半小時講透AI算力（輕科技）

半小時講透AI算力（輕科技） 本書用11部分，講解算力（＝AI時代的水電煤）。 一、什麼是算力？ 算力：計算的能力，在各應用領域對應的級別： 1. GFLOPS→日常計算：手機、電腦 2. TFLOPS→ 科學計算：天氣預報、基因分析 3. PFLOPS →AI訓練：大語言模型 4. EFLOPS→超大規模訓練：GPT-4/Gemini FLOPS＝算力的度量衡/基本單位：做X次浮點運動/秒。浮點運算：帶小數點的計算。 但算力並非越快越好，需：同時做大量題，而非按順序計算。AI核心：矩陣運算——大量簡單任務同時做。 1. CPU：串行 2. GPU：並行 二、GPU：AI時代的發動機 I. NVIDIA 1. 從遊戲顯卡→AI心臟 NVIDIA最早做遊戲顯卡，1999，推出世上首塊GPU（GeForce256）。2012（轉折年），一選手在ImageNet圖像識別比賽中，用2塊NVIDIAGTX580顯卡訓練了某神經網絡並奪冠→深度學習威力被看見，功臣之一＝GPU→自此，NVIDIA CEO黃仁勳轉公司業務方向爲AI計算。 2. Blackwell：當下王者 2024，發佈NVIDIABlackwell架構→當前AI算力標杆，其旗艦品B200GPU特點： 1）192GBHBM3e顯存 大模型參數，需存放在顯存裏→顯存越大，模型越大。 2）第二代Transformer引擎 ＝爲大語言模型專設的硬件加速單元→支持FP4（4位浮點）精度計算——用更少位數表示數字，換取更快運算速度，幾乎不損失精度。 3）NVLink互聯 單塊GPU算力，再強也有上限。Blackwell通過NVLink技術→讓多塊GPU高速互聯，形成巨大計算集羣。 3. VeraTubin：下一個王者 2026年初，NVIDIA在CES大會發佈下一代平臺VeraRubin→史上1st六芯片協同設計的AI平臺：✖️一塊獨立芯片，✔️一個完整的系統級解決方案。 VeraRubin包含：VeraCPU、RubinGPU、NVLink6交換芯片、ConnectX-9超級網卡、BlueField-4DPU、Spectrum-6以太網交換芯片。 RubinGPU較Blackwell：推理速度↑5倍，訓練速度↑3.5倍→每生成1個token，成本＝Black x 1/10。 II. NVIDIA對手 目前，NVIDIA AI芯片MS≈80%，對手： 1. AMD 2026初，發佈MI455XGPU→有3.2千億個晶體管，432GBHBM4顯存，採用2nm ＆3nm混合工藝。 2. Google 策略：自給自足。自研TPU已至G6 Trillium，計劃2026推出專爲訓練優化的TPUv7p。 3. 華爲昇騰910C 採用7nm工藝，FP16算力達800TFLOPS，接近NVIDIAH200的性能水平。預計2026，NVIDIA在中國MS由2025，40%→8%。 三、訓練與推理：算力的2種花法 假設：AI模型＝學生 1. 訓練＝學生上學的過程 同樣的訓練，成本：DeepSeek-V3＝GPT-4 ×5%→巨大成本差異原因：G使用了一系列工程優化——混合專家模型MoE架構，原理： 1）模型雖有6710億總參數，但只激活370億/每次推理； 2）多頭潛在注意力MLA機制→↓↓顯存佔用； 3）無輔助損失的負載均衡策略→↑多卡訓練效率。 2. 推理＝考試→用所學回答問題 單次計算量：推理<<訓練；但其挑戰：規模、速度→未必單點性能極致，但要同時服務海量用戶，且延遲要低。 3. 訓推分離：AI算力的新趨勢 早期，訓練＆推理，使用同一種硬件；直至2025，行業新趨勢：訓推分離 1. 訓練 需暴力堆算力→上萬塊頂級GPU互聯，跑幾個月→追求：總吞吐量。 2. 推理 需經濟高效→以最少算力完成每次請求→追求：低延遲、低成本。 