===接《远程介绍多元关联动态模型（上）》

屏幕上，多元关联拟脑模型中的核心信息元O的参数位置，随着ABC的联动一直在变化着数字。。。

“态输出，反向态输出，路径行走算法。”林久浩说道。

“什么？态输出，反向态输出，这是什么？”宁老突然感兴趣了，他原来试用的多元关联拟脑模型云提供的SaaS服务，还没有‘态’计算这个技术概念。

“态输出是针对这种情况，影响核心元的因素太多，而且这些因素成网状关联，一旦动起来就呈现无法测定的互动，所以我父亲就提出了态输出理论。”林久浩。

“你再说清楚一点？”宁老继续盯着问。

“我现在要问一个问题，大家要想一想，如果出现了关联因素互动的情况，我们关心的是什么？”林久浩问道。

“参数因素是怎么动的，不知道这些参数怎么动，我们无法测定对核心元的影响。”终于有另一个半秃顶的工程师发言了。

“是吗？是这个吗？”林久浩继续问道。

“我们关心是平衡。”宁老一句话点在重点上。

“是的，平衡，中间的参数是什么不重要，只要满足合力为0，例如A=1,B=2,C=-3可以A+B+C=0，A=4,B=1,C=-5也可以A+B+C=0。。”刘工明白了。

“对，这里的ABC是带向量方向的力，我们需要的是核心元O的合力为0这个达成条件，所以我们需要使用态输出的理论。”林久浩说道。

“小林，你把态输出给我们解释解释，这里很多人还糊涂着呢。”宁老说道。

“态输出，是指在多种因素影响下，而且这些因素呈现关联且有序，或者关联且无序，无法测定的情况，而我们实际需要的不是这些因素，而是核心的状态。”林久浩解释道。

“关联且有序，既然有序就可以测定呀。”一位工程师突然说道，打断了林久浩的话。

“别打断林工。。”刘工不高兴了。

“好的，我先解释一下关联且有序无法测定，这个刘工应该明白吧，你明明知道A是怎么影响BCDEF的，但是，它们一旦动起来，当你测定到D的时候，由于D也影响A，A已经变化了，这时你的D值已经没有意义了。”林久浩解释道。

“对，这个我明白，因为A又变化了，所以D的值已经变动了，你测定的D值又无效了。。。你继续林工。”刘工。

“我们继续，我们需要的是核心的状态，所以这就像照相一样，我们对多元关联拟脑模型照相，得到定格状态，把这个状态输出。因为我们需要的是这个‘态’。”林久浩。

“这就是态输出！我们只要关心核心信息元O的参数状态就可以了。”宁老补了一句。

“是的，宁老。”林久浩回答。

“林工，你说的这些我明白了，但是，这个态只是我们看到的态，它不一定是我们要的合力为0‘态’呀，很多态，驴子倒地乱刨蹄子也是，我们还是无法确定合力为0的’态’。”刘工的脑子一直在线，跟的很紧，一般学生出现这种状态，老师都会夸奖的。

“非常好，刘工说到重点了，态输出有两个方向，比如在测定领域，我们做的是定格态输出，而在控制领域，我们做的是反向态输出。”林久浩。

“反向态输出，是什么？”刘工极度好奇的问道。

“反向态输出，就是我们设定条件，要求合力为0，然后把这个态定格还给多元关联拟脑模型，让拟脑模型自己按照路径去计算。”林久浩。

“反向态输出我们明白了，但是，机器人怎么靠这个技术做运动？又怎么能在运动中达到动平衡？”刘工继续发问。

“运动的过程，一定是从一个平衡态到另一个平衡态，比如机器人需要抬腿，那么抬腿这个动作会打破现有的平衡，导致合力不为0，那么你先预设抬腿这个动作，在打破合力为0态后的那个态里面，对核心元强行设定合力为0条件参数，然后重新计算，我们把它叫预设态，完成预设态合力为0计算后，才能做抬腿这个动作。”林久浩。

“林工，预设态是破坏了合力为0的态，改变条件参数可以，不过，怎么计算出预设态合力为0？”刘工紧跟着发问。

“各位领导，大家一定要记住，多元关联拟脑模型的执行脑，这是关键点，就是思维是在信息元中行走而成的，以形成闭环为终结。”林久浩加大了声音。

“执行脑？行走？”刘工又疑惑了。

“对，反向态输出，预设态设定条件为合力为0，然后向【动平衡多元关联拟脑模型】的影子脑，发送全路径行走思维指令，然后核心信息元会向所有直接【力关联信息元】发出思维行走指令。”林久浩比刚才要严肃多了。

“影子脑是什么？”刘工继续紧跟着问道。

“当我们建立了