每個小抄平時也會自己發出信號，想讓別人知道它的存在。當幾組小抄的信號湊在一起時，有時就會有新創意產生，就如同我們常說的「突然靈機一動」一樣。大腦每天會整理數不清的小抄，常看常聽的就留著，其他就慢慢往後堆。所以如果要持續留存知識，不斷的學習與複習是不二法門。
這就是筆者個人所想像的「小抄大腦模型」（Post Brain Model）。根據這「小抄大腦模型」假設的原理，我們就可以開發出「人工智慧小抄電腦」（AI Post Computer）。簡單的說，就是根據人類大腦記憶思考的原理，來讓人工智慧運作。這比較偏向傳統以知識為基礎的專家系統路線，與現在當紅靠大量機器數學模式計算的機器學習方向不同。
傳統機器學習演算法
雖然「大演算（The Master Algorithm）」一書排斥傳統以知識工程為基礎的程式系統，認為以機器學習為基礎的系統已經開始席捲各個領域。它指出現在機器學習有5大學派，包括符號理論，類神經網路，演化論，貝氏定理與類比推理。它認為結合這五大學派而發展出的終極演算法，將可靠機器學習大數據中獲得世界上所有的知識。
其中符號理論學派利用建立決策樹的方式來執行歸納，類神經網路學派模擬人類的神經元運作來做識別與預測功能（如最近最流行的CNN），演化論學派模仿大自然交配與演化來設計程式，貝氏定理學派利用機率來推論各種狀況發生的可能性，而類比推理學派使用支援向量機SVM等方法來將資料分群找出相似度高的群體。
但這五大學派的機器學習方法，都是以數學運算模式來訓練機器做判斷，比較像是人類的快速辨識與直覺反應。和思考不同，直覺反應速度快，但它卻不知道為什麼。像運動、操作、語言等需要快速反應的事情，就要靠不斷的重複練習，來讓身體肌肉能應付外界變化。
但思考卻是知識性的，需要將存在腦內的小抄一一檢視，看看哪一種方法可以應付當前的狀況，它需要比較長的時間。這就像拳擊與國術的對比一般，前者靠不斷練習對打以訓練臨場反應，一直到最後幾乎練成了反射動作，就和機器學習一樣。而後者是把所有招式，像一本書般從頭到尾不斷演練。臨上場時，還要一頁一頁來檢視應該要使用哪一招來應付比較好，速度自然比較慢。語言學習也是一樣，如果是對話式的整句練習，使用時自然比還需要從文法開始想造句要來得快。
金融科技小抄電腦
但以知識為基礎的「人工智慧小抄電腦」，卻是用前人的智慧來運作，同時還能告訴你為什麼，因為它是靠大腦裡小抄記著的方法來做事。筆者個人喜好收集知識與方法，所以自然就偏好知識思考這條路，希望能慢慢將知識方法製成小抄，塞入機器人的人工智慧腦中，堆出小抄知識塔。然後再模仿人類大腦的方式運作，讓這小抄電腦知識塔動起來。
