首先大脑至少要解决约束满足问题，比如按内容访问就是找出与给定线索最相符的内容来，具体的例子如实现动机系统产生的期望，完成动机系统设定的目标，就是找出与期望最相符的一个未来路径。（当然大脑还至少得有一个能记录过去的数据并把这些信息转换为约束的能力）
比如大脑要实现预测未来，它就得把历史数据压缩存储起来，对预测的约束就定义为和历史的相符程度，大脑求解这个约束优化问题而得到最可能的预测结果。这个问题显然可以表述成图模型。在我看来联想类网络（按内容访问模型）和图模型里的belief propagation可能有某些见不得人的勾当

电子版（只有部分）
第二章 信念传播方程
http://www.itp.ac.cn/~zhouhj/documents/Chapter02.pdf

belief propagation比较容易上手的中文资料：
《从贝叶斯方法谈到贝叶斯网络》
http://blog.csdn.net/zdy0_2004/article/details/41096141

Pearl提出BP的原文
Reverend Bayes on inference engines: A distributed hierarchical approach
https://www.aaai.org/Papers/AAAI/1982/AAAI82-032.pdf

https://arxiv.org/pdf/1711.08028.pdf
RECURRENT RELATIONAL NETWORKS FOR COMPLEXRELATIONAL REASONING
让神经网络自己学该如何消息传递以实现推理