数理逻辑，量子层次的运算—形式逻辑符号化（语言）
语音识别启示我们可以利用深度学习来使用大数据逼近专家的知识网络结构（本征的组合）
人工智能，基于知识的系统性的连接构造，搜索路径短，匹配程度高；实际上模仿自然界的自然选择的物种构建过程，根据中值定理，总会存在符合我们需求的一个最佳值
组合的爆炸性增长可以结合广度和深度来层层约束—基于经验可以快速收敛（本征路径的接近度，构建模糊逻辑）
数据的爆炸性增长则允许我们能找到不同层次的本征，构建成为一定的模式
万物互相连接使得互联网思维成立，不同维度的耦合使得专业化的知识可以被普遍接受，只是需要一定的媒介，如知乎，用户也是系统的一部分
数据库的匹配---神经网络的构建（推理机）---知识库的构建（可以通过经验输入，可以输出解释）
按照一定的模块（title，abtion，conclusion），网络的不同层次的本征求解的层层深入是概率的选择性表达，有一定模式的表达，里程碑的存在是关键节点，研究就是我们根据以往的经验得出的本征的路径连接
网络的本征作为可以观测的指标，如同图灵测试
本征是一种近似，通过界限的确定，能够以贝叶斯网络的概率求解限制组合爆炸性增长
组合的爆炸性增长需要一定的本征来约束，逻辑是一种已有知识的可靠链接方法，分布是更高阶的存在，如同微积分是对变力的研究
大背景—小背景—问题提出（数学语言描述，已有模型选取，目的确定）—方法选择—效果达成：选择性表达的本征，网络的性质
整个学科的网络是各种本征的逆向求解
语言的基本单位，域。层次的不断遍历从而升维，层次之间的相似性/模块化导致的统计的网络运算
规则即知识，规则之间通过匹配度确定次序
建模语言：深度学习，要有一定的大数据，然后才可以谈论路径的优化
特征点的组合和动态变化，其一定的收敛的边界是一定的模式
具体物体的多层次分化101010111001是低效的，这是树状图的本征，不同层次的收敛
神经网络强调层次结构，不同层次的本征内部是网络，层次之间的连接也是网络
感知—理解—决策，反射弧的形成，是网络的本征，但每个层次都可以映射为次级网络，可以有反馈的调节机制，从而可以学习提高
一种新的语言：神经网络
专家系统生成工具和辅助工具：li
多逻辑的网络式的对应，构建概率的表达
调查问卷就如同专家系统的输入和选择性输出（依靠组合），以调查问卷的形式（单选，多选，数值，是非），形成网络的结构，当矩阵的网络与现实物理接近时，可以视为本征
组合是知识网络增殖的前提
网络的多重击中，矩阵打分的路径最优是局部匹配的结果
问题确定—知识获取—模型建立—实现阶段（编程：知识的形式化，数据库的知识匹配；算法实现）--系统测试和完善及学习（参考知乎，维基百科，用户维护）
知识的组织形式，我倾向于数据库的列表，然后再根据不同程度的匹配形成新知识，现实的知识都是选择性表达的，即使用概率加权
模块之间的逻辑连接
实现才是王道
隐马尔科夫模型的概率的变化，找到一组比较合理概率矩阵，即本征
物理图景的模仿，如能量最低
oec系统，以对象的层次结构为中心，既是知识也是工作区域（耦合）：域，类，树，串
本质上是构建复杂系统：节点的分化(中心节点与一般节点)和分布（小团体的形成），幂律；新增节点的关系连接的中心节点倾向性和概率性表达（倾向连接高连通区域，但资源有限只能分配到下一级）；网络的本征是路径，其平均路径长度（六度分隔）可以作为收敛半径的曲面积分；聚度是划分层次的一个指标；层次的相对独立性，模式的形成；网络的动态变化，临界的存在，数学的拓扑（节点分布概率的改变）；层次相似性，震荡即共振的形成；统计特性；非线性的微分方程表达，本征的本征也是网络；动力学描述个体的运动，整体靠统计分布描述；自然选择的选择性表达；层次耦合带来的组合爆炸性增长和筛选及收敛为本征路径；基本单元是基本规则，实际操作的物质是各个层次的单元；层次的各个层次的博弈
基本的作用，如同麦克斯韦方程组揭示的关系是我欣赏的耦合关系，对称，有相互转化的关系：散度说明力线的闭合，旋度说明其是高维结构的不同偏导（一生二）；动态的互根互生，抵抗性变化的震荡
其有宏观的性质：电路的霍尔基夫电流/电压定律
数据库，数据的关系连接，可以整理出一定的通路，以回路为一个基本单位，可以对其进行一定的输入从而造成一定的输出
数据的相对独立性，关联性与相似性相关
数据管理对数据进行分类，组织，编码，输入，存储，检索，维护和输出
模式
数据的收集和自动匹配处理，一定的组织的数据结构
建立以数据的序列为导向的概念连接，属性不需要定义，只需要集成
双方的征税的结果在一定的时间