晚上林自强找到林久浩，问起来关于多元关联拟脑模型1.0版本编程的事情。
“久浩呀，你丁叔说你把1.0的模型写完了，你是使用PYTHON语言编写的吗？”林自强问道。
“是呀，这是最初级的模型，运行效率不是很好，不过丁叔他们公司先用着，我这边还在继续改进”，林久浩放下手里的活儿，赶紧解释。
“哈哈，不急，挺好的！”，林自强先夸奖了一句，接着说道：“你把代码给我，我也抽时间看一看”。
“好的，老爸，我用U盘拷贝给您，您抽时间看吧！”，林久浩操作电脑，拷贝了代码，把U盘递给林自强。
刚把U盘递到林自强手上，林久浩就问道：“老爸，您上回说过的多元关联拟脑2.0版本的模型，我还没有完全明白，您能再给我讲一下吗？”。
“可以呀！”，林自强把U盘收起，“久浩呀，2.0版本最关键的部分，是使用三维坐标系来标定信息元之间的关联关系，这与1.0版本的网状关联关系不同”。
“我看到了，您使用了三维坐标系，您为每一个信息元都设定了三维坐标系，而且三维坐标系的每一个象限都有特殊的定义”，林久浩明显已经学习过模型了。
“对！”，林自强接着说道：“信息元之间的关系，不是单一的关联关系，而是分为五类十种关系，这一点你明白吗？”。
“哪五类十种关系呀？”林久浩问道。
林自强介绍道：“六亲关系，即我生、我克、生我、克我，兄弟关系，这是五类关系，每一类关系又分为正向增益和负向损减两种效果”。
“那怎么有十种呀？”林久浩。
“我生、我克、生我、克我，这是四类，正负两个方向，就是八种，兄弟关系分为比肩和劫财两类关系”，林自强。
“比肩和劫财，一正一负是两种，加起来是十种，对吧？”林久浩。
“有误区，比肩、劫财虽然是正负两种影响，但是，这两种影响很奇妙，就是无法判断谁是正谁是负，需要结合具体问题具体分析”，林自强。
林久浩继续问道：“这么复杂，那怎么对待这两种关系呢？”。
林自强接着介绍：“这两种关系本来就是预备信息元，当这些信息元没有与我元发生联系的时候，是预备关系，但是，预备关系有两种趋势比肩和劫财”。
“预备信息元，预备关系，不参与计算吗？”林久浩。
“对！”，林自强接着说道：“如果对我元没有影响，则不参与计算，如果对我元产生影响，那么它们会转化为我生、我克、生我、克我前八种关系之一”。
“转化？哦！”，林久浩立刻理解了，“就是信息元与我元没有产生关系的时候，作为预备关系具备比肩劫财趋势，发生关系的时候，比肩劫财趋势参与计算，最终归属前八种关系”。
“非常正确”，林自强点了点头。
林久浩接着问道：“为什么要用三维坐标系来标识呢？”。
林自强答道：“因为我们要把拟脑的信息比对转化成数学计算，所以就要建立以我元为核心信息元的三维坐标系”。
“老爸，为什么要转化为数学计算方式？”，林久浩追问着。
林自强耐心解释：“因为数学是一切语言的基础，最通用的语言，而且数学是可以计算的，不能转化为数学的拟脑智能，无法进行计算比较，只能作为信息对比的工具”。
“计算比较？卷积算法就是计算比对结果择优，实现了拟脑的数学计算过程，对吗？”，林久浩。
“对也不对，首先卷积算法属于感应层的技术，没有实现拟脑，其次，我们的多元关联拟脑技术，除了采用结果比对择优，更重要的是采用了路径比对择优，而卷积算法只是采用了结果比对择优，更严格的讲，卷积算法用的还是信息比对，还不能算是数学计算”，林自强。
“这是怎么做到的？”林久浩。
“首先，我们要先了解如何把刚才的十种关系类型，通过三维坐标系转化成数学模型”，林自强。
“怎么转化？”，林久浩认真问，认真听。
“三维坐标系方法，就是以我元为核心信息元，建立一个坐标系，坐标系会出现八个象限，分别代表我生、我克、生我、克我四类八种关系，正象限为增益象限，负象限为损减象限”，林自强说话时，用手比划着。
