约束下瞬时最优化可行域筛选预测器。
同时我们也能得出结论意识具备以下几个数学特性，第一，决策时间△t无限趋近于零；
第二，具备约束驱动的可行域；第三，瞬时经验的概率化评估，以及最优化目标选择因此，针对这些特性，我跟我的小组成员们制定了预测在计算之先，选择在优化之外的全新数学模型。
也就是今天我要重点跟大家讲述的元数学雏形。我们将之命名为经验约束瞬时优化体系，简称为ECIO框架，其基础体系大家可以看大屏幕。」
话音落下，乔喻背后早已经准备好的大屏幕同步亮起。
这场报告会还是第一次出现PPT。跟乔喻以往的风格一样，简单且直接。
没有过多的解释。
这也是七月在发送邀请函时，要出一道题的意义所在了。
上面的数学符号都是直接引用的乔代数几何中的概念。
显然对于没有专门学习跟研究过广义模态公理体系跟乔代数几何的数学家来说是很不友好的，即便来了也听不懂什么，无异于浪费时间。
更别提这些公式虽然看起来很简单，但如果讲起那些推导过程来就很复杂了。
虽然最终的目的是让人工智能向通用人工智能过渡。在决策时不再需要调参，不再需要严谨跟复杂的推导计算过程，但数学毕竟就是数学。
支持这一决策树过程本身的推导必须是讲逻辑的。
接下来一个多小时对于台下这一千多位数学家，尤其是那些跟着导师来见世面的学生跟助手们无疑是最无趣的。
不再有那些生动有趣的例子，全都是关于意识决策的数学解释。
尤其是其中涉及到模态空间的部分。
没办法，可实现性测度下的差异度规肯定要引入到高维模态空间。
这块绝对是整套理论最为抽象的部分。毕竟淘汰了以往的决策树，并不代表通用人工智能不需要决策树只是要达成这种瞬时决策需要的决策树过于抽象当然这也是必然的。
毕竟人类的意识本就很抽象。
而且介绍这些数学上的推导过程时，乔喻完全没有照顾台下众人心情的想法。
依然是他的风格，总是默认台下的数学家跟他水平差不多，肯定能听懂每一步的推导所以也没有什么详尽的解释，只是将他当时的推导思路说了一遍。
于是抛去一半本就是来打酱油的，剩下一半人百分之九十的数学家