基於此，芯片廠商開始設計專門的推理芯片：全球AI算力中，訓練：推理→ 2023：2/3、1/3 2025：1/2、1/2 預計2026：1/3、2/3 四、ScalingLaw：越大越聰明？ 改變歷史的規律：2020，OpenAI提出AI領域的ScalingLaw縮放定律，核心：模型性能，隨模型參數量、訓練數據量、訓練算力↑→可持續、預測地↑→即：大力出奇跡。 但自2025，行業發展：只靠堆算力，越發不划算： 1. 算力成本：非線性↑ 2. 數據開始見頂 故，行業重心：從大力出奇跡→巧勁出奇跡→推理時計算（新ScalingLaw）：訓練時，✖️無限堆算力，✔️讓模型在推理時多思考。 五、算力基礎設施：不只是芯片的故事 一個AI數據中心的構成：GPU集羣（核心算力）→散熱系統（液冷爲主）、HMB顯存（存放模型參數）、高速網絡（GPU間通信）、供電系統（穩定大功率）、存儲系統（訓練數據）。 1. 數據中心＝AI的工廠 AI運行，需供電、散熱、網絡連接、存儲系統→組成數據中心。 2. 顯存Memory＝瓶頸 大模型參數，需存放在顯存裏。HBM：特殊內存技術→ 把多層內存芯片三明治式堆疊，by硅中介層+GPU→直接互聯。→省空間，↑數據傳輸速度。 目前，全球HBM產能，集中在韓國（SK海力士、三星）→供不應求。 3. 網絡互聯＝GPU間的高速公路 目前，最先進的GPU互聯技術是NVIDIA的NVLink。在更大集羣級別，InfiniBand ＆超級以太網（UltraEthernet）＝城際高速。一個集羣實際訓練效率低，瓶頸：網絡→故，NVIDIA推出VeraRubin時，要協同設計：網絡芯片、GPU→優化整個系統，效率才max。 4. 散熱：越發棘手的問題 傳統數據中心散熱：吹風。2026，新建AI數據中心：液冷技術。 六、電力：AI的糧食危機 共性問題：需大量電力供應。 效率戰場——應對電力瓶頸，行業對策： 1. 讓芯片更省電 新一代GPU能效比↑；VeraRubin平臺優化了系統級能效；低精度計算（如FP4、INT8）↓運算功耗。 2. 讓模型更高效 混合專家模型MoE、模型剪枝、知識蒸餾→本質：↓模型計算量。 電力問題，€技術、地緣政治、環境。 七、全球算力競賽：誰在領跑？ 1. 美國：王者 截至2026，美國的AI算力依舊領先，擁有：1）全球最大科技公司：Microsoft、Google、Amazon、Meta；2）核心芯片公司：NVIDIA、AMD。 美國有最完整的AI生態系統： 從芯片設計（NVIDIA、AMD）→芯片製造（臺積電美國工廠）； 從雲計算平臺（AWS、Azure、GCP）→AI模型開發（OpenAI、Anthropic、GoogleDeepMind）。 2. 中國：突圍 自2022，美國對華AI芯片管控→加速中國芯片自研。標誌性事件：華爲昇騰910C量產——芯片工藝7nm，FP16算力達800TFLOPS，足以支撐多數AI訓練＆推理任務。 此外，軟件優化——DeepSeek：算力受限，則by 創新算法、優化工程→以更少GPU訓練出世界一流大模型。→算力競賽關鍵變量：硬件、軟件、算法。 3. 其他玩家 1）歐洲 存在感較弱，但其AI法案＝全球最嚴AI監管框架→影響算力部署方式＆數據中心建設地。 2）中東 正成新算力熱點。該地資金雄厚，大量採購NVIDIAGPU→建超大規模數據中心→目標：全球AI算力樞紐之一。 3）日本、韓國 芯片製造（光刻機、HBM存儲器）＆材料→不可替代。 八、算力成本的雪崩式下降 2022/11~2024/10，GPT-3.5水平的推理成本↓280倍，預計此後降幅≈5~10倍/年。降幅來自3方面共同作用： 1. 硬件進步 新GPU性能翻倍，但價格未同比↑。 2. 軟件優化 1）量化技術：讓模型以更少位數→表示參數→算力需求、顯存↓； 2）模型剪枝：去掉模型中不重要的連接； 3）知識蒸餾：用大模型教小模型，讓後者以更低成本達接近效果。 