“到底是左手还是右手坐标系呀？”林久浩。
“都需要，针对不同的信息元，更多种类的坐标系都可能要用到”，林自强。
“好的，我们说建立一个三维坐标系，会产生四个正象限和四个负象限，四个正象限代表增益，四个负象限代表损减，然后将相应的信息元放入象限，是吗？”，林久浩说话的时候，已经在纸上画出一个三维坐标系。
“对的，要标明象限名称，例如+++象限是【生我正】象限，而在对立面的象限---就是【克我负】象限，然后我们还要看一下分割平面”，林自强就着林久浩的图解释着。
“分割平面是什么意思？”林久浩。
“一个三维坐标系有三个轴平面XY，XZ，YZ，你自己看一下，能不能用其中任何一个平面，把正负象限分割”，林自强。
（+++，++-，+-+，-++为正向象限，---，--+，-+-，+--为负向象限，分别有四个。）
“老爸，不可以”，林久浩摇了摇头，“我用XY，XZ，YZ三个平面做分割平面，发现总是三个正的象限在分割平面一方，而另一个正的象限一定是在对面，负的同理，这是怎么回事？”
“这就对了，久浩，这要感叹我们的祖先有多伟大了，老祖宗早就发现了这个规律，就像你说的，三个在一面，另一个在对面”，林自强。
“什么规律，为什么正象限和负象限不能被一个分割平面分隔开？”林久浩。
“阴阳鱼，阳中藏阴阴中藏阳，阴阳相冲，方能天地位焉而万物育焉。如果都在一边阴阳对立，就是死阴死阳，反而不合常理”，林自强。
“哦，阴阳鱼居然是立体的，不管采用哪一个分割平面，都是一边三阳一阴，另一边就是三阴一阳，原来是对的”，林久浩。
“而且你还会发现，不管怎么分割，阳中之阴必然与阴面是连在一起的，而阴中之阳也必然与阳面连在一起的，这就是阴阳转化的循环闭环”，林自强。
“老爸，以前我看到的阴阳鱼都是平面的，是错误的？而且某国的国旗也是错误的……好可笑呀！”，林久浩笑出了声。
“是呀，孤立的大小阴和大小阳，挺可笑的，而且这种平面化的图案不是现在就有的，错误以前就有，一直延续到现在”，林自强。
“老爸，如果正确的阴阳鱼做成平面应该是什么样子？”林久浩。
“至少要能够表达出阴中之阳与阳是连接的，阳中之阴也是与阴连接的，表达出这种连接，图案的意义就对了”，林自强。
“知道了，老爸，这么看阴阳鱼代表的智慧就更伟大了”，说话时，林久浩尝试着在纸上画平面的阴阳鱼，却怎么也画不好。
“别画了”，林自强打断了，继续说道：“记得你的小时候问我，二进制是阴阳鱼启发的吗？我现在告诉你，阴阳鱼的意义远大于二进制，这是智慧法中的智慧结晶块”。
林久浩放下了笔，“明白了，还是说多元关联把，这样就好分割生克正负象限了，就知道那个象限是八种关系中的哪一个关系了”。
“对，然后观察信息元的生克属性部署到相应象限，并建立向量连接关系”，林自强。
林久浩继续问道：“为什么要建立向量连接关系？”。
“因为我们多元关联拟脑算法，不但有结果比对择优，还有路径比对择优，所以需要向量线段模拟思维路径连接，作为拟脑的思维路径，同时这种向量连接是可以发生变化的，包括距离角度权重等”，林自强。
“如果距离权重变化，就可以影响思维路径的选择，对吗？”，林久浩越听越入神，而且完全进到技术里面。
林自强也觉得，孩子的理解能力很强，“是的，不只是影响思维路径，而且当这种向量变化到一定程度，由量变到质变的时候，可以影响信息元的性质”。
“影响性质？怎么影响的？”林久浩。
“对呀！”，林自强笑了笑，“例如，你是我儿子，我和妈生了你，应该是放在【我生负】的损减象限，但是你逐步长大，你听我和你母亲的话，就到了【我克正】象限，你有了养家糊口的能力，未来我们老了，你孝顺养老，就到【我生正】象限，这就是性质转化”。
“老爸，我一定会到【我生正】象限的”，林久浩。
