拉普拉斯变换是以欧拉函数e^-st，乘上相应函数，然后积分；特别是，复域函数变换到时域，就是在用欧拉联络乘积某个复数是实数，在某个复域空间（集合）进行划分，或叫分形覆盖。 所以说，两复数乘积是实数这种“配对”规则，就是一种集合上的划分，或一种分形。当然，我们还可以用康托集等更抽象的分形集合进行集合（空间）划分。 卷积应该叫冲激响应，或脉冲响应在某个函数空间上的划分或叫分形，也是拉普拉斯变换的一个特例。另外，还有傳立叶变换、高斯变换，这都是用在AI上的。原子上用拉盖尔变换；通信上用贝塞尔变换；量子（力学）空间上用波函数变换，实际上就是欧拉联络在量子空间上的分形划分，只不过加入几率守恒和波函数乘积为实数，标志量子事件“坐实”，由叠加态坍缩至本征态。 欧拉（公式）联络对复函数空间进行划分或分形，应该说是在函数空间进行“画圆”这种分形操作。我对黎曼猜想，这个“1/2分界线”还有些不理解，存疑。 所以说，各种封闭环形操作都是相当实用的。电流环形成的曲面上，“长出”磁纤维丛；物质周围一个封闭曲面一个封闭曲面，形成的同伦引力曲面。 超导环中充入电流形成强大的磁能存储。 量子纠缠信号在封闭环形光纤中运动，可形成一种通量检测装置，既可用于雷达目标检测，又可用于引力波探测。（这是我的发明） 总之，自然界似乎是用欧拉（公式）联络，进行分形划分，就像一个抽象集合上做的划分和覆盖（抽象数学上常用理想进行集合划分和构造一个覆盖）。 AI卷积学习，其实就是在用某个函数理想集，进行数据空间上的划分或习得一个覆盖；这个覆盖是存储在网络上的，或者说，是形成一个网络覆盖与数据空间上的映射。因此，真正的一个AI学习，是无法存储在硬盘上的，凡是硬存储AI知识的，都是伪AI。 通用AI是在一个网络中，形成n个网络覆盖与数据空间上的映射。因此，这里存在严重干扰。Al网络容量远远没有人脑大，所以，其通用AI存在巨大障碍。