做不到，依然是虧本狀態，甚至可以說是血虧，每年都要倒虧幾十億。
這也使得銀行沒有再批覆給沸騰超算繼續貸款，參與投資的幾家股東也不太願意繼續融資投入，沸騰超算中心建立了一百多座機房後，開始後繼乏力。
做實業就是這麼難，不是講一些故事和概念，就能忽悠住投資者的，那是必須拿出實實在在的業績，才具有說服力。
而超算中心不給力的話，各家的人工智慧研發工作就只能斷斷續續，一般就是利用深夜算力谷期時，租賃相對便宜的算力對ai進行訓練，但算力成本依然高昂，燒錢燒的很快。
所以要在人工智慧研發上發力，對方傑而言，最終真正要解決的問題，其實是算力的問題，或者說超算中心的運營成本問題。
而要降低超算中心的運營成本，最直接的方式就是提高算力基礎價格，但這麼做的話，又與搞超算中心的目的背道而馳。
如果提高算力價格，那麼科研成本也就水漲船高，自然就會嚴重打擊大家的科研熱情和科研進度，一些前景不明的科研方向，尤其是中短期幾乎看不到盈利可能性的基礎科學方面的研究專案，很可能會就此下馬。
而方傑搞科研中心的目的，是為了加速科技進步和創新，所以不能為了超算中心持續健康發展，而去阻礙科研速度，這樣就是本末倒置，丟了西瓜撿了芝麻。