“我知道，这只是一个例子”，林自强。
“老爸，你继续说，以我元为核心构建的三维坐标系，将其它信息元按照生克关系置于各个象限，然后呢？”，林久浩追着技术问。
“每一个信息元都是我元，都具备三维坐标系，例如，信息元A为我元，信息元B在A的我生象限，那么对于信息元B，信息元A就在B的生我象限，双向关系”，林自强就着林久浩的纸，又画出一个三维坐标系。
“就是说，这个我元不是单纯指我这个人，而是所有信息元都可以构成我的视角，如果从每一个信息元角度看，该信息元都是坐标中圆点的位置，即核心信息元”，林久浩。
“对，那么所有发生关系的信息元都会出现在关联信息元的坐标系里，同时构成双向关系，多信息元下会形成复杂的网状关系”，林自强。
“如果A与B发生联系，而B与C发生联系，A与C不发生联系，就形成了A-B-C的思维路径”，林久浩已经完全理解了，并在纸上又画出一个三维坐标系，添加一个C信息元。
“很对很对，这就是人类大脑的思维路径，也是拟脑思维的路径”，林自强。
“这种思维的意义在什么地方？A-B-C-D-……N”，林久浩。
“把你话中的思维两个字换掉，你只是建立了多元关联拟脑模型中信息元的关系，还没有思维”，林自强。
“建立了拟脑模型中信息元的关联关系，这是什么，不是思维吗？”，林久浩有点糊涂。
“这是大脑，而思维是需要有一个引发思维的因”，林自强。
“哦！”，林久浩一下明白了，“老爸，这就是您一直说的，思维需要先有一个大脑的意思吧，我们刚刚是造了一个大脑”。
“对，我们需要先有一个大脑，这个大脑里面是复杂的信息元关联关系”，林自强。
“那么，然后，又怎么样？”，林久浩继续问。
林自强答道：“你建立了信息元多元关联关系的拟脑模型，然后才能谈到思维，我们举个例子”。
林久浩直了直身体，“好的，例如。。。老爸您说”。
“例如，人生病会有多个病症现象”，林自强。
“嗯，以【人】这个抽象概念建立为核心信息元A的三维坐标系，病症现象为B，应该是在【我生负】象限”，林久浩跟着思路推演。
“不一定，不同的病症现象也不同，也可以是【克我负】象限，具体问题由专业医学人员具体定义，我们提供的是基础拟脑模型”，林自强。
“好的，不纠结这个细节，我们继续，病症现象是多个现象，例如感冒有发烧、喉咙痛、厌食等，就应该是多B现象”，林久浩继续推演。
“所有的病症现象会找【生我】象限的信息元，例如感冒有多个【症状】，这些【症状】都在以【感冒】这个病作为核心信息元的三维坐标系的【我生】象限，那么这些【症状】会反向命中【感冒】这个病信息元”，林自强。
“【感冒】是这些【病症】的【生我】象限信息元，老爸，这个地方很容易混淆的，又容易让人们理解为是人生病”，林久浩
“很对，人产生的是病症现象，而这些现象的本质是病症，所以病症现象的【生我】象限里的信息元是病症，我们继续刚才的逻辑”，林自强。
“好，人我的坐标系为A，A的克我负象限产生病症多个B信息元，而在以B元为我的多个坐标系里，分别会命中C信息元，老爸这里是不是在B信息元坐标系还会产生很多其它的C1、C2、C3等”，林久浩。
“应该会，因为单一‘病症现象’会对应多个能【生我】的病，例如发烧就有很多病症对应。但是病症现象这种多B信息元，一定会出现同时命中的情况，命中率高的必然是C病”，林自强。
“我没有明白，老爸，能不能再解释一下”，林久浩。
“好，例如一个人生病出现多个病症现象，分别是1、2、3，其中1对应A、B、C三种病，2对应C、E、D三种病，3对应C、F、G三种病，那么C病症被命中三次，我们在思维行走算法函数上已经制定了相关规则，多重命中权重提升，最优路径优先执行的策略，所以C是路径择优输出的结果”，林自强。