3. 架構創新 MoE讓模型有更多專家，但每次只激活小部分→處理當前任務→↓↓實際計算量。 三者疊加→AI能力↑，用AI成本↓。 總開支爲何還在↑？需求增速>成本降速。AI用戶數量、使用頻率、應用場景→↑↑ 九、AI和普通人的關係 AI成本↓→普通人能以更低價/免費使用AI服務。 1. 醫療健康：AI 輔助診斷、藥物分子設計、蛋白質結構預測。 2. 教育：個性化AI導師。 3. 創意產業：AI圖像生成、視頻生成、音樂創作工具→↓創作門檻。 4. 日常工作：AIAgent＝數字員工→協助處理郵件、數據分析、日程安排、寫報告。 普通人可by理解AI算力邏輯→做判斷： 1. 理解AI產品定價 2. 判斷AI公司競爭力 3. 關注就業市場變化 4. 關注環境影響 十、未來：算力的下一個10年 1. 短期（2026-2028）：推理爲王 未來3年，AI算力重心：從訓練→推理。原因： 1）前沿模型訓練，已集中在少數頭部，多數企業需便宜好用的推理服務； 2）AIAgent普及→海量推理需求。 芯片形態將更多元化：GPU、ASIC、Chiplet設計。 2. 中期（2028-2032）：異構計算與邊緣AI AI模型：更小、更高效→更多推理任務：從雲端→邊緣——手機、筆記本電腦、汽車、家電，均可運行AI模型→需異構計算架構——雲端：訓練、複雜計算；設備端：簡單推理、實時響應。 移動芯片公司：Qualcomm、Apple、聯發科。 3. 長期（2032+）：量子計算與光子計算 1）量子計算：用量子力學原理，在特定類型問題，實現指數級加速。 2）光子計算：用光信號→代替電信號，計算→更高速、低耗。 結語 算力＝新時代的基礎設施 歷史中，每次重大技術變革，都需底層基礎設施支撐。各時代所需的基礎設施： 1. 蒸汽：煤礦、鐵路 2. 電氣：發電廠、電網 3. 互聯網：光纖、基站 4. AI：算力 算力基礎設施：GPU＝發動機；數據中心＝工廠；電力＝燃料；網絡＝公路 附錄 關鍵術語 GPU, FLOPS, HBM, CUDA, Tensor Core, NVLink, MoE, Scaling Law, FP16/FP8/FP4, 量化，推理時計算，液冷，NPU, AI Agent

什麼是算力？ 算力是指單位時間內可完成的浮點運算次數，就是計算機在1秒內能算多少次加減乘除。 算力就是計算機的力氣，是今日數字世界的"水與電”。 我們的刷視頻、人臉識別、天氣預報等，都是算力在背後幹活。它在那兒，看不見，但沒它，所有的數字世界得立刻停擺。 算力已成基建，砸1元進去，就能撬動3一4元的GDP。

DeepSeek用不到600萬美元做出了比肩GPT-4的模型，這件事爲什麼讓硅谷震動？因爲它掀開了AI算力的底牌。 本書用半小時講透這個AI時代的“水電煤”：從什麼是FLOPS，到GPU爲何主宰世界；從訓練和推理的區別，到中美算力競賽的格局。你將看懂芯片爲什麼比黃金還搶手，AI服務的價格爲何雪崩式下降，以及這場算力革命如何影響你的生活、工作和未來的就業機會。

《半小時講透AI算力》圍繞“算力就是新水電煤”的核心觀點，用淺顯易懂的方式拆解了 AI 時代底層資源的來龍去脈： 1. ​​算力爲何重要​​ • 書中以 DeepSeek 僅用不到 600 萬美元訓練出對標 GPT-4 模型的案例切入，說明算力正在改寫數字競爭格局，讓硅谷爲之震動。 2. ​​基本計量單位與硬件邏輯​​ • 講清 FLOPS（每秒浮點運算次數）等衡量指標，幫助讀者理解“算力”不是抽象概念，而是可以量化衡量的物理資源。 • 說明 GPU 之所以能主宰 AI 世界，是因爲其並行架構比 CPU 更契合深度學習矩陣運算需求。 3. ​​訓練 vs. 