第五章第章 父子对话：多元关联拟脑第2章 0版本
晚上林自强找到林久浩，问起来关于多元关联拟脑模型10版本编程的事情。
“久浩呀，你丁叔说你把10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。
“你把代码给我，我抽时间看一看”林自强。
“好的，老爸，我用u盘拷贝给您，您抽时间看吧”林久浩拷贝了代码，把u盘递给林自强。
“老爸，您上回说过的多元关联拟脑20版本的模型，我还没有完全明白，您能再给我讲一下吗？”
林久浩。
“可以呀，你知道20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10版本的网状关联关系不同”林自强。
“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。
“对，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？”
林自强说。
“哪五类十种关系呀？”
林久浩继续问。
“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的两种效果”林自强。
“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、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。
“这么复杂，那怎么对待这两种关系呢？”
林久浩。
“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”林自强。
“预备信息元，预备关系，不参与计算吗？”
林久浩。
“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”林自强。
“哦，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”林久浩。
“非常正确”林自强。
“为什么要用三维坐标系来标识呢？”
林久浩说。
“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”林自强。
“为什么要转化为数学计算方式？老爸”林久浩。
“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”林自强。
“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？”
林久浩说。
“对也不对，首先卷积算法没有实现拟脑，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？”
林久浩问道。
“三维坐标系方法，就是以我元为核心信息元，建立一个左手或右手坐标系，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。
“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。
“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。
“分割平面是什么意思？”
林久浩说。
“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。）
……
“不可以，老爸，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？”
林久浩。
“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？”
林久浩说。
“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”林久浩。
“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？”
林久浩说。
“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”林久浩。
“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”林自强。
“明白了，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”林久浩。
“对，然后观察信息元的生克属性部署到相应象限，并建立矢量连接关系”林自强。
“为什么要建立矢量连接关系？”
林久浩说。
“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，所以需要矢量线段模拟思维路径连接，作为拟脑的思维路径，同时这种矢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？”
林久浩说。
“是的，不只是影响思维路径，而且当这种矢量变化到一定程度，由量变到质变的时候，可以影响信息元的性质”林自强。
“影响性质？怎么影响的？”
林久浩。
“对呀，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”林自强。
“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。
“我知道老爸，你继续说，以我元为核心构建的三维坐标系，将其他信息元按照生克关系置于各个象限，然后呢？”
林久浩。
“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。
“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？”
林久浩说。
“这是大脑，而思维是需要有一个引发思维的因”林自强。
“老爸，这就是您一直说的，思维需要先有一个大脑的意思吗？”
林久浩。
“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。
“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”林自强。
“好的，例如……老爸您说”林久浩。
“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。
“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。
“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的”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类信息元，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他的c”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”林久浩。
“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。
“如果不具备条件哪？”
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。”
林自强说。
“好复杂，老爸，能不能简单一些，我需要理解”林久浩有些糊涂了，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。
“人类医疗信息元e，然后呢？”
林久浩。
“然后，你会发现，在以a我元坐标系中的【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？”
林久浩说。
“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”林自强。
“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，所以……”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，一定要形成闭环”林自强。
“这样，老爸……我还有几个问题”林久浩。
“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。
“怎么又出来个执行脑？您的多元关联拟脑到底是个什么？”
林久浩。
“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”林自强。
“这就是您一直说的，思维就要先有一个大脑”林久浩。
“对，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”林自强。
“哦，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，只有思维闭环可以执行，所以您把这个叫[可执行闭环]”林久浩。
“对的，你还有问题吗？”
林自强。
“嗯~~~，多b怎么办，多b意味着多路径，这些路径怎么走下去？”
林久浩说。
“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，麻烦的是……”林自强。
“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。
“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。
“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”林自强。
“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20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！”
林自强说。
“知道了，好好学习数学，而且我要开始思考20的问题了”林久浩。
“10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10版本”林久浩。
“那就好，今天就到这里，睡觉吧，累了”林自强。
“好的，老爸，休息吧”林久浩也回屋休息了。