“然后，C作为病症信息元产生了，去找克我象限，就是治疗方法D，对吗？”，林久浩快速跟上思维，继续推演。
“对，D会产生，而且D信息元也可能会产生多个”，林自强。
“那这个D的多样性怎么选择？结果择优比对，还是路径择优比对？”林久浩。
“到达D信息元的位置，还没有完成执行闭环，所以还做不到比对结果输出，我们的多元拟脑思维是路径比对，必须形成闭环，才能实现可执行思维闭环”，林自强。
“可执行闭环”，林久浩。
“对，D还没有到达，必须要回到最开始的A才能形成思维闭环”，林自强。
“那么D怎么继续？”林久浩。
“首先，选路方法很多，我们可以按照最优路径选择一下D，虽然是多D，但是，每一个D会在距离角度和权重方面有差异，我们选最短的，然后看是否具备条件”，林自强。
“如果不具备条件呢？”林久浩。
“继续，以D为我元，找D【我生】象限，查看【我生】象限是否具备提供完整条件，如果条件不完整，那么在D的【我生】象限，查找缺少的资源是否能够具备条件提供闭环而完成D的实现条件，这样一步一步的前推”，林自强。
“好复杂，老爸，能不能简单一些，我需要理解”，林久浩又有些糊涂了，继续问道：“比如D为治疗方法，怎么检查条件”
“每一个信息元在多元关联拟脑节点上都是编码，而编码对应到数据库里是详细信息，所以该信息元使用条件在详细信息里有说明”，林自强。
“好的，具备条件了，然后呢？”林久浩。
“然后治疗方法D，会通过【生我】向上找更大合集，直至找到最大合集，直到医疗信息元”，林自强。
“向上合集？”林久浩。
“对，感冒治疗方法属于流行病治疗方法，流行病治疗方法属于疾病治疗方法，疾病治疗方法属于人类医疗信息元E”，林自强在纸上画出一个包含关系图。
“人类医疗信息元E，然后呢？”林久浩。
“然后，你会发现，在以我元A坐标系中的【生我正】象限，有人类医疗信息元E”，林自强。
“为什么人类医疗信息元会在人我A的坐标系中？”林久浩问。
林自强介绍道：“对于人而言，生我者，父母，衣食住行，医疗……等等，所有概念集合类信息元，如果起到生我正的作用，必在【生我正】象限，而A属于抽象概念【人】，所以在A的象限里就有医疗这个生正信息元E”。
“我明白了，A-B-C-D-E-A，这就是思维闭环，而抽象概念元【人】就是得了所有病症的【人】，它也具备了所有治疗方法可执行闭环”，林久浩。
“对，只要形成闭环，就可以执行，所以在多元关联拟脑模型中，一个可执行的思维，会要形成闭环”，林自强。
一阵讲解，林久浩的兴趣更高了，“这样，老爸，我还有几个问题”。
“几个？你说”，林自强。
“第一，您的这个思维是以一个外部事件病症现象引起，那么怎么确保它在思维的过程中，能够按照您要求的路径走？”林久浩。
“这是一个问题，就像人一样，三岁孩子与三十岁成人思维结果不一样，但是为了确保思维正确，前期肯定要在执行脑上做定义和检查点”，林自强。
“执行脑？”，一个新的词汇出现，林久浩又糊涂了，“怎么又出来个执行脑？您的多元关联拟脑到底是个什么？”。
“对！”，林自强慢慢解释，“多元关联拟脑模型是基础大脑，就像你现在的大脑，即使不思考，你大脑里面的结构依然存在，多元关联拟脑模型也一样，它是思维的基础，即使不思维，信息元关联模型结构依然存在”。
“这就是您一直说的，思维就要先有一个大脑”，林久浩。
“对，执行脑”，林自强继续解释，“当一个事件触发的时候，大脑会自己思考，但是聪明人也会时刻检查自己的思考是不是正确，能产生这个行为是一个执行意识，在多元关联拟脑算法模型里我们把它称为执行脑，执行脑是大量的思维行走函数，调用，在多元关联拟脑模型中寻找路径”。
“哦！”，林久浩点了点头，“我们可以对执行脑做定义及检查点，确保执行脑在拟脑中走出闭环，出现思维闭环就可以执行，所以您把这个叫[可执行闭环]”。
