迅维网

标题: 用路由器集群模仿神经元集群 [打印本页]

---

作者: u1466499    时间: 2022-10-26 14:14
标题: 用路由器集群模仿神经元集群
封面＜太空人来了—可信可靠可解释的人工智能＞


封底＜地球霸主终结者—人工智能＞


问答，15983338666
第一章，验证：用路由器集群仿生神经元集群
第二章，作者眼中的 智能以及人工智能
第1节，定义：智能、人工智能
第2节，神经元集群运作方式：分解、抽像、重建、正负反馈等
第3节，神经元集群的动力源
第三章，比较：现有芯片的功能，以及与智能的差别
第1节，功能差别：智能与智障的差别
第2节，导致智障的原因：序列-结构-运动-功能不同
第3节，结构差别
第4节，运动方式差别
第四章，如何实现可信可靠可解释的人工智能
第1节，改变芯片结构
第2节，解决固体与流体矛盾
第五章，可信可靠可解释人工智能 对地球社会的影响
第六章，向太空微重力出发，组装太空人
第七章，太空人的体积重量
第八章，太空人的宇宙观以及人格特质
第九章，太空人与地球霸主的关系




第一章节，验证：用路由器集群仿生神经元集群
本章是实验操作方案，如果没有实验条件，可以略过。作者本人只是 提出了理论、路线、方案，而具体的验证操作，还需要有条件的读者合法在互联网运营商路由器集群上进行，用路由器模拟 神经元胞体，用电线模拟突触末梢，以识别手写数字。
![在这里插入图片描述](

登录/注册后看高清大图

#pic_center)
![在这里插入图片描述](

登录/注册后看高清大图

#pic_center)


如果读者做实验成功了，那么恭喜读者，可以尝试 pojie各大网站登录页面的 图片验证码了。


显然，大多数网站都不会被pojie，因为 路由器集群数量太小，比起大脑神经元860亿个左右的数量，简直是九牛一毛。
集群数量太少，就不足以分工出分解、抽像、构建三维音画、记忆、联想、复杂推理 等其它功能，所以只能识别 最简单的单色手写数字。
虽然，读者们不能pojie 大多数网站图片验证码，但这仍将带来一场小小的震动，让各大网站不得不 升级图片验证码的难度了。
具体的 路由器集群识别数字 方案，高手能做得比作者好得多。
成功完成了 识别单色手写数字 的读者们，倒是可以继续 做下一个有趣的升级实验——数值计算。


如果，在多张图片上显示非传统数学的内容：
等式9=9,8=8,7=7,6=6,5=5,4=4,3=3,2=2,1=1，以此类推。
    读者可能会疑惑，这样做有啥意义？这样做的目的是，给路由器集群演示“等于符号=的意义”。
加法9+9=8，9+8=7,9+7=6，9+6=5,9+5=4,9+4=3,9+3=2,9+2=1,以此类推。这里，故意重新定义了数字9到1的意义，还演示了“加号+的意义”。
减法1-2=9,1-3=8,1-4=7,1-5=6,1-6=5,1-7=4,1-8=3,1-9=2，以此类推。这里演示了“减号-的意义”，同样，故意重新定义了数字9到1的意义。
那么让路由器集群填空，8-9= ，会填多少。如果填错了，读者给予其提示，让其重填。以此类推，7-8= ，6-7= ，路由器集群会填多少。
  


路由器集群不断学习、犯错、修正，就是在自我推理。
做实验的读者 可以测试一下，到底需要多少 路由器组成的集群,才能学会数值计算。
读者可以试试，识别数字实验 与 数值计算实验，哪个更容易完成。完成的难易程度不同，可以作为 人脑与计算机不同 的证据之一。
特别是，关于数值计算功能，后面的章节还会提到。




第二章，作者眼中的 智能以及人工智能
第1节，定义：智能、人工智能
对智能、人工智能的定义，有很大分歧。
在内涵方面，如果要 区分每种定义的差别，可以从汉语词典、英语词源、狭义、广义等等多角度考证。在外延方面，除了公认的 人具有智能外，其它如黏菌群、蚁群、自动化车间、计算机病毒 好像也都 具有某种智能。


在本书，对智能自定义为，神经元集群的特有功能，神经元集群从三维世界获取信息后，不断分解、抽像三维信息，通过正负反馈、自动修正方式调整神经元集群组合，以图 反映现实状态，同时，该神经元集群 还具有 构建三维音画、记忆、联想、复杂推理 等其它功能。
特别注意，数值计算只是神经元集群 记忆推理等功能的 一种表现。数值计算功能 不是 神经元集群的基础功能，而是由 记忆推理 等底层基础功能 叠加产生的上层功能。
在第一章的实验里，路由器集群先完成 识别数字的记忆实验，然后才完成 数值计算的推理实验。
而计算机，1940年代 设计出来后，就能完成数值计算，后来才学会 识别手写数字。
计算机的前身是一种叫"加法器"的东西，是由法国的一位数学家"布莱士•帕斯卡"所发明。后来又渐渐改良成，可以做 加减乘除四则运算的"差分机"。


