读 A 时，为什么 B 也出来了？

刚才的八乘八图样来自六十四维向量；现在换成能手算的二维例子，线索与内容的角色保持不变。A的key是(1,0)，value也是(1,0)，这只是选数巧合。B的key是(0.6,0.8)，value却是(0,1)，可见查询线索不必长得像要取回的内容。两个key长度都是一，方向并不垂直。先把这两对关联放在固定位置，W从零矩阵开始。

先把A的value排成一列，把它的key排成一行，相乘形成一个两行两列的矩阵，这叫外积。得到的矩阵只有左上角是一，其余为零。把它加进W，以后遇到A这样的线索，就会沿A的内容方向输出。这里请看清尺寸：写入的是一块和W同样大的矩阵，不是把一个标签塞进某个独立格子。

B也产生一块外积矩阵，这次非零项在第二行，是零点六和零点八。我们没有给B另开一个抽屉，而是把两块矩阵相加。W现在的第一行是一、零，第二行是零点六、零点八。继续累加非常容易；但这只能说明两条都参与了写入，是否能单独读出，需要下一步检查。

现在把A的线索(1,0)交给W。第一行与它相乘得到一，第二行得到零点六，所以输出是(1,0.6)，而不是目标(1,0)。A的一份内容还在，但B也跟着贡献了零点六份。请注意，我们没有在读出之后加入噪声；这个混合是刚才那次矩阵乘法本身产生的。

把同一计算展开：先算查询和每个key的内积，再用这些分数加权value。A和自己匹配得一，B与A匹配得零点六，因此答案就是一份A加零点六份B。这里的系数可以带符号，也不必加起来等于一，所以还不是概率。两条时已经能看到串扰；接下来问条目继续增加、或线索维度变大时，干扰会怎样积累。