如果是一个ai

首先需要数据进行分析
分析目的，过程，起点

人的思维方式，肉眼接收到信息，记忆检索，通过记忆中的认知进行判断，然后做出反应
需要解决的问题：
ai接收信息有限，人的肉眼无法模拟
ai记忆检索需要强大的检索能力
ai判断需要自行学习
ai反应所对应场景很广

训练一个人为单位的ai，这个ai可以被划分为一类人的标识，识别行为是这类人时，进入这类ai判断
举个例子：
我发起一个毁灭世界的指令
ai首先判断哪一部分人会发出指令
然后检索这类人学习的认知进行判断
判断完成之后执行
这样又会有一个疑问，通过判断确定是哪一部分人，判断的标准是什么，错判后续处理

再举个例子:
ai走迷宫，判断方向如果是死的，将不会再执行同一个方向，这样执行效率最高
但如果迷宫是活动的，死路可以变活路，走排除的思路就不太行
那如果ai对每一个方向进行概率性重试，这样也会让比较简单的判断变得复杂

转换成人思考，我走迷宫，一开始也是排除法，再没有发现迷宫是活动之前，我会一直走下去
所以这时就有一个变量，改变判断的变量

ai需要做到像人一样思维跳跃，改变原有判断，进行重推
这时就可以产生一个固定的判断模板
这个固定的判断模板是否也可以思维跳跃？

现在固有名词有了
思维跳跃，认知方案，判断变量

那ai的大致雏形已经有了
一个有认知方案，可以通过变量进行思维跳跃的东西

思维跳跃思路：
电脑都是通过内存进行判断的，指令执行前就已经编译好了，每一个步骤都是坚决执行的
跳跃可以在内存上实现吗，计算过程中能不能被打断？

现代产品使用中都有很明显的顿挫感，因为判断过程需要时间
就如传感器，接收信号之后要通过判断后做出反应
接收过程有时耗，判断过程复杂有时耗，执行过程有时耗

可以展示计算过程展示忽视掉时耗

认知方案思路：
ai学习的过程，就是对一件事情上面增加自己的标签，需要使用时取出，方案可以是一个函数，一个指令，标签需要指向方案，方案要可以随学习进行变化

判断变量思路：
判断至关重要，影响结果，变量也会影响结果，怎么定性这个变量，变量应该在判断的哪一个过程中生效，这个实现很难
举个例子：
我去买房，买房途中撞死了一个人，这个人是变量，还是这个车祸是变量
目的是买房，变量影响了结果，变量的加入是突然的

先有以上思路，可以试着实现一个搜索可视化的ai，模拟一个输入框，将输入的数据进行分析，再收集搜索引擎的结果，进行判断，生成认知方案，最后加入变量，得出结果。