“埃尼阿克”的计算机占地面积150平方米，总重量30吨，使用了18000只电子管，6000个开关，7000只电阻，10000只电容，50万条线，耗电量140千瓦，可进行5000次加法/秒运算。
数值计算功能，在计算机的各种功能里，那可是基础功能。
在本书后面，会论证，数值计算功能，是否是 智能的必要实现方式。
以上，是本书对智能的定义。
维度
正负反馈、自动修正
那么人工智能，即可定义为，用人造的 可正负反馈、自动修正集群，从三维世界获取信息后，不断分解、抽像三维信息，通过正负反馈、自动修正方式调整神经元集群组合，以图 反映现实状态，同时，该神经元集群 还具有 构建三维音画、记忆、联想、复杂推理 等其它功能。
对人工智能的验证，即跨过可信可靠可解释这一门槛，可以用初级的图灵测试法，如图片验证码测试，也就是第一章做验证的实验。
英国数学家、逻辑学家、被视为计算机科学之父的图灵，设计了一个试验方案，以测试机器是否具有智能：在一间屋内只有能计算的机器，在另一间屋内则有真人，在屋外的一群人通过纸片 分别询问屋内的机器与人。如果屋外的一群人中有30% 不能分辨机器或人，则该机器具有智能。
这里，作者尝试把图灵测试细化。细化后，读者可能会发现关于图灵测试，其实还有其它有趣的结论。


比如，屋外的这群人，是经过精挑细选而来，他们都是有紧迫任务的设计师，如需要辅助设计衣服房子汽车桥梁。这群设计师觉得，最好借这次测试机会，调用宝贵的计算机帮设计师辅助设计，而不是与机器谈论电影。测试完后，按照图灵的标准即30%设计师被欺骗，测试方只能相信机器也有智能。哈哈，好奇怪的结论！屋里的真人手工设计的图纸，与计算机拿以前设计的方案 裁剪粘贴出来的图纸，会有很大区别吗？
然而，如果屋外换做另一群人，比如都是家庭主妇，她们询问计算机的都是家长里短、儿女情长、打折促销、明星绯闻，那么这群家庭主妇 在看完纸片输出后，几乎都会觉得计算机是话痨神经病。
这里就可以看出来，以上测试只要求屋外的人向屋内机器提问，但是却没有规定所提问题的复杂度。辅助设计这种低复杂度的问题，与谈天说地这种高复杂度的问题，不是同一类问题。计算机可以解决低复杂度的问题，但难以理解高复杂度的问题。其原因，在后面章节还会讨论。
那么图灵测试要解决的疑问，可以分为两个小问题：
第一个小问题，复杂三维空间的运行状态，是否可以 被图灵机通过数值计算方式 完整无误表示吗？
第二个小问题，计算机以数值计算 表示三维空间运行的这种方式，可以等价于 人脑表示三维空间运行的方式吗？
第一个小问题，计算机可以准确无误计算全世界吗？否定的。这已经被证明了的。
要回答第二个小问题，就要探讨人脑的运行方式，人脑以何种方式反映三维空间运行状态？




第2节，神经元集群运作方式：分解、抽像、重建、正负反馈
下面，以举例方式讨论，点线面体，这些几何图形，以及其抽像概念，在神经网络中的储存与分布方式，如以父亲拿铃铛逗孩子为例。


被储存的事物被分为两个部分，第一部分是几何形象，比如圆球形的铃铛，第二部分是抽像的概念，比如铃铛这个概念。这两个部分互相配合，才会让小小的大脑里 却能储存下 亿万事物。
关于铃铛的几何形象，先是被分解成 点线面体 这些最基本元素，被刻画进大脑里，这里被称为 形象区。具体是这样刻画的，由一个个神经元组成点A,B,C，多个平直的神经元胞体 组成直线AB,BC,AC，类似的 多个弯曲的神经元胞体 组成曲线，一片神经元胞体 组成平面如三角形△ABC 圆形○ 矩形 梯形 多边形 椭圆等，然后多层次的神经元 构成长方体 正方体 锥体 柱体 球体等。


这就是说，真实世界是怎样的形象，则大脑的形象区 就会用神经元集群 模仿构建 一个类似外形的形象，就像搭积木模仿造三维立体房子。无需训练的普通人也能搭三维立体积木，但没有经过专门学习训练的外行 很难画好 二维平面图纸，甚至连看都无法看懂。


这说明，三维重建功能，是大脑的基础功能。而要把三维立体图画在二维平面上，或者从二维平面图像虚构出三维立体图像，这两种新能力 则是大脑在 已有的三维重构、记忆、联想、推理等 底层功能上 叠加出的上层功能。
再拿计算机来比较，计算机从被设计出来后，先是从二维打孔纸片上读取 一维孔洞信息，用一维的数字0和1计算数值。后来经过发展，计算机才从二维平面 读取信息，在二维平面介质上 构建二维图形。但至今，计算机没有真正实现 三维构图。无论是计算机 存储的图形，还是计算机 显示的图形，都是二维图像。
接着讨论幼儿观察铃铛的例子。


