到另一个层面，正是这种模拟式、并行式生化系统的“出错”，才让探索性、创造性的科学研究成为可能。

从已知，尝试推断未知，人类的一切科研活动，本质上都未脱出这样的形式。

而这正是计算机，至少到目前为止的计算机，始终做不到的。

计算机能做的工作，譬如说，计算，总归是一项人类交托的任务，是先由人来判断该问题是否有解，如果有，具体的算法是什么，然后将数据与算法交给计算机的逻辑电路去处理，所得结果也要由人去理解，阐述。

即便像这样的系统，能自主生成程序，实质上，也不过是将一些类似的已有成果排列组合，解决那些早已被人解决过的问题。

路，还是人走出来，计算机只不过是更快的再走一遍，两遍，三遍；

就算再走无数遍，仍没有任何创新。

取而代之的崭新思路，“敛散算法”，则是根据一定的初始条件，在算法的每一步，尝试尽可能多的展开分支，引入额外的发散量，当然这种做法，很快就会让计算量暴增，所以还需要进行“收敛”，通过同样包含随机性的判据，迅速“砍”掉大量无意义的分支。

表面上看，这一先发散、后收敛的做法，与向系统中引入随机变量，并无本质区别，实质上也可以粗糙的这样认为。

区别则在于，算法步骤中引入的变量，并非随机数，而是来自于初始状态库的一切既有知识。

那么就是在穷举吗，似乎是，只不过为了应对完全穷举的计算量暴涨，而必须在每一步进行判断、预计与猜测，将无意义的分支完全消除。

具体到某一个分支，其是否有意义，判断起来也并不容易，此外还要引入额外的随机性，将某些“看起来”无意义的分支，移入另一个线程继续追踪。

这一做法，能避免收敛策略错杀那些切实可行、却不符合既有知识体系的分支。

“敛散策略”的核心思想，是建立在传统计算机的运行之上，此外再加入“关联扰动”与“随机性”，利用这种方式，尝试让具备创造性、探索性思维。

这种体系，一开始在验证可行性时，需要的资源量并不太大。

但可想而知，倘若投入到实际运行中，这样的系统必然耗费巨大，哪怕只用来解决一些粗浅的问题，都需要比传统计算机更多的算力，当然，倘若其真能具备“强人工智能”的特质，巨大的投入也是值得的。

“强人工智能”的第一台实验机
本章未完，请翻下一页继续阅读......... 永不下车 最新章节第四九五章 敛散,网址：https://www.88gp.org/0/167/502.html