于是开始上课，其实对于并行计算，孙彧又有一些想法，集中与分布可谓计算机发展史上一对互相转化的矛盾，每一个分布式的节点，随着规模增加，必然会出现集中的倾向，而每一个集中的中心，随着网络或者互联技术的发展，又会变得分布起来。
当然现在计算机互联技术还不是那么发达，不论是带宽还是传输率都不是那么的令人满意，或者说并不能满足分布计算应该有的指标，所以，在单机甚至指令级上试图实现或者说研究并行计算，很有些螺蛳壳里做道场的意思，孙彧觉得这并没有什么前途，没有超算那么就集群，然后是分片，map/reduce，这些才是并行处理大数据的正确途径。
或者，换句话说，孙彧觉得在CPU级也是可以使用一个调度系统的，毕竟每一条机器指令，到了CPU执行的层面，还是可以细分的，一细分，就有了调度的余地。
至于超大规模集成电路设计导论，大体上又是把数字电路、计算机组成原理和计算机体系结构综合起来复习了一遍，当然，并行计算也得讲讲这些内容，真是万变不离其宗。
不过，孙彧的想法却又变成了可以把操作系统写到芯片上，实现一个内核级的指令与数据分离的架构，这样可以简化应用程序的开发难度。
当然这也可以算是一种哈佛架构，只不过只是对于操作系统来说的，而对于应用程序，却还是冯诺伊曼结构的，或者说，应用程序并不需要考虑CPU和操作系统用的什么架构，编译程序也不需要。
有自己的东西，想怎么折腾就怎么折腾，孙彧浮想翩翩的开着小差。
然后是神经网络和模式识别，说到底模式识别就是两大任务，一则拟合，一则分类，而神经网络也是可以用来解决这两类问题的，只不过这个时候用神经网络并不比其他方式更有优势，如果不是更加劣势的话，所以，神经网络至少在这个时候还是颇有些声名狼藉的，毕竟人们曾经对神经网络抱有那么大的希望，所谓希望越大，失望越大。
但是不管怎么说，神经网络仍然是死而不僵败而不倒，于是系里继续开着这门课，只不过老师讲课也算是乏善可陈，介绍了一些基本概念之后，主要也还是讲讲在模式识别上的应用，于是模式识别课就不讲神经网络的内容了。
所以，虽然梯度反向传播提出有些年头了，但是似乎并没有人真正应用到神经网络的自学习当中，原因当然挺简单的，没有足够规模的节点，神经网络只会是一个玩具，但是一直以来计算机硬件发展并不足以支持大规模的神经网络模型，至于超算......只能说有更重要的事情要做，或者说，能够使用以及需要使用超算的人，并不会去考虑神经网络的问题。