這幾天，弈然從新審視了他的母系系統(tǒng)的整體框架，發(fā)現(xiàn)了一個重要的問題，也正是導致弈然的進度極其緩慢的主要原因。
　　弈然的母系系統(tǒng)，雖然極力跳脫了數(shù)學邏輯的限制，卻還是把對于事件的“解釋”與“預測”分成了兩個獨立的部分。大量的數(shù)據(jù)分析注重解釋，深度的學習注重預測。只有將解釋和預測結(jié)合起來，真正的強人工智能才能夠?qū)崿F(xiàn)。
　　舉個例子，大多數(shù)情況下，只要提到“挖掘機技術哪家強”，偽人工智能自動就可以聯(lián)想到“華夏山東找藍翔”，但是如果繼續(xù)說“真的么？我要學挖掘機。”那么偽人工智能甚至無法判斷這句話到底是玩笑還是真話，因為偽人工智能沒有邏輯思維，只有數(shù)學概率。
　　想要漸離一個理想的模型，就應當幫助機器理解變量之間的種種影響渠道，讓機器學會邏輯判斷，，從而把解釋和預測這兩個在偽人工智能程序中割裂的部分在真正的人工智能程序中統(tǒng)一起來，這就是母系系統(tǒng)需要完成的目標。
　　想到這里，弈然的思路已經(jīng)完全理清了，代碼本身要跳脫數(shù)學邏輯的限制，但是機器行為本身不可能跳脫數(shù)學邏輯。應當先搭建變量關系影響渠道的邏輯代碼，然后再對大量的事件套用邏輯代碼，讓機器人對套用了邏輯代碼的大量事件進行深度學習，最終掌握邏輯思維。
　　事不宜遲，說干就干。
　　思路清晰的弈然簡直無比神速，一個無比龐雜的邏輯及系統(tǒng)，僅僅一個通宵，弈然就完成了10%。天不知不覺亮了起來，弈然也要收拾收拾準備休息了。這時電話突然響了起來，是林寒念。