动的帮你去查询去搜索，然后反馈到人的眼睛或者是耳朵里，帮助自己理解整场会议的内容。
如果不局限于这场会议，而是套入到日常研究中：我是一个设计师，原本是设计机器狗的，这个狗在地球上已经设计出来了，跑的非常溜。
但现在月球探测需要这么一个东西，有什么差别呢？我不懂！
正常情况下，我需要去找相关的专家去共同的研究，或者自己去学习去查找相关的资料：
月球与地球重力不同只有地球的六分之一、月球上没有空气、月球的昼夜温差大，在一个自转周期内，温差可以达到310℃、还有月球的地形、传感器的工作等等等等都有不小的差别。
知道这些就完了吗？显然不是！
就拿温差来说，有哪些影响呢？哦，大幅度的温差会使橡胶老化加速，所以必须使用特殊材料等等。
这些东西涉及到的学科、知识太多，需要考虑的问题方方面面，忽视了哪一个都容易出问题。
所以这种设计往往需要非常多学科专业人才的配合。
但如果这个工具真的能够发挥作用，那么相关的工作都可以由类思维的AI来进行辅助了！
纪弘越想越多，甚至将一个原本是基础辅助类型的工具瞬间演化为了一个极其高级的东西了。
“这可行吗？”纪弘脑筋不住的旋转着——即便不可行，作为人知识和记忆的一部分补充也是绝对没有问题的。
是的，人知识和记忆的补充。
人的记忆是有限的，就是现在，很多时候我们做工作，也需要不断的查询资料或者请教他人等等等等。
而通过查询资料或请教他人获得的信息与我们本身的记忆有什么差别呢？
纪弘的思路也是越来越开阔，最终，他在自己的笔记里写来了这么一条结论：
【资料获取所用的时间越短、接受程度越高，就越接近于本身的记忆。】
……
会议仍在进行，而所有人的工作汇报都已经到了尾声，工作进度已经同步，还有哪些问题需要解决都已经分门别类的罗列出来了。
而接下来，就是纪弘出场的时刻，他此来的目的当然不是为了解决罗列出来的这些问题的，而是介绍AI怎么帮助科研人员进行相关的实验，进而拥有解决问题的能力。
这叫授之以渔。
“说实话啊，你们在说什么，我一点儿都没听懂。”纪弘一开口就表达了自己
…。。