結論是肯定的。 鈴木真教授指出：「發貨目的地數量 (E)、貨物數量 (I) 和散裝貨物數量 (Q) 是主要因素。」 既然存在主要因素，必然也存在次要因素。次要因素就是計算規則。 以上是一個子因素的例子。 增加子因素的數量可以提高計算精度。 Tera 計算包含約 300 個因素，用於計算配送中心的規模。 鈴木真教授也指出：“EIQ 和配送中心規模具有分形特徵。” 如果將某個產業的配送中心規模比喻為一片楓葉，EIQ 的變化會使楓葉變大或變小，但永遠不會變成櫻花。 他的意思是，如果你知道 EIQ，計算規則（子因素）是恆定的，即使你不知道計算規則，你也能得到答案。 機器學習的概念誕生於 1950 年，而深度學習似乎在 2010 年左右開始流行。 鈴木新教授非常了不起，他在 2000 年代初期就指出，可以使用 EIQ 來計算配送中心的規模。 我們目前處於上述第一階段，並且正在製定第二階段的計劃。 我很期待看到第三階段輸出的配送中心規模與第一階段計算出的規模之間會有多大的差異。 我想證明配送中心的規模可以使用 EIQ 來計算。