些散落在空间中的点或者是运动分布的点，是基于函数以函数b为规律收敛，那么是不是可以认为，这些点是由函数与函数b关联影响产生的o运动结果的轨迹，可以吗？当然可以，我们设定以o为核心信息元，以函数及函数b为直接关联信息元的多元关联拟脑模型，同时函数与函数b相互关联。
这里的函数与函数b是未知的，而所有散落在空间的看似无规律的点，是o在函数与函数b关联影响下的参数溢出轨迹，使用超级计算机去穷尽它，找到函数与函数b，如何穷尽解算，o是已知的，我们可以把函数设定为核心信息元，停，核心信息元不是o吗？这是多元关联拟脑模型的特点，任何信息元在使用者的观察角度，都可以是核心信息元，好，函数是核心信息元，我们将现有的已知的海量的线性函数逐一代入函数，在每一个已知函数被代入函数的时刻，函数就是已知量，o是已知量，去求函数b，如果没有函数b，就继续去穷尽函数。理论上，我们可以把这些多函数叠加的规律放大到更多的线性函数叠加，bcdefg......n，太复杂了，啊不对，是太繁琐，很多尝试性的计算动作，需要无限次的去做，但是理论上，我们可以找到多线性函数叠加的规律。
理论是理论，穷尽就是无法穷尽，但是穷尽也是一种思路，好吧，我再说一个有用的方法，知道多元关联拟脑模型的特点吗？多元关联拟脑模型注重‘相对关系’，什么是相对关系，例如与b有关联关系，b与c有关联关系，那么与c会同时出现在以b为核心信息元的三维坐标系中，既然与c同处于一个三维坐标系中，那么它们之间有直接关系吗？没有，因为我们需要的是信息元之间的相对关系，而与c的关系是由b产生的间接关系，那么这种方式对计算分布的点及运动点有什么作用？我们可以利用多元关联拟脑模型，把分布的点或者运动点，在多个三维坐标系中关联出它们的相对关系模型，这样我们就得到了这些点，在多个三维坐标系中的距离角度等相对关系信息，对这些距离角度参数做趋势分析，我们可以找到这些点分布的规律，或者是运动的规律，问题又来了，运动的点可以知道谁是起点，而分布的点我们怎么知道谁是起点呀？对，运动的点如果知道最开始的点，那么该点就是起点；对于分布的点，就从关心者或者观察者认定的点作为起点吧，这里有人较真了，到底哪个是客观的起点，较真的人去穷尽所有点为起点，然后去计算吧。总之，多元关联拟脑模型提供了这种功能，我们可以利用多元关联拟脑模型，通过多元关联计算，去发现分布的点和运动的点的规律。
问题又来了，具体怎么做？
我们看到空间有大量分布的点，我们可以利用多元关联拟脑模型，为这些点建立以自身为核心信息元的三维坐标系，并把这些点之间的相对关系标注到每一个坐标系中，为什么是每一个坐标系？因为我们不知道它们收敛的规律，所以就需要把所有可能都放进去，例如，100个点，那么就建立100个三维坐标系，在每一个三维坐标系中都有一个核心点及99个关联点，而且核心点与关联点之间的真实的关联关系也反应出来，数据量不小，但是，至少是解决问题的方法，如此一来，我们就得到了这样的关系，然后提炼出一个点1为起始点，然后在该模型中穷尽路由，计算后，会得到很多的路径（具体是多少需要计算，总之是有数的），在这些‘路由’里面，我们会计算每一个点之间的相对关系，并对相对关系做归纳，看能不能找到收敛的规律，如果有，那么我们可以认为这些点，以为起点并按照一个特定的函数收敛，如果找不到，那么继续以下一个点2为起始点再做一遍，如果没有就继续，直到第100，如果实在找不到，也没办法，只能认为这些点没有规律。
路径就是1234。。。n，或者是342697。。。n，这是从1到n的所有路径，也可以称为从1到n的所有路由。
全部实现连接，太变态了吧，如果有10000个点，那么，好吧10000个点也不是什么事，如果有1亿个点，那关联关系约为很大的数，怎么办？其实刚才只是说明一下穷尽的概念，在实际操作中还可以简化，例如，运动的点，我们完全可以从起始点开始逐一向后建立模型，然后发现点与点之间的相对关系中的规律，分布的点要麻烦一些，我们也可以以起始点向一个方向发起关联，在这里可以设定关联阈值，例如点与h点的距离大于阈值，那么我们就先认为与h之间没有直接关联关系，通过对阈值的调节，我们把复杂的全关联模型，简化为关联深度控制模型，问题就简单多了。
同时间分布的点或者运动分布的点，在我们的多元关联拟脑模型中都是一样的，我们可以把‘空间散落分布点’看做是‘某一个原始点的运动轨迹’，也可以把‘某一个原始点的运动轨迹’在含有时间坐标的坐标系中，看做是‘空间散落分布点’，怎么计算方便就怎么做，反正多元关联拟脑模型都支持。
这就是多元关联计算能够解决的问题，而多元关联拟脑模型是支持多元关联计算的人工智能计算模型。
这样有意义吗？不就是计