哪怕周至想過麥明東可能會給出一個十分無厘頭的答案，他也想不到會是這樣，不由得愣在了那裡。
「啊什麼？你先給我說說什麼叫做空操作雪橇？」
「哦，」周至這才趕緊將這種系統攻擊方式的原理給麥明東講了一遍。
麥明東聽完後的第一反應卻是：「這不該是你們四葉草系統防病毒部門研究的課題嗎啊？你覺得我會幹這個方向？」
這話說得一點沒毛病，麥明東負責的項目都是國家級別的大工程，主攻的是應用類，這種堵耗子洞的工作壓根就不會看在眼裡。
周至有些不好意思的說道：「查資料的時候查到您老的名字，我當時也覺得匪夷所思，所以才給您打了電話。但是益知網上的的確確是您的署名文章。」
「你等下我上網查一查……」麥明東回答了一句，然後周至就聽見那邊鍵盤噼里啪啦一陣響，接著聽見麥明東驚訝的聲音：「咦？還真有一篇，當真奇了怪了……」
「您老再回憶回憶？」周至問道：「你看我沒有騙你吧？」
「嗨！準是小苗在搞惡作劇！」麥明東樂和和地道：「這小丫頭片子太調皮了，等回來我收拾她！」
「麥老，您說的這位小苗，她是……」
「我孫女兒！才從伯克利分校回來，之前她是蔡少棠的學生，你知道蔡少棠吧？」
安盛信息產業情報司對於全球產業內有建樹的華人都有成立檔案，周至當然知道這位大擘。
不過這位並非從中國出去的，而是生於菲律賓的華人家庭，一九五九年在菲律賓麻普阿理工學院獲得電氣工程學士學位後前往美國留學，先後在麻省理工學院和伊利諾伊大學厄巴納-尚佩恩分校獲得碩士和博士學位。之後在普度大學任教，1971年加入加州大學伯克利分校擔任電氣工程與計算機科學系教授，同時還是歐洲科學院和匈牙利科學院的外籍院士。
同年，他提出了憶阻器理論。
憶阻器是一種與磁通量和電荷相關的無源電路元件，被認為是繼電阻、電容、電感之後的第四種電路基本元件，在信息存儲、邏輯運算、神經形態計算、非線性電路領域有著非常重要的應用前景。
這一個概念的提出和實現給傳統電路理論帶來了根本性的變革，在此基礎上，蔡少棠更是提出了蔡氏電路和細胞神經網絡等理論。
蔡氏電路是一種簡單的非線性電子電路設計，但它可以表現出標準的混沌理論行為。在1983年，蔡少棠正在日本早稻田大學擔任訪問學者時發表了該電路。
這個電路非常容易製作，因此使它成為了一個無處不在的現實世界的混沌系統存在的例子，一些學者為此聲明它是一個「混沌系統的典範」。
而簡稱為CNN的細胞神經網絡，那就更加不得了了。
人類對於神經網絡模型也曾經走過不少的彎路，從最早的神經細胞模型，到神經網絡模型，到感知機的三層結構探索，最終在六十年代掀起了一波文字識別，圖像識別，聲音識別的高潮。
然而很快，由於當時模型過於簡單，導致感知機在原理和功能上都存在巨大的局限性，直到麻省理工學院的明斯基等人經過研究後指出，現有機制下的感知機，根本就不可能識別出線性不可分的模式，哪怕是簡單的疑惑問題都無法解決。
這一研究成果，直接讓感知機的研究熱大退潮。
但是在理論領域，人們對於非線性混沌態的模型分析一直沒有停止，諸如「學習矩陣」，「擬神經元」等思路和觀點不斷出現。
這一理論在八十年代終於獲得了巨大突破，諸如「全互聯型人工神經網絡」，「模擬退火」方法論，「認知過程微結構理論」，「反向傳播學習算法誤差糾正」，「自適應共振理論」等新的方法開始出現，並且成功地證明了之前困擾人們的非線性感知問題，複雜模式識別問題，自適應特性問題，非線性系統優化問題，是完全可以通過神經網絡理論加以解決。
在這些成就的基礎上，蔡少棠通過自己的研究，提出了電路理論設計和硬體實現的方法，即細胞神經網絡模型。
這是一種局部互連、雙值輸出的信號非線性模擬處理器，具有連續實時、能高速並行計算、適用於超大規模集成電路實現等特點。
與生物神經元不同，CNN細胞神經元之間的聯繫主要由權值模板控制，模板的不同體現出的非線性特徵也各異，而具有記憶特性的憶阻器可被應用於神經元與神經元之間的機能連接點上，由此來模擬腦細胞神經元網絡，實現對信息處理機制的仿真簡化，實現邏輯運算和圖像處理等功能。
這項研究成果，直接推開了人類未來將人工智慧應用於生物醫學、圖像處理、自動控制、模式識別、信號處理、保密通信等諸多領域的大門，而數十年後的大數據，區塊鏈等新興技術，也與之密切相關。
雖然這項技術代表著未來的發展方向，但是其實有些過於超前了，目前基本都還在進行實驗室研究，真正能夠用來解決的問題並不多。
在中國只有一處地方可以提供這樣的研究，那就是周至力排眾議在數字圖書館中採用的圖資料庫。
還有字根識別，圖形識別，甲骨綴合，混沌超搜等方面，都有運用場景可供實踐。
圖資料庫的優勢在於功能強大。
目前主流的傳統關係型資料庫在設計的時候需要進行嚴格的數據規範化，將數據分成不同的表並刪除其中的重複數據，這種規範化保證了數據的強一致性，對數據關係加以巨大限制之後，才能快速的實現逐行訪問。
可是當數據與數據之間形成複雜的關聯時，跨表的關聯查詢增加到強約束難以忍受的時候，問題就來了。
雖然可以通過將存在不同表中的不同屬性進行關聯從而實行複雜查詢，但是開銷變得以指數量級的增長方式膨脹，用程式設計師的話來說，就是系統被龐大的數據關聯給活活「憋死」了。
圖資料庫就不存在這個問題，它的數據關係雖然也映射到數據結構中，但是特殊的組織結構形式和網絡分析功能，使它和傳統關係型資料庫相反，對於關聯度越高越複雜，數據量越是龐大的數據集，其查詢速度反而更快，尤其適合那些面向對象的應用程式。
同時圖資料庫可以更自然的擴展到大數據應用場景，因為圖資料庫構建不受表結構的強一致性約束，能夠更加靈活，所以更加適合管理臨時或不斷變化的數據。
作為穿越而來的周至，當然知道未來的風口是什麼，也知道贏在起跑線的意義。(本章完)