推理​​ • 書中區分了“訓練”（大規模數據更新模型參數）與“推理”（模型上線後對外服務）兩種場景，指出二者對算力的需求特徵截然不同，也決定了雲服務商定價策略與硬件採購邏輯。 4. ​​全球與中國算力競賽​​ • 通過中美在芯片、算法、數據資源上的多維比拼，勾勒出國家層面的算力戰略競爭格局，讓讀者看到“算力比黃金還搶手”的背後原因。 5. ​​算力價格雪崩式下降​​ • 作者解釋了摩爾定律、製程進步以及規模化帶來的成本下降曲線，並指出這正推動 AI 服務走向普惠，讓個人與中小企業也能負擔得起模型調用。 6. ​​對個人與就業的影響​​ • 書中提醒讀者：算力普及將重塑工作流與就業結構，掌握 AI 工具的人將獲得新機會，而忽視算力的人可能被淘汰；因此理解並善用算力是未來競爭力的一部分。 7. ​​行業基建視角補充​​ • 結合“AI算力基建介紹”一文的觀點，可進一步理解算力網絡從芯片、服務器到全球數據中心的完整鏈條，以及它如何成爲智能時代的“水電煤”——數字經濟的底層公共設施。 通過以上要點，讀者可以在半小時內迅速把握 AI 算力的核心知識體系：從概念、度量，到硬件選擇、成本趨勢，再到國家競爭與個人職業的全景圖景。

一句話概念定義​​ 算力就是“AI 時代的水電煤”，指用來跑人工智能算法的計算能力，衡量的是電腦每秒能做多少次浮點運算（FLOPS），而 GPU 由於能同時做大量運算，成了訓練和推理大模型的主力。 ​​核心概念（大白話）​​ 1. ​​FLOPS​​：每秒浮點運算次數，數字越大，算力越強。 2. ​​GPU 主宰 AI​​：GPU 的核心數量多，適合並行計算，訓練深度學習模型時比 CPU 快很多。 3. ​​訓練 vs. 推理​​：訓練是“教模型”，需要大量算力但只做一次；推理是“用模型”，像聊天、拍照濾鏡那樣實時完成，對算力要求相對低，但次數多。 4. ​​算力就是競爭壁壘​​：誰有更多、更快的算力，誰就能更快迭代模型、更低價格提供服務，在全球範圍內掀起“芯片爭奪戰”。 ​​應用場景​​ • ​​訓練大模型​​：用海量數據訓練語言、視覺、語音模型，是 AI 產品研發的必經環節。 • ​​在線推理與服務​​：模型訓練好後要實時回答問題、生成文本或圖片，支撐 App、網站、智能助手等各類前端。 • ​​科研與工程​​：氣象預測、新材料設計、藥物分子篩選等需要超算+AI 的聯合攻關。 • ​​企業降本增效​​：製造業做設備預測性維護、醫療做輔助診斷、零售做智能推薦，都依賴 AI 推理來提升效率、減少成本。 • ​​個人消費​​：拍照美顏、語音助手、遊戲 NPC 智能、家庭物聯網設備，都在把 AI 推理做到毫秒級響應。 • ​​全球產業競賽​​：中美在芯片、數據、人才上比拼算力，誰握有更多算力資源，誰就更容易在 AI 領域佔據高地。 ​​總結​​ 算力 = 訓練 + 推理所需的“算賬能力”。有了它，模型才能誕生、服務才能上線、行業才能升級；缺了它，AI 只能停留在紙面。

讀完的第1013本書，作者對AI算力的度量和GPU引擎、AI訓練和推理、AI算力基礎設施和未來AI算力發展方向都做了簡潔明瞭的介紹，五星推薦。 《半小時講透AI算力》將算力定義爲 AI 時代的“水電煤”，圍繞它如何度量、由誰提供、怎麼用以及未來走向展開： - 算力本質與度量：算力即計算能力，AI 核心是大規模並行矩陣運算。度量單位是 FLOPS（每秒浮點運算次數），從 G 到 E 量級分別對應日常計算、科學計算、AI 訓練及超大規模訓練。 - GPU 爲何主導：CPU 擅串行，GPU 擅並行。NVIDIA 借 2012 年 AlexNet 拐點轉型 AI，Blackwell（B200）以大顯存、Transformer 引擎和 NVLink 互聯爲標杆，下一代 Vera Rubin 走向六芯片協同的系統級方案；AMD、Google TPU、華爲昇騰等爲重要追趕者。 - 訓練與推理：訓練像“上學”堆數據調參數，推理像“考試”拿模型答問題。行業趨勢是“訓推分離”——訓練追求總吞吐量（堆頂級 GPU），推理追求低延遲與低成本（催生專用推理芯片），且推理佔比正快速超過訓練。 - Scaling Law 與效率：過去“大力出奇跡”（堆參數、數據、算力），現在數據見頂、成本非線性上升，重心轉向“推理時計算/讓模型多思考”等新 scaling 思路，以及 MoE、注意力優化、低精度（FP4/INT8）等工程省錢法（如 DeepSeek 案例）。 - 基礎設施與電力：AI 數據中心不止有 GPU，還需高速網絡、大帶寬顯存（HBM）、液冷散熱、穩定供電與海量存儲；電力成爲“糧食危機”，推動芯片能效提升與低精度計算。 - 全球格局與個人關聯：美國整體領先，但競爭加劇；理解算力有助於看懂 AI 產品定價、公司競爭力、就業變化與環境影響，書末落點到“這些和我有什麼關係”。

本書揭示了AI算力在現代社會中的重要性，從基礎概念到實際應用，深入剖析了算力的多樣性和發展趨勢。 通過介紹GPU在AI領域的核心地位，分析了訓練與推理過程中算力的不同應用方式，以及ScalingLaw對算力增長的影響。 書中還探討了支持AI算力的基礎設施，包括數據中心、顯存、網絡互聯及電力問題，強調電力在AI發展中的關鍵作用。 在全球視角下，分析了各國在算力領域的競爭態勢，以及未來十年算力技術的發展趨勢。 通過這些分析，讀者將理解AI算力如何成爲新時代的“水電煤”，深刻影響我們的生活、工作和未來的就業機會。

本書把算力相關的知識進行了“蒸餾和剪枝”，用十部分內容把從“什麼是算力”到“算力的未來”進行系統的講述。 1.FLOPS，意思是每秒能做多少次浮點運算，TFLOP是10的15次方，一塊NVIDIAH100GPU的算力大約是990TFLOPS。 2.訓練和推理：如果訓練是上學，推理就是考試——模型學完之後，用學到的知識來回答問題。每次使用Deepseek、豆包，背後都是一次推理計算。 3.算力集羣：它需要供電、散熱、HBM、高速網絡連接和存儲系統。 4.訓推分離：行業演進的趨勢，訓練需要的是暴力堆算力，追求的是總吞吐量。推理需要的是「經濟高效」——每次請求用盡量少的算力完成，追求的是低延遲和低成本。因此，芯片廠商開始設計專門的推理芯片。比如NVIDIA新發布的RubinCPX，預計到2026年，推理將佔到三分之二。推理正在成爲AI算力消耗的主戰場。 5.縮放定律：模型的性能，隨着模型參數量、訓練數據量和訓練算力的增加而持續、可預測地提升。但近年發現算力成本不是線性增長，而是指數級增長；其次，數據也開始枯竭，邊際效應遞減。DeepSeek行業上了一課：不是誰GPU多誰就贏，算法效率同樣重要，甚至更重要。 6.推理時計算：可以訓練一個相對小的模型，然後在推理時給它更多「思考時間」，效果可能比訓練一個超大模型但不讓它「想」更好。這對算力的需求結構產生了深遠影響——推理算力的重要性正在超越訓練算力。 7.GPU的顯存容量和帶寬是兩個極其重要的參數。 8.電力：AI的「糧食危機」：到2030年，全球數據中心的電力消耗將增加一倍以上，達到約945太瓦時“（“太瓦時”是衡量巨大電能的單位，1太瓦時等於10億度電。） 10.效率的戰場:讓模型更高效。DeepSeek-V3的MoE架構讓6710億參數的模型每次只激活370億參數，相當於用5%的「勞動力」完成了全部工作——這對能耗的節省是巨大的；讓芯片更省電。Blackwell架構下，完成同樣計算任務的能耗比Hopper架構降低了約25%。 10.全球算力競賽：華爲昇騰910C的量產——這款7nm工藝的芯片，FP16算力達到800TFLOPS，雖然仍落後於NVIDIA最新產品，但已經足以支撐大部分AI訓練和推理任務。 11.算力成本的雪崩式下降:硬件進步。