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AI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
本章未完，请点击下一页继续阅读 >>