了计算器的水平。
实际上，就是在读取数据信息后由芯片直接计算出结果，然后输出「告知」负责该工作的众多神经元，抢先报出答案，让大脑在几乎无意识的状态下就能「灵光一闪」，涌现出一串准确的数据。
不过想要嵌入更复杂的运算，就有些困难了。
因为不同的人在想到开根号、开平方这些在自然界中不太直接的计算、或者说较为抽象的概念，神经信号可能有着显着的差别，需要兼容多种模型，重新设计。
作为后天建立起来的思维模型，这跟自然界本就存在的运动神经信号的高度相似性截然不同，毕竟前者属于进化出来的高等智慧，承载着人类的想象力、创造力和逻辑思维能力，后者仅仅是动物天生就有的本能。
随着运算符号的复杂程度不断提升，模型数量很可能将呈指数级增长，不亚于为每一片独特的雪花量身定制一副手套，到了前沿数学、物理的领域，恐怕得采用数以千万计的仿生神经元才能进行正常的信息交互。
值得一提的是，这种速算能力的提升，最好凭借着「直觉」当场报出答案，这样准确率最高，倘若慢慢思考，尽可能地「深思熟虑」，反而会增加出错的可能，其背后隐藏着神经网络系统的基础机制。
随着时间的推移，抢先作答的芯片在众多神经元中的权重不断下降，它的结果很可能不被信赖，让其他「愚蠢」的神经元给出的错误答案占据上风，使得正解淹没在海量的无效信息中。
好在根据赵青的推测，当芯片屡屡给出最正确的答案后，神经元们也会逐渐增加对它的信任度，自动优化突触连接，让芯片的权重比变得更高，成为区域性中枢般的存在，化身为「领导者」。
至于向大脑植入外界知识的芯片，根据赵青的评估，目前还有很遥远的距离。
单个神经元允许传输一串数字，但并没有传输具体语言的功能，必须得由大量神经元合作完成，实际上，神经对语言的传输是以「句」而非「词」为单位，这也是文字顺序常常不影响阅读的原因。
而芯片并没有能力让周围的神经元共同聆听它难以理解的碎片化「方言」，且按照其设想的路径「一句句」重新拼合补全。
初步评估，需要在目标大脑的额叶区和颞叶区建立起极其复杂的网络连接，进行成千上万场细胞级精度的手术，除了赵青亲自动手，没有第二个人可以做到。
不过，
赵青也提出了两种可能的解决方案：
…。。