等效替代，放在工程实践领域，是一种很常见的设计与实现思路。
放在“强人工智能”，则需要切实的考虑清楚，人类，或者说人脑，其思维与认知行为究竟是一种怎样的过程。
“人会犯错误，计算机不会”，这并非是it专家的调侃，而是严肃的事实。
迄今为止，人类创造出的一切计算机，小到功能孱弱的早期单片机，大到算力zflops级别的超级计算机，能够实现的功能，眼花缭乱，无以尽述，但归拢所有这一切功能，不难发现，其本质上完全是人类意志的延续。
这种延续，并不是说人类能轻轻松松的，做到计算机做出的一切。
而是原则上讲，从单片机、到巨型机所做的任何事，原则上讲，一旦脱离运行时间的限制，人类同样也能够完成。
不仅如此，这段话的真实含义，要比字面上呈现的更深刻：
要完成当今时代一切计算机所做的事，人类，但凡有足够长的时间，根本无需动用自身的思维、认知能力，只需有一副听指挥的身体，加上除“v、add、xor……”之外一无所有的机器指令。
一旦意识到这点，便可以明白，为何当今时代的计算机，根本上讲，完全无法进行创造性、探索性的科学研究：
根据指令，摆弄一些数据，就能领悟客观规律，那简直就是在开玩笑。
要完成计算机所做的任何事，人类，根本无需动用智慧，这种原则性的判断，为研发组指出了一个关键点。
人类的智慧，与计算机的算力，如果说有什么本质上的差异，就是“出错”。
换成严谨的说法，就是基于细胞架构的模拟式人脑，能够引入一些出乎预料、无法预知的新变量。
而这一特性，在传统的电子计算机体系里，一概视为“干扰”而务必杜绝，否则便难以得到期望的准确运算结果，其突出成就，便是寻常人认识中的“计算机永不出错”。
撇开极小概率的宇宙射线、本底瑕疵等因素，的确，人类制造出的计算机，可以认为具有100%的可靠性，如果最终计算结果与事实不符，绝对是程序的设计、或者初始条件有问题，最终一定会追溯到人的身上。
计算一百次加法，计算机不会错，人也不会。
但是计算一百亿次加法，计算机不出错很寻常，人呢，根本就不可能一个不拉的全做对。
“人脑迟早会出错”的现象，长期以来，在计算机的永不出错面前自惭形秽，自愧不如，但反映到另一个层面，正是这种模拟式、并行式生化系统的“出错”，才让探索性、创造性的科学研究成为可能。
从已知，尝试推断未知，人类的一切科研活动，本质上都未脱出这样的形式。
而这正是计算机，至少到目前为止的计算机，始终做不到的。
计算机能做的工作，譬如说，计算，总归是一项人类交托的任务，是先由人来判断该问题是否有解，如果有，具体的算法是什么，然后将数据与算法交给计算机的逻辑电路去处理，所得结果也要由人去理解，阐述。
即便像aiasg这样的系统，能自主生成程序，实质上，也不过是将一些类似的已有成果排列组合，解决那些早已被人解决过的问题。
路，还是人走出来，计算机只不过是更快的再走一遍，两遍，三遍；
就算再走无数遍，仍没有任何创新。
取而代之的崭新思路，“敛散算法”，则是根据一定的初始条件，在算法的每一步，尝试尽可能多的分支，引入额外的发散量，当然这种做法，很快就会让计算量暴增，所以还需要进行“收敛”，通过同样包含随机性的判据，迅速“砍”掉大量无意义的分支。
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，巨大的投入也是值得的。