智能信息面目存储网状AI理论

前言:

这是对过去所思考的关于网状AI的总结.为程序化理论铺垫基础

首先,我们的感知是有限的,识别的信息是有限的,所以,在我们的认知体系中,对客观世界的认知必定是以有限方式承载的,”无限”概念本身是以有限信息存储于大脑中的.

 基本概念:

ET存在状态: 活跃 休眠

意识流动必然是ET活跃下进行的.也就是我们的自我感觉必然是活跃的ETR构成的.意识和感觉本来并不特殊,但当人们的某种情感促使一些ETR不与外部的任何相关联信息匹配[共振],这些活跃的信息集合将被内部识别为特殊的一种ETR,因为它们与外部的任何信息都是没有关联的,所以它们自然就被凸显了出来,所以人们就会把意识看成一种特殊的东西,认为它可能是超脱客观而存在的.实际上这种感觉产生的根源是人们自恋的一种表现.所以,意识特殊性是带有强烈主观色彩的.

 假设一个AI体有N个ET,它可以描述N个信息,代表着对N个信息的区分,所有ET都是相互连通的,两个ET之间的连线具有2个属性如下:

 ET ---------映射线-------- 可捕获

ET ---------共振线--------------- 不可捕获

映射线和共振线都是有向的.

共振线和映射线都会使一个休眠的ET变得活跃,并且其指向的必然是一个有值的ET.

 对一个ET而言: 它可以捕获并识别其余的任何一个ET和任何一个

两ET之间的映射线,而共振线是不可捕获的.

共振:当多个ET[ETR]同时活跃时,它们的共同状态会是一个新的ET值,这个时候需要一个新的ETX来记忆这个状态,此时ETX所标量的信息就等于ETR所标量的信息,因为它们之间描述的是同一信息,所以它们之间的关系就是共振,表示它们是完全相等的.

映射:其描述的是2个ET之间的关系,谁会引动谁活跃.

共振和映射的区分::共振是一个ETR和一个ET描述的是用一个信息.而映射是2个ET[它们必然描述不同的信息]之间的关系.

注意:在理论中,并没有with这个程序上必有的概念,是因为从理论上,我们不必在意SER速度和复杂度,只要出现匹配的,就必然会获得值.而实际程序必须考虑速度和效率问题,所有才会用with,ETW牺牲内存提高SER,MAT速度

 1-------1: 有且仅有 指出线 指回线

N-------1;1-------N: 有且仅有 共振线

并没有N----N模式,因为从图的观点看: N---N结构是一个组合结构,所以一个NN信息的反射结构需要N1+1N结构来映射.

 如何实现输入输出.

整个AI体可以看成一个黑箱机制,也就是其内部的逻辑运算外部并不需要知道,只是通过一个特殊的端口进行信息的输入.以及一个特殊的端口进行信息的输出.

这个AI体通过端口向内部发送不同的信息,当一个外部信息在内部没有一个ET共振时,那么创建一个新的ET来匹配共振,

输入输出的基本单位是必须预先定义的.并且该AI体应该能够识别自己的输入输出.

如何输出?

输出可以考虑采用2种方式来实现:

1:确定性输出指令:特殊的信息将激发输出.常规机器法.

2:模糊性自动输出.通过内部的ET活跃程度来决定是否输出,类似于人.

对于输入输出,

人是如何理解现实中的客观规律的呢??

理解实际上就是一个外界的信息组合在内部SER到一个模式匹配,因为匹配,而使得参与的ETR活跃,这就产生了熟悉的感觉.

 关于程序化该理论:

在将该理论实际转化为程序时,必须考虑诸多的因素,包括速度,效率,数据读取和存储.以及快速构建新,所以实际程序化的工作会比这里繁杂得多.在目前,我认为凭反射模式和共振模式是可以模拟一切AI逻辑的,但是实际上,我对此问题进行了很多天的思考,难以实现以这2个基本模式解释一些常用的比如包含,多值映射,属性,类等概念,我觉得或许完备性的AI模型是不可实现的,也就是,在这其中,必然存在一些额外产生的东西在作用,而我并不知道,并且,无论完备性是否从理论上可行,在实际的程序化过程中其难度都是我的天赋和智商难以承受的.所以,我所能做的,就是用某种方法实现功能,而不必过分关注其合理性和通用性.或许,还要过一些年,我才能对AI有更多的理解.