=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。
