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体系的传统人工智能，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体系的方然而言，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体系的低效，这种低效，并不是体系架构本身多么拙劣，而是由于fsci的开发初衷

描绘计算机眼中的世界，进而，为计算机一种内禀的通用“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。