第53章 新的野心

和上次在京海市圖書館中自習的內容不同，裴瑜沒有接著研究數學在金融領域方面的應用，她的注意力完全被系統的時間迴圈功能吸引了。

在火車上睡著之前，她看似閉著眼睛躺在下鋪，實際上是在用意念探索系統，想知道怎麼才能重新觸發新的存檔點。

作為一個上輩子游戲時長高達上千小時的重度Steam玩家，她對及時存檔的重要性再清楚不過了。

存檔就是遊戲中的後悔藥和進度條，她做出重要選擇之前，或者完成某個任務之後，都會及時存檔。這樣即使她以後操作失誤/角色掛了/選錯對話，還可以直接回到存檔點重來一遍，避免一失足成千古恨。

同理，如果她可以用系統隨意存檔的話，在現實中就相當於無敵了，無論怎麼作死都能直接重開，不需要對自己的行為付出任何代價。

上輩子的她就特別喜歡飆車，搶到好車後一腳油門踩到底，遇到什麼情況都不帶剎車的。

可惜裴瑜研究了系統半天，還是沒能找到控制存檔點的地方，勾心撓肺地想知道為什麼。

她猜想，啟用時間迴圈的關鍵在於某種心理狀態。第一次開啟時間迴圈時，過去某些死掉的記憶突然攻擊她，讓她進入了某種和現實解離的狀態，這是那個時間點上唯一的特殊變數。

裴瑜還記得，剛繫結系統時，系統說它和DeepSeek屬於不同的技術路線。這樣豈不是意味著，系統承認了它是一種類似人工智慧的黑科技，而不是玄幻高魔世界觀下的修仙法寶什麼的。

既然系統是一種科技產物，就必然符合數學和電腦科學的基本邏輯、必然是地球人或者外星生物智慧的產物。

要知道，上輩子火爆全球的DeepSeek，正是華國頭部金融機構“幻方量化”孵化出來的開源大模型。

韭菜們在市場上追漲殺跌，投資情緒往往是不理性的，他們吱哇亂叫的文字會在網際網路中留下許多痕跡。這些文字和影象、聲音一樣都屬於非結構化資料。

而深度學習模型，尤其是卷積神經網路（CNN）、迴圈神經網路（RNN）和自然語言處理（NLP）模型，非常擅長處理韭菜的這些非結構化資料。

在這種市場環境下，幻方量化將大模型當作主攻賽道，利用語言大模型識別韭菜們的情緒，還透過深度學習的方法，從其他非結構化資料中挖掘出了不少量化交易因子。

降維打擊韭菜的同時，幻方量化無心插柳柳成蔭，在預訓練階段僅消耗了2048塊GPU，花費550萬美元，訓練時間不到2個月，便孵化出了DeepSeekv3，實現了與閉源的ChatGPT相媲美的效果，不久後還孵化出了自帶思維鏈的DeepSeekR1，成本之低可謂是“AI界的拼多多”，而同類產品ChatGPT耗費了上百億美元的投資。

當時DeepSeek和ChatGPT懸殊的訓練成本差距震驚了華爾街，戳破了不少建立在人工智慧基礎上的金融泡沫，直接導致美股一度出現暴跌。