颠覆和被颠覆，是不同层次的竞争
收集量子的微概率，积累成为高连通性的网络中心节点。
信息交互是网络的基本。
标签：划分层次；简约，能量最低化的均衡；极致：专注，网络的高分化，要冒尖，提高不可取代度，即做到极致；痛点：利用网络的分布，抓住分布函数的一端，集中客户群（爱的极爱，恨的极恨）；**丝思维：自然指数e是一种利用量子特性在有限的资源攫取最大利益的倍数（得**丝者得天下，支付宝），本质上是把浪费的资源收集起来。集腋成裘；
思维是阅读的前提，然后是阅读的模式探究了。阅读能力是大脑的一个选择性表达，即相对独立的模块，接下来我们就要探索神经系统的结构与功能的联系
经验的积累就像是在一个数字后面的小数点的位数增加，当足够精确时，可以在一根严格1m的长度点上一个点，对其的测量结果的转化可以携带无穷多的信息。
神经网络结构的构建是记忆等等的大脑功能的物理前提。神经网络的联系的构建就是网络的新组合，其发挥的力量不是1+1，而是随着数目的增加指数级增长。
层次是相对独立的模块，模式的形成是这种结构的对应。
大脑是不断组合的网络，可以对环境表现一定的适应性，可以形成一定的模式（当重复的次数多了，路径会合并），根据外界的刺激改变内部的连接模式（利用神经元的可塑性），根据多层次耦合的网络结构是对外界信息的映照的基础。同时神经网络的特征也决定我们对外界的认知模式，即需要满足一定特征才能被识别，这就反过来对环境造成一定影响（文化的演进与人脑结构的相关性）
网络结构的教育是连接模式的形成。
大脑活动如阅读本质上是外界刺激映射到人脑使得内部网络结构的模式化激活或抑制，形成的网络结构的表达是特定的模式，如思考，运动，情感波动等等。神经网络的再利用。
神经连接是基本的一维结构，通路形成是二维结构，通路的耦合是三维结构，模块的形成和模块的运动等等是高维结构，即网络。
大脑的神经网络结构没有确切的目的性，只是可能具备相对的模式使得适应当前的环境。任何功能都是经过无数次的尝试得出的模式，大脑的分区是相对独立的模块形成的表现，但也只是一种分化，不是专门的设计。网络本身就是自己的造物主。
网络的可塑性是有极限的，这是必然会存在的收敛。层次形成的收敛范围不意味局限，而是局部的资源最优化分配。如同社会层次的分工。同时借助层次之间的交流，我们把人类这个种群的认知边界不断扩大
如分布这些能量最低化和资源分配最优化的措施使得等势的形成是不合理的，等势是最原始的假设，我们该前进了。大体的结构符合人脑的基本生理结构，只有少数部分可以形成新的神经回路，而正是后者决定个体的独特性
基因没有演化出阅读能力，但其可以决定神经元的连接构建情况，即基础的规律。那么如同欧几里得体系的建构就是可以预期的了。不同功能之间的连接步骤很多，我们只能确保相邻的量之间的大概率的连接，即比较大的关联度。不能使用递推，因为距离一长，相关性就会急剧下降的。如80%的10次方就是10。7%。虽然网络的结构使得衰减不会这么简单，但速度也是真的很快的。
作为抵抗变化的抵抗性变化，记忆，或许是文明之源。
各种刺激的摄入或许是对神经网络的重新塑形，比如运动可以对大脑功能有一定的改善调节
神经网络的形成与信号处理的傅里叶变换紧密相关：如卷积，中心极限定律，高斯分布
运动使得神经的交流加速，而我们的神经老化正是由于神经连接的平均的距离增大，当我们通过外界的运动形成一定的抵抗性变化，可以有助于保持正常的思维和避免各种认知障碍。其实各种刺激的导入和在大脑的映射可以起到相似的作用。
肌肉运动可以产生的抵抗性变化就是平常大脑支配肌肉运动的神经刺激
如同内啡肽等等的神经递质构成的网络结构，大脑神经递质和机体的神经递质如甲状腺素的耦合，他们的浓度波动形成的矩阵或许局部一定意义
神经之间的基本联系是否遵循用进废退？
神经递质之间的平衡是对各种刺激的反映，当外界施加一定的影响，中只能平衡可以扩散。可以训练？即大脑学习细胞的连接模式的变化：有特定的脑区
连接模式的重构，平衡模式的形成和扩散，提高连接的可能性
神经突触的连接就是疾病单位，如同原子，其统计层次可能有一定的性质涌现，即模式的形成。这可能是记忆的形成机制。不同模块可以视为相对独立的层次，即神经通路。这是另一层次的基本单位，不同层次的遍历使得网络结构形成，从而表现一定的高等性质，如各种功能。这就是整合的力量，是需要极度精确的匹配才能达成的。这是结构上的耦合，而功能则是与结构形成的机制耦合的，即结构的形成是符合自然选择的机制的。功能是结构的选择性表达，如各种离子的流动。这是互联网的连接。功能和结构相协调才能使得网络的整体结构和谐。
基底相同，但其表达的网络形式不同（如人与人之间的智商差异）
层次之间的相似性，即全息性质。这是预测的基础，但预测的是概率，现实我们只能看到表达，只有在比较大的尺度才能观测到
脑的结构和功能基于神经网络的不同层次的表达，我们的思考，情绪等等都是不同层次的选择性表达，其还可以继续细分。
感知是外界的信息通过频率（本征值）映射于内部神经网络的不同结构
网络的运作是一种分维，效率比较高，同时能耗大2%的质量需要20%的血液
神经的作用是构建逻辑系统，不同的情况神经的整体表达有其本征性质
特化，这是一种分工，也是网络的整体表达的结果，这既是原因也是结果，是在如同反馈的循环中形成的动态结构；对应，处理的收敛半径，多大的区域对应多大的功能，则有一个中心偏向，越重要的功能对应的区域越大（马太效应），有个幂律分布函数
网络以波函数来进行本征的处理，其频率和强度呼应机体神经网络的不同部位不同层次，激动的神经就形成新的网络，其本征就是一定的感觉等等。网络的呼应之间有信息的传递，这是通过不同的感觉细胞的信息收集的
网络是不同层次即周期的耦合，可以使用傅里叶级数分解，时域变成频域
MRI整体的运动加强与温度升高，血液流动耦合
嵌合体，环境的选择性表达的结构基础，不同层次的嵌合是对不同变量的偏微分
模式的最终生成，如语言文化，适用于不同环境，这是最优化的解。语言同样可以作为神经网络的一个层次，也是网络结构，可以不断进化（视为迭代），现阶段的语言是优化解和差解的分布，是概率坍缩的结果。FOXP2基因是根据中值定理得出的一个本征。
可生存的残缺个体提示层次存在一定的独立性
雄雌的个体差异是网络的比较确定的拓扑变形的选择性表达的结果如器官，神经，肌肉等等，是不同部位不同强度的神经网络结构的表达
概率网络：概率论，信息论，自组织，层次耦合（傅里叶级数），网络社会，混沌
周期的耦合，之后有一定的筛选，从混沌（概率库）选择性表达成为一定的新周期
协同，层次的相似性
分布函数，本征是矩阵的性质，中心极限定理，大数定律，不动点原理
1不可逆的方向是网络的一个本征，本质上是更大结构的亚层
2微分方程的线性解和其周期
相互作用的本质是场，这是如同太极图的耦合体，有相互转化的基本单位
高斯定理和环路定理
数据的映射，通过大数据的统计结果涌现的模式