贝叶斯机制是实空间上的概率算法，与模糊数学、遗传算法都是类似的，都还是数理逻辑制。 所谓的语词向量空间上的贝叶斯机制，仍然是通过经验空间（已有知识库）上的关联概率大小，形成一个梯度方向（这里有一个所谓的随机函数微分和积分，你应该找来学习学习，它在做由抽象数学定义应用数学的微积分），但其选择时仍然是某个阈值判断，仍然是数理逻辑判断；即便是类似遗传算法上的，变异随机挑选机制，也只能说其逻辑判断阈值，也仅仅是增加了若干区间而已，骨子里仍然是数理逻辑的结构，就像模糊数学给出的权值策略一样，仍然是各种数理逻辑上组合策略（或路径）。也就是说，计算机上给出的随机数是伪随机的，是有限区间的一个“分形”或一个“覆盖”。 遗传算法到最后接近最优值时，变异已跳不出最优（奇点）点的势范畴了。 量子神经网络是运行在希尔伯特空间上，即波函数共轭对称复空间；它是真正的概率空间；这里的关键是欧拉联络，即两个复元素乘积为实数，就意味着空间中量子事件由概率性“坐实”为实事件，事件的发生。所以说，量子神经网络中的量子神经元之间的连接是虚连接，是量子信号下的量子事件的一个一个“坐实”连接；它的整个网络刻化或分形，是由量子栅格给出的，可以定义出任意几何拓扑；它的逻辑链路是真正意义上的随机，但又由随机概率梯度给出学习方向。实空间上的概率学习和概率选择，无论如何都不能做到真正的随机概率梯度。因为，它的物理机制是网络实连接机制，不可能运行在复空间上，所以说，其逻辑只能是数理逻辑，其学习机制只能是数理逻辑下的数据搜索。 注意，贝叶斯下的经验库建立，仍然是傅立叶函数空间上的一个实分形机制，即建立一个学习空间上的有限覆盖。 你要仔细学习一下贝叶斯学习机制或原理，但是，仍然过渡不到量子状态空间上的“复学习〞，关键在于其物理机制决定了这里的“鸿沟”。 人脑有情感，有各种各样的虚幻、无逻辑或跳跃的梦，人工智能没有，永远都不可能有。 我们用遗传算法时是胡子眉毛一把抓；它的交叉规则（运算），是染色体拓扑层次上的，就是数组上的操作；而它的变异规则，是DNA码片拓扑层次上的，就是数组某个元上的数字位的异或操作，还不是移位编码操作（这是有数理逻辑的，非随机的操作，所以说，计算机语言编码是数理逻辑上的）。 那个你所谓的“立体矩阵”与三阶张量的区别，就是这种代数拓扑结构的不同；“立体矩阵”是矩阵运算下的逻辑顺延，只能说有一部分成立，应该说“立体矩阵”在矩阵运算下不完备；而三阶张量是张量运算规则下的代数体系，至少是一个群，即张量群，也可能是张量拓扑，就类似DNA拓扑一样。我们所用的遗传算法，将DNA拓扑缩编为一个群了。群与拓扑的经验存储容量，天差地别。 你的改进研究方向，可以关注神经网络拓扑构造，即将平面矩阵形式的网络，向立体，至少是分层拓扑网络推进。