AI的语词与语义的关联就是所谓使用概率。语词与语义库的扩展，也是一种函数外推，就是根据已有样本库，通过训练、学习，以达成库的扩展，或叫函数外推，以期获得对某种语词的破译，例如，甲骨文的破译。 你的这种AI应该属于图像识别；把语词（甲骨文）当作图像，把语词图像像素编码，形成AI（神经网络）输入向量，然后经过“深度学习”，学习后的输出与样本库（空间）的样本形成误差数据，进行调整AI的权值参量，经过若干次训练学习后，再输入新的语词图像，获得的输出，添加到样本空间，然后，再进行贝叶斯概率评估，这里有许多策略:前向、先验、后验、似然、相关等。 这里的关键是样本空间的扩展及其策略。这里引用了自适应最小二乘算法的迭代策略。这里主要区别是，还需用迭代扩展样本库进行贝叶斯概率计算。 未来还可用分形方案进行辨识。这里关键是像素与某个分形子集的关联过程；利用AI把分形元素（集合），形成一个完备代数集，从而完成图像与分形代数子集的关联对应过程。你比如，用康托分形集，相当于AI的神经元由康托分形集表示，图像是在分形空间表达出来的；图像识别、学习过程就是一个分形集，在运算规则下的完备过程。 未来把AI引入到复域上；把拓扑同伦映射概念，与复域结合，把欧拉联络规则引入到分形集中，或者说，利用欧拉联络对复域进行划分，或分形划分。这是大课题，是颠覆性的创新。 AI只是语词图像或语音，与语义的概率性关联，即，这种关联过程，是贝叶斯概率的学习递增，超过阈值后的关联建立。 人的语词图像或语音，与语义的关联，是通过效应器、执行器，形成的语用、语效上的关联过程，然后建立起的，与客观事物之间的各种相互作用、相互关系关系对应起来。其实，人对语词的理解是意识流上的，即人的思想、意识是在人类大脑空间形成的经验泛函的分形空间，或分形拓扑空间；一个经验就是语词与语义、语效、语用信息关联后形成的意识流、经验泛函。