不论从哪一点出发，“强人工智能”，都必须尽早应用到实践中去。
找到莱斯利*兰伯特，方然毫不掩饰的直接说出构想，对这一计划，兰伯特原则上认为“可以一试”，但并未给出任何确切的承诺。
“是的，阿达民先生，用‘强人工智能’替代现有的ai，的确可以提升一些效率。
这一点，不知您是否理解，即便通用型人工智能与强人工智能，都是基于现有信息技术水平的计算机加软件之体系，彼此之间，没有明显的技术差距，后者的处理效率也会大大优于前者，当然，能领先到什么程度，还说不准。”
“是因为两者的软件架构，一个基于fsci一个则基于‘自主思维’吗。”
“正是如此，或者说，在算力消耗相同的情况下，‘强ai’比现有ai快得多，主要原因并不是前者的效率极高；
而是基于fsci系的传统人工智能，在解决实际问题时，效率太低。”
莱斯利*兰伯特的说法，对熟悉fsci系的方然而言，一听就懂，他早知道这体系的弊端。
fsci联邦标准信息测度码，诞生在旧时代的一套“计算机系统通用编码标准”，原则上是站在计算机、而非人类的立场上，描述客观世界，进而从这一体系出发，可以用传统ai的诸多算法，实现诸多功能。
这一体系，早在诞生之初，就引起it业界的浓厚兴趣，但也有很多业内人士不以为然。
反对者的一大武器，便是fsci系的低效，这种低效，并不是体系架构本身多么拙劣，而是由于fsci开发初衷：
描绘计算机眼中的世界，进而，为计算机提供一种内禀的通用“语言”。
这样的体系，显而易见，并无人类对客观世界的既有认识，以其为基础开发的程序，一般而言，也几乎无法借助人类已有的科学技术成果，去加快处理的速度。
这是什么意思呢，譬如说，物流网络的运力规划问题，用ai解决的一般思路，是挂载深度学习网络，并根据问题的性质给定大量边界条件，ai上线运行后，很快就能根据初始条件与运行数据，逐步优化策略，给出较好的解决方案。
旧时代的it领域中，人工智能，往往就是应用在这样的场合。
这种“自动化、智能化”，实质上仍然是一种低级重复劳动的替代，是用人类智慧，分割、定义问题，给出算法，然后利用计算机的速度，迅速做完原本用人力需要很长时间才能完成的工作。
但这种应用方式，显然，对复杂问题的解决能力，不会太理想。
在若干年前，应用于某一领域、解决某一类问题的ai，几乎只能用于解决该类问题。
不仅如此，一旦问题的边界条件发生变化，甚至只是略微改变，ai的效率都有可能大幅滑坡，进而必须有人来干预，修改边界条件，替换算法，总之，借助人类的智慧才能应对多变的具体情形。
即便这些多变的情形，根本上讲，并未改变问题的性质，理应在计算机的能力范围内，传统ai体系也几乎总是一筹莫展。
这种情形，在fsci系出现后，才逐渐被改变。
基于fsci系的计算机、ai体系，一言蔽之，对问题的“理解程度”，远比之前那些全凭速度吃饭、对自己正在解决的问题本质一无所知的ai深得多。
说计算机“理解”问题的本质，很多业界人士，只会一笑置之。
这实际上反映出人类的傲慢，方然的观点则相对中立，他并不认为，一台运行fsci构之软件的计算机，会如同人类那样认识、分析、理解问题。
否则，fsci系反而相当于失败，这一体系最初就是为计算机所准备，故，fsci系赋予计算机的能力，是独特的新视角，区别于人根据自身思维特性而做的探索与认识，计算机同样也有自己的一套认识、分析问题之构架。
不论这一架构，是否真的存在，当今时代的“全产机”、通用型ai，确乎可以应付一些以前并无法用ai独力完成的任务。
灵活性与运行效率，这一对矛盾体现在ai架构上，基于fsci构的人工智能效率相对较差，在解决具体问题时，所需算力会比传统的人工智能高出一个约数量级，换来的却是更强大的自主性。
而“强人工智能”，解决问题的思路则不一样，更像是对人类思维过程的模仿。
虽然这种模仿，并非如旧时代的ai方案那样，原版照抄人类大脑的运作过程，而是放手让计算机用“敛散算法”自行探索，一旦形成某问题的解决方案，效率，就可以接近传统ai的水平。
相对基于fsci通用型ai，采用强人工智能，显然可以极大的节约算力。
想法很好，找到莱斯利*兰伯特说明来意，负责人的表情却有一点为难，兰伯特先告诉阿达民，目前“强人工智能三号机”的研发还算顺利，在近乎无限的资金、资源支持下，乐观的讲，“盘古”甚至