“对的，你还有问题吗？”，林自强看了看时间，已经讨论两个多小时了。
然而，林久浩的兴趣依然高涨，“嗯~~~，多B怎么办，多B意味着多路径，这些路径怎么走下去？”。
“这是一个问题，当产生多B的时候，会有多个路径方向，拟脑都会计算，并继续走下去，如果某一条路径产生闭环，事情就简单了，闭环形成即停止思考，那些还没有形成闭环的路径都会自动湮灭掉，然而，麻烦的是……”，林自强停顿了一下。
“什么麻烦？”林久浩。
“产生不了闭环，执行脑在节点数量设置上怎么调整，否则会产生大量路径，这些路径发散消耗算力，而拟脑又无法输出有效结果”，林自强。
“老爸，这个不麻烦，其实就像教孩子知识一样，人工调整，让拟脑慢慢成长，这样闭环命中率就会变高，拟脑越聪明，路径发散问题就越少”，林久浩。
“确实，不过路径发散问题还是要解决，否则算力消耗很大的”，林自强。
“老爸，您记得当初说的阿尔法狗吗？大不了输一局，成长变聪明，手工连接形成闭环，就不会输第二局”，林久浩。
“嗯，初期只能这样，毕竟孩子还需要教育的，你还有问题吗？”，林自强看了看时间，已经很晚了。
“有，你说的向上寻找更大的集合，这个会不会导致大量无意义路径，就是治疗方法已经可以直接作用于[人我]，还要经过上层多个路径吗？”，林久浩完全进入了，问题推着问题。
“首先这个无意义路径不应该造成执行脑无意义步骤，因为执行脑是执行闭环中的治疗方法，但是，路径择优算法确实会计算这些路径，这也是我想解决的问题，如何产生最短路径，即捷径”，林自强。
“捷径，就是治疗方法直接到人我，但是这个A-B-C-D-E-A，其中的D与A是不是没有直接的关联？”，林久浩。
“这里我也在想好方法，在人我坐标系的【生我正】象限里，以总类集合做信息元关联粒度较粗，但是信息元连接简单，可是需要更长路径。如果粒度过细，导致信息元象限内容及连接过于复杂，导致计算量过大，得不偿失”，其实这个问题，林自强自己也没有完全想好。
“那怎么办呀？”林久浩。
“我现在想出两个解决方法，一个是本位元直接插入法，这个比较好理解，就是在执行脑部分直接将本位元A在CDE中插入，重新计算是否可以形成闭环，少走路径”，林自强。
“这个可行吗？”林久浩。
“可行是没问题的，但是不好，因为会增加执行脑的判断和分析代码，我们好不容易将信息处理转换为数学处理，又要增加信息判断，不好”，林自强。
“另一种方法呢？”林久浩。
“纯数学方法，例如信息元D向上寻找合集，即【生我正】，会在数学计算中产生连串的+++，+++……+++，那么这些连串的+++是否可以合并为一个，如果可以，那么就能够在执行脑中设定选择第一个+++象限信息元，作为闭环执行元输出”，林自强。
“老爸，这个正点呀！”林久浩。
“嗯，但是需要大量的实验验证，才能知道这个算法的可行性，现在2.0的模型我还在做初步设计，至少能够形成一个可构建的模型，然后再修改优化”，林自强。
“老爸，我们说了这么多，是不是就是您开头说的那个道理，我们把拟脑智能的信息处理转化为数学计算了？”林久浩。
“对，所以你要好好学习数学呀！”林自强。
“知道了，好好学习数学，而且我要开始思考2.0的问题了”，林久浩。
“1.0版本的系统你怎么给你丁叔交代，要不我帮你完成最终版本吧！”林自强。
“不用，老爸，丁叔公司的工程师也很给力的，我这边有好帮手，我很快会完结1.0版本”，林久浩。
“那就好，今天就到这里，睡觉吧，累了”，讲解了这么长时间，林自强累了，揉了揉眼睛。
“好的，老爸，休息吧！”，林久浩催着林自强回屋休息。
下一章节===《第六章.食堂里的狙击手》
本书首发来自四月天小说网，第一时间看正版内容！
