近期以來，由於對人工智能的好奇，學習了不少關於人工智能的知識。但是無論學習什么都發現當前與人工智能有關的算法確實不能做到與人腦相提並論的那種對萬物都能適應般的“通配性”。
雖然人工智能能在某些領域確實是有着能夠超越人類的能力，但是這種能力脫離了具體的環境就發揮不出作用了。就拿在人工智能中廣泛運用的圖像識別來說，雖然能夠經過訓練后識別某一類的物體，但是訓練之后的模型並不能具有“通用”的這一特征，看似並不礙事，但這點卻至關重要，甚至關乎於為啥現如今人工智能無法模擬人腦智能。換句話來說，由現在的人工智能算法訓練之后的模型，對於輸入數據具有嚴格要求，甚至於讓圖片顛倒一下，原來能識別的物體，顛倒圖片后就識別不出來了。更別說讓輸入圖片的大小隨意更改后還能識別出具體的目標。
上述的話如果沒有接觸過圖像識別的人來說有點難以理解，沒關系，下面用一個更加通俗的例子來更好地理解這一過程。
如果現在有一堆沒有排序好的數據，那么我想訓練一個模型，來讓這個模型能夠實現輸出從小到大排序輸出數據（數據中只包含0-10，為啥不是任意數下面會解釋）的這一功能的話，那么當前人工智能訓練模型的方法一般是如下：
先拿一個沒有排序好的數據集作為一組訓練集
【1,3,2】，【4,2,1】，【6,3,2】，【5,2,1】，【2,6,7】，....... 這樣的數據等等N項作為訓練集
現在到這里，可以看到訓練集輸入的輸入全部都是一個統一的大小，即數列的長度必須為3，這就是當前一般的人工智能算法存在的第一個問題，如果有一個訓練集的大小不符合要求，那么這個數據就沒辦法輸入到模型的訓練里面。
為了發展當前的人工智能算法，首先需要解決第一個問題就是解決輸入數據大小的問題。
到了這里，只有一組訓練集還沒辦法訓練模型，因為僅僅憑訓練集數據，人工智能是不知道從小到大排序是什么。因此我們還要給出對應訓練集從小到大排序好的數據
【1,2,3】，【1,2,4】，【2,3,6】，【1,2,5】，【2,6,7】，........等等N項對應訓練集的從小到大排序好的數據
有了訓練集數據和排序好的數據之后，我們就能訓練出來這個能夠輸入數據長度為3 數據只包含0-10，后能輸出從小到大排序還不一定准確的模型了。有了這個模型后，小明興高采烈地將其拷貝回家等有機會的時候使用。
有一天，小明想突然利用這個模型輸出一個從小到大排序好的數組，但是，他不小心輸入了其中有一個數范圍不在0-10的數組【0,11,8】
結果模型返回給他的數組是【0,8,10】 他很納悶為啥他輸入的數中沒有10，但是為啥模型返回給他個10呢
這里又發現了當前一般的人工智能算法的另一個問題了，輸出的數據只能從訓練數據里面的數據給出而不能給出一個通配的解。
得到了這個模型之后，發現他的排序功能實在是太弱了，還不如直接自己編寫一個排序來的痛快一些，即快還沒有大小限制。
所以，為了發展當前的人工智能算法，需要解決的另一個問題是給出答案的通配解而不是具體值。
所以換個思路，我們再來重新一個從小到大排序函數，這次，我們利用函數擬合而不是現如今人工智能之一的訓練方式，（雖然神經網絡的本質就是函數擬合）。
依舊還是上述的數據，訓練值作為函數的X值，排序好的數據作為函數的因變量，
就有如下的排序函數F(X1,Y1,Z1)=(min(X1,Y1,Z1),middle(X1,Y1,Z1),max(X1,Y1,Z1))
這次小明重新輸入【0,11,8】，得到的輸出數據是【0,8,11】，排序好的數據，這樣就解決了第二個問題了。這是之前的一個實現過程：計算機語言函數提取算法
雖然現在得到了能排序3個整數的通配函數了，但是如果更換數據的長度，依舊還是無法排序。例如【1,2,4,3】，此時函數能夠輸入的位置只有3個，而需要我們輸入的數列大小有4個就無法代入函數中了。
函數僅僅只是模擬數據的規律，卻沒理解這些數據之中存在的本質問題。
但在我們人腦看來，（這里只說在一般而言可以接受的長度，無論如何我們理解了如何排序的這一規律）數據長度對我們解決排序基本沒有影響，我能知道排序的規律，我們了解排序的本質，因而長度對我們排序的過程沒有影響。
而第一個問題，大小改變后無法代入訓練過程的問題，也就是當前人工智能只是模擬而不知道具體的本質是什么的問題。
最近我花了很長的時間，想讓其能提取從小到大排序任意長度任意數的函數，但均以失敗告終。是否函數也存在某種局限呢？
如何才能讓當前的人工智能理解問題的本質呢，如何訓練出來模型后，讓這個模型在任意場景都能使用的問題。如何讓其能理解問題的本質呢？