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。

“强人工智能”的第一台实验机，所需算力，设计指标大约在1pflops。

以今天的计算机技术水平，这种规模的算力并不难，不过，1pflops算力能支持的思维、认知，可以达到多高的水平，仅从理论模型出发并无从得知，一切还要在初号机完成并上线运转一段时间后，才能得出结论。

按项目组的计划，从初号机开始，“强人工智能”就应该具备一定的自我演化能力，这种特质，也更接近于人脑的状态。

那么，假以时日，这样的机器能演化到什么状态，就更需要时间来给出答案。

自从掌控一个大区，直到今天，1495年才启动“强人工智能”的研发工作，这种进度怎么说也并不算快。

但在方然看来，情况还好，他并不认为所有大区的管理员都和自己一样，能够洞悉“强ai”定义的内在矛盾，继而认识到，以现有的科学技术水平，人类其实是可以研发出某种程度的自主ai，进而窥破“思维”、“认知”活动的奥秘。

。