新一代GPU的性能每兩年翻一番，而價格並沒有同比例上漲。B200的推理性能是H100的15倍，但價格遠沒有貴15倍。軟件優化。量化技術從FP16（16位）降到INT8（8位）甚至FP4（4位），算力需求和顯存佔用都能減半甚至更多。模型剪枝（Pruning）可以去掉模型中不重要的連接。知識蒸餾（Distillation）則可以用大模型來「教」小模型，讓小模型以更低的成本達到接近的效果。架構創新。MoE（混合專家模型）讓模型擁有很多「專家」，但每次只激活其中的一小部分來處理當前任務，大幅降低了實際計算量。 算力是新時代的基礎設施，現在已在各行各業形成生產力，token正在像流量一樣被售賣-現在國內正常用量，百萬 token 幾塊錢就能搞定。算力正以看不見的存在，默默支撐着我們的生活。

簡單通俗點說，算力其實就是計算能力的簡稱。 如果把電子設備（比如電腦、手機、AI服務器）比作一個“打工人”，那算力就是這個打工人幹活的速度和腦力。算力越強，處理數據的速度就越快，能搞定的任務也越複雜。 爲了讓你更直觀地理解，可以從這幾個角度來看： 1. 它是怎麼衡量的？ 算力的基本單位通常是 FLOPS（每秒浮點運算次數）。 - 你可以把它想象成做數學題的速度。 - 如果一個處理器的算力是 10 FLOPS，就意味着它一秒鐘能做 10 道複雜的數學題。 - 現在的超級計算機或頂級 AI 芯片，算力能達到每秒做幾萬億億次運算，這個速度是人類大腦完全無法比擬的。 2. 它和什麼有關？ 算力主要取決於硬件，最核心的就是 CPU（中央處理器） 和 GPU（圖形處理器/顯卡）。 - CPU 像是博學的老教授，什麼都會一點，擅長處理複雜的邏輯控制。 - GPU 像是成千上萬個小學生，雖然單個能力不如教授，但勝在人多，可以成千上萬地同時做簡單的數學題（並行計算）。所以在搞 AI 訓練、挖礦或者玩大型遊戲時，主要靠 GPU 提供強大的算力。 3. 生活中哪些地方在用算力？ 其實我們每天都在“消耗”算力： - 刷短視頻/看直播：手機需要算力來實時解碼高清視頻畫面。 - 大型遊戲：顯卡需要瘋狂計算光影、物理碰撞，畫面越逼真，需要的算力越恐怖。 - ChatGPT / AI 畫圖：這是目前的“算力吞噬巨獸”。AI 在回答問題或生成圖片時，後臺的服務器正在進行海量的數學運算，這需要極其昂貴的算力支持。 - 自動駕駛：車子在路上跑，需要瞬間識別行人、車輛、紅綠燈，並做出剎車或轉向的決定，這對算力的實時性要求極高。 【通義千問】

感覺看完這半個小時講透AI算力就等於浪費了半個小時，大部分人的書評看起來真的很像AI啊，算力等於浮點運算數之類…… 我來打個比方，我們假設計算機就是大腦好了 CPU：主腦，實際開動思考 GPU：工作臺 算力：解題時腦子運轉的快慢，腦力 內存：讀題時，臨時記住題幹、各個選項屬於短期記憶 硬盤：以前積累的各類知識，從長期記憶調出來，這個是長期 算法：你做題的過程：先讀題幹→劃重點→排除錯誤選項→對比答案，這一套思考流程就是算法。舉個最簡單的例子，比如說小學學的算式，那個列式的過程就叫做算法 那對於一臺計算機，到底是算法重要還是算力重要呢？ 算法你可以理解爲一道題有很多不同的解題方法。ABC等等之類的，可能有各種各樣的路徑，所以算法越強，找對方法概率越高，越能事半功倍。 算力指的就是腦力強弱，說個不好聽的，腦子轉的飛快，就是人笨，不會轉彎，10以內加減法嗖嗖的，換50加減乘除就傻眼。複雜會消耗很多算力來消化，以前老AI算力很低，但是算法不行，識別圖片效果很差，算法革新之後，同等硬件算力下，AI能力直接暴漲一大截，甚至都能給你生成動漫 最近忽然又對編程比較感興趣，學了Python，沒入門前感覺是天書，看見頭就大，滿串的英文字母只想說oh my god，去圖書館找了幾本書之後，其實也就那樣，有自己的語法跟編寫邏輯，我現在甚至都能做一點簡單的動圖