第二章.阿尔法狗与多元关联（2 / 2）

“拟脑狗”林久浩。

“你可能会失望了，拟脑狗不如穷尽步骤及样本阿尔法狗，除非它长大成人”林自强。

“为什么？”林久浩。

“我的拟脑智能理念是建立智能大脑，你知道现在的资料库样本库吗？它们的存储可以用有序化索引化来表现，而这不是拟脑化”林自强。

“拟脑的资料怎么表现，你总说要先有一个大脑，到底是什么样的大脑，不是样本库吗？”林久浩。

“信息需要智能的连接在一起，这种连接不是以索引和有序作为连接条件的，而是以关联关系作为连接条件”林自强。

“关联关系？我现在编程，我知道信息数据有序化，信息之间关系是以文字定义的，即关键字索引分类方法，即使是关系型数据库，同样是靠关键字索引的”林久浩。

“嗯，你对现在的数据库模型，理解的不错”林自强。

“老爸，你说的智能化关系结构，不是这样的数据库吗？如果不是，那么它怎么存储信息的？”林久浩继续问。

“把信息转化为信息元，构建一个多元关联模型数据库，将信息元放置到元位置上，然后将有关系的元之间连线，元之间的连线就是关系，关系可以做相应的定义，例如距离角度和权重等等，而这条连线就是拟脑的思维路径”林自强。

“信息元，多元模型，连接关系，思维路径，还是第一次听到。”林久浩。

“你抓到重点了，多元关联拟脑模型就是一个大脑，只不过在没有信息元存储的时候，它是空白的，但是这个空白不是虚空，是一个大脑结构，可以创建无数的信息元节点，及节点之间的连接关系”林自强继续介绍。

“信息元是什么？”林久浩好奇心膨胀了。

“信息元是由数据内容信息浓缩抽象后导出的关键标识，我们把它定义为信息元，或者信元，或者息元，或者元”林自强。

“例如？”林久浩。

“例如，你，我，你母亲，你奶奶，你妹妹，都各自为信息元”林自强。

“我和您们四人都有关联关系，而您们四人之间也有相互的关联关系，如网状的，每一条关联关系都不同”林久浩。

“对，这就是我的多元关联拟脑库模型1.0的思路，信息元之间的关系定义在连接线路上，用距离角度和权重来定义优劣，然后再引入到三维坐标系中”林自强。

“为什么要引入一个坐标系？”林久浩。

“这样，当触发一个信息元的时候，以这个信息元为原点，所有信息元通过矢量线段连接，定义的距离角度和权重都可以起到比对择优的作用。”林自强。

“这个线路有什用处？”林久浩。

“线路是思维的路径，我们再重新举一个例子，例如医学范畴的”林自强。

“不用刚才的人物了？用医学来举例，好的，线路有什么用？”林久浩继续问。

“思维路径，一个人如果生病一定有症状，症状又与病有关系，病与医治方式有关系，医治方式与药物有关系，药物作用回到病人，症状就会消失”林自强。

“我可以这么理解，人，症状，病，治疗，药物，效果，都是信息元，而且这些信息元之间有关系”林久浩

“对的，不管人生不生病症，后面的信息元都存在关系，当人与病症发生关系，那么这个思维闭环就形成”林自强。

“思维闭环又是什么？”林久浩继续问

“我们刚才说的，人-症状-病-治疗-药物-预见效果-作用回到人的效果，这个需求是从人出发，最后作用回到人的过程，就是一个思维闭环”林自强。

“如果是拟脑智能，就可以按照这种关系形成闭环，这就是一个自动思维的过程，对吧？”林久浩。

“对的，你理解的非常快”林自强。

“信息元会很大吗？这个模型我可以尝试编程，如果信息元是信息的编码，那么，例如症状与治疗方法都是信息元，不同的信息元在字段占用问题上，差异会很大，有的可能是几个字节，有些可能是成百上千字节，怎么办呀？”林久浩进入角色了。

“不同的信息元在字节占用上没有差异，因为都会形成信息元编码，这是固定格式的编码，而每一个信息元真实数据信息内容可以采用传统数据库，或者传统数据流文件存储，而信息元编码又是这种传统存储资料的索引”林自强。

“您的意思，多元关联拟脑模型库中只存储信息元编码，而具体内容由信息元编码为索引的传统存储方式完成存储，是吗？”林久浩。

“对的，不过，多元关联拟脑模型库中，不只是信息元编码还要存储信息元之间的关联关系”林自强看着林久浩，纠正了一句。

“老爸，这个，我能给您编一个模型出来，很容易的”林久浩很自信。

“确实，基础模型不复杂，采用三套开源数据库，分别存储信息元格式和信息元的内容信息，然后在构架一个信息元编码索引库，再编制一个带路径扩散控制的思维行走函数，再编制一套界面程序，再编制简单的展示界面，估计编程的代码量在万条左右吧，信息元数量限制定义在十万以内，基础模型确实不难”林自强。

“没问题，即使突破十万信息元，还可以用多套模型合作存储计算，老爸，我很快就能做出来”林久浩对自己的快手编程能力很自信。

“现在不行，你要能分清主次，你现在要把心思放在高考上，高考结束了，我们可以一起做个模型出来”林自强。

“老爸，您觉得这个思路对吗，多元关联拟脑库模型一定是科技发展的方向吗？会有实际用途吗？”林久浩现在考虑问题已经相对全面了。

“思路肯定是对的，但是不一定是最好的，这需要进一步研究。关于用途，一定会有的，不过，现在我也在找一个用途，小规模的应用场景”林自强。

“围棋可以吗，干掉阿尔法狗”林久浩。

“需要很长时间，而且也要打谱，学习样本”林自强。

“那，与阿尔法狗有什么区别？”林久浩。

“阿尔法狗是以样本库资料为基础，模仿下棋的步骤，多元关联拟脑是学习棋子之间的生杀紧密关系，所以需要很长时间”林自强。

“那，成长以后哪，干掉阿尔法狗？”林久浩。

“不行，成长以后最多也就是一个超一流棋手，跟阿尔法狗不相上下吧~”林自强。

“就是不如阿尔法狗了，永远不如狗了，那有什么用？”林久浩。

“你忘了，多元关联拟脑库模型不是给围棋用的，这个拟脑模型在任何领域都可以成长，自动思考，而阿尔法狗永远只是下围棋，只在围棋的样本库中成长，只知道结果比对择优的赢棋。”林自强。

“对哦，是呀，我们是任何领域通用的模型，而且是知识与思维的成长，不是专用算法和单纯样本库成长”林久浩反应很快。

“好了，你复习功课去吧，考不上好大学，你就。。。会。。。”林自强不知道说什么。

“我就完蛋了，找不到好工作了，孝敬不了老人了，妹妹就吃不上饭了，是不是？”林久浩把平时的警告串在一起。

“不是，考不上好大学，咱俩就一起，专门搞拟脑智能吧！”林自强。

“会的，会考上的，放心吧老爸”林久浩。

《示意图》：《信息元关联模型及传统存储结构示意图》。