世间的一切事物相互之间都存在着联系，不管你承认不承认，这种联系是客观存在的，人类的思维以这种联系作为路径，不管你思考不思考，思维的路径都在那里。
几年过去了。 “老爸，您说，会下围棋的阿尔法狗算拟脑智能吗？”快高考的林久浩一直在寻找着林自强说的拟脑智能的例子。
“不是”老林淡淡的回答。 “if then？”林久浩。
“要复杂一些”林自强。 “怎么做到的？”林久浩。
“穷尽步骤，积累参数比对择优，这个办法比较土，因为需要消耗很大的算力”林自强。 “什么是穷尽步骤积累参数比对择优呀？”林久浩说。
“当你走了一步棋，计算机就计算所有可能的下一步棋，然后再依据所有下一步棋，再计算它的下一步棋，然后继续穷尽步骤，在这个过程中积累一组设定的参数，通过比对参数择优输出结果，记住择优”林自强强调择优二字，因为人工智能选择不可避免的需要大量“比对择优”。 “步骤穷尽的话，叠加计算量会很大的，很消耗计算机的算力，就没有别的好办法了吗？啊~老爸”现在的林久浩已经学会一些编程技巧了。 “我们知道，一盘棋局每一方最大步数不会大于180步，但是计算机也不用推演过多步数，可能就推演五步、十步、十几步，不过这样也会消耗不少算力的”林自强。 “就这些嘛，还有没有其他的方法”林久浩。 “有，把历史著名的棋局全部输入计算机，做成样本，然后在比对择优的时候，有样本的下法权重高”林自强。 “样本就是数据内容吗？”林久浩说。
“不全是，不等同，样本是处理后的数据内容，需要做关键字类的索引，然后做定量定向定性定质等等处理”林自强。 “老爸，什么是定~定~定~定~定~定~定~的”林久浩继续问。 “定量就是把内容做成固定大小的范本模型，定向就是规定使用用途，例如围棋名局用于阿尔法狗等围棋类人工智能，定性就是规定正负善恶，例如你持白棋，白棋赢局就是正的，而黑棋赢局就是负的，定质就是制定权重，比较复杂的，还要形成特征码用于索引等”林自强。 “阿尔法狗怎么会一直赢棋呀？”林久浩。
“狗会选择胜的一方下法，如果胜的棋局很多，就积起来，用算法让它们择优，择优比对出最优的结果”林自强回答。 “择优算法是什么？”林久浩。
“就像用同一个筛子模型筛豆子，把筛出来的豆子积起来，然后调整筛子孔的大小再筛，直到得出最大或者最小的。。。豆子”林自强。 “您的意思是，狗把历史棋局样本积累起来，选赢局，赢局选赢目多的，选择出最好的？”林久浩问道。
“对，基础的算法理论模型差不多吧，只是不能按赢目多少选择，而是以权重参数选择”林自强。 “什么是权重？”林久浩。
“样本在开始定质的时候就定义权重，例如一盘大胜的棋局，但是这个棋局是因为后期对手走出了一步臭棋导致的。这种棋局，样本库可以放弃采用，但是不能撒谎，所以如果采用的话，可以给它定一个性质，虽然是赢局，但是权重很低，在计算的时候是被筛选出去的”林自强。 “筛选就是调整阈值，无限IFTHEN。。。。。递归？”林久浩。
“你现在Python学的不错，编程思路也不错，理解很快呀。不过，对于狗来说，围棋还有中盘胜”林自强。 “中盘胜，不算目数，怎么择优呀？”林久浩。
“先分叉判断，有中盘胜，且权重合理，就直接选择了”林自强。 “哦，也是，所以狗一直赢？”林久浩。
“可以一直赢，除非它样本库里出现臭棋棋局，胜方的下法并不高明”林自强。 “有这种可能吗？”林久浩。
“样本都是围棋名局，这种情况的概率很低，而且还有穷尽步骤参数积累的方法，同时配合目数计算，基本不会出现怪异情况的，即使有，后期也会人工修复”林自强。 “老爸，如果，我说如果，我走出历史没有的招数，狗就不会应对，是不是可以赢阿尔法狗”林久浩略有得意的说。 老林看了一眼林久浩“你想多了，你要知道，不管你用黑子或白子，你只有50%的主导权，如果你下了一步无效棋，狗都会判定你放弃主动权，狗会按照先手棋去走”。 “没有懂，老爸，我就是走一步前无古人后无来者的棋”林久浩抬杠上了。 “例如你开始走在1·19点，历史估计没人走，但是狗会判定你走了无效点，而直接以先手棋下棋”林自强。 “如果不是开局哪？”林久浩。
“棋子走的越多，历史棋局越多，狗的命中率越高，如果走到后面，真的出现样本库中没有的，那就模糊计算找相近点，它不是还有穷尽步骤的算法嘛！找一个参数值好的输出就可以”林自强。 “那相近点也没有哪？”林久浩。
“你抬杠了，没有怎么了，那就输一局，下回就有了输局，采样择优还有一个原则，不选择输局”林自强。 “哦，即使输一局，但是狗的样本库会更丰富，对不对？”林久浩说。
“是呀，其实阿尔法狗，把棋谱和一些固定应对等围棋教程也记录为样本，这样比人脑记录的多”林自强。 “老爸，那是不是我现在用python也可以编这样的程序”林久浩。 “可以吧，你要用递归穷尽多少步骤？算力消耗太大，如果建立样本库，整理的数据量和工作量都很大，没意义。。。别想了，快高考了”林自强阻止了林久浩。 “哎~，以后棋手都下不过狗了，就不需要围棋比赛了”林久浩替棋手们叹了口气。 “久浩，你可不能这么想，包括围棋在内的各种棋类比赛都是考验人脑的，所以比赛都是人与人的较量”林自强。 “可是，人脑比不过计算机呀！”林久浩。
“没有能比过机器的，跑步跑不过汽车，游泳游不过人造海豚，铁饼标枪哪个有机器扔的远，拳击打的过机器人吗？反而是棋类，是机器人最后超越的竞赛领域”林自强。 “那是不是都不要比赛了”林久浩。 “体育比赛是发扬人类的体育精神，是人与人的公平较量，引入机器就没有奥林匹克了，体育不只是看结果”林自强。 “老爸，如果是您，您怎么做人工智能？”林久浩问出了关键问题。
“你是说狗，还是拟脑”林自强。 “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。”林久浩说。
“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，琪琪，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？”林久浩说。
“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。”林自强说。
“这个线路有什么用处？”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？”林久浩说。
“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，然后再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”林久浩对自己的快速编程能力很自信。 “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！”林自强说。
“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》。