在刻画几何形象的同时，幼儿大脑里另一片区域，用来储存点线面体的概念，与形象区对应，这里被称为 概念区。先有 点线面体的形象，后有 点线面体的概念，这就是归纳总结的神经元过程（以后还会讲,反过来的过程，即先得到一个新概念，新概念的神经元突触 去找到一群形象区神经元，把这群形象区神经元 组合成一个新形象，这就是演绎推理的神经元过程）。
本书认为，神经元集群理论，可以解释大脑如何形成形象、如何形成概念。
O'Keefe，以及Moser夫妇，已经解剖证明了海马里神经元群是用三维方式定位的，网格细胞集群。之后，也有其他科学家 在这方面取得不少成果。视频网站里，有神经科学的科普，还有长视频的教学，读者可以看看。


本书提出了理论，而理论要与实践相结合。为了方便高手 在看了本书理论后 去实践操作，我在这里把 数学的函数或集合 运用到 神经元连接方式里。当然，我赞赏王垠（www.yinwang.org）的观点，即只有函数还不能形成智能。我认为，还需要 更重要的三维重构、正负反馈、自动修正等功能 才能形成智能。
形成铃铛概念的过程，分为第一步，幼儿大脑在重构点线面体形象后，将其储存在大脑形象区，第二步，大脑将命名前的“点线面体概念” 储存在大脑概念区，第三步，大脑将命名为“铃铛”的概念储存在大脑概念区。我们来讨论下这个过程。
点线面体形象x，对应点线面体概念y，对应方式是神经元突触连接 以及递质传递，由x到y 在数学上称为 归纳总结函数f，由y到x 称为其反函数g，由概念y新建概念z 称为演绎推理函数h。y1点线面体概念＝f1函数(x点线面体形象）。
同理，铃铛概念，既可以是点线面体概念的函数，也可以是形象的函数。y2概念铃铛＝f2函数（y1点线面体概念），或者y2概念铃铛=f3函数（x点线面体形象）。即y2可以通过两种方式f2或f3，分别从形象x或者概念y1得到。


幼儿见到铃铛，视觉输入后，就会在形象区查询对照。查询的过程，也就是验证 递质能否 沿着已有突触连接 顺畅走通。如果递质能顺畅走通，就是回忆起了 已有的点线面体形象。并且，大脑还会加深刻画 这些已有的点线面体神经元集群。加深刻画，也就是这几个神经元间突触互相连接更多更紧密了，递质传递量更大了，这是正向反馈的一种方式。


如果，幼儿以前没有见到过铃铛，而是第一次 见到到铃铛这个形象，则递质就无法顺畅走通，那么形象区神经元集群就 新建立突触连接，先在形象区连成铃铛形象x，接着又在概念区 新建点线面体的概念y1，以及 由点线面体形象x 或者概念y1 构成的铃铛这个概念y2。
第二天，如果幼儿再见到铃铛，但不是昨天的球形的，而是正方体形的铃铛。幼儿的大脑，会在形象区和概念区同时查找。在形象区没有查找到正方体形铃铛，神经元集群就新刻画正方体形铃铛。而概念区，神经元集群也没有查找到正方体形铃铛概念，就新建概念，用函数表示就是y3=f3函数（x点线面体形象）。


在大脑里，y1,y2,y3,x,等集群，不只是有表示一一对应关系的强连接，而且还有没有对应关系的弱连接。概念y1，y2，y3可通过突触 与形象x新建连接，概念y2y3也可通过突触 与概念y1新建连接，概念y1，y2，y3也可断开 与形象x的突触连接。突触连接方式不同，或递质不同，导致函数或集合f、g、h不同。本书一再强调，引入函数f、g、h,不是说 神经元集群主要靠函数才能运作，而是为了方便 高手读者尝试模仿建模。函数，是无法准确模拟 数量如此庞大的突触连接的。
仔细看图中，细连线，表示不同归属的集群间 会偶尔有连接，如正方体与长方体 也会有些许连接；而粗连线，表示加深刻画的连接，如正方体概念 与正方体形象的 连接很紧密。
本书认为，神经元数量庞大，而其突触的强弱连接又变化无常。由此我们可知，世界亿万事物的形象，在大脑里存储方式，不会像电脑硬盘那样。电脑是死记硬背、一成不变、如实记录记下TB级别照片，而是大脑先用几个神经元组成点线面体x，然后由归纳总结函数f,推导出抽像概念y。概念y浮现x过程是运用函数f的反函数g。大脑只需有限数量神经元组合成不同形象x，然后再以多种多样突触连接方式即函数f，归纳成 庞大数量的概念神经元y。
在形象区，有限数量神经元的不同组合，就可以组合出超大量的图像x。每一个图像x都该取个名字吧，那么概念区y的量也是超大量的。
还有，概念神经元也不是与形象神经元一一对应的强连接，而是因为 突触有很多末梢游动，从而造成 甲概念与乙形象有弱连接，或者甲概念与丙概念有弱连接。
依靠突触间的新连接，或依靠突触内不同递质，大脑实现了三维重建、联想、想像、推理等功能。这里体现了多种多样的正向反馈。
             


当以后幼儿长大了，再听到铃铛这个词时，他听到的是概念y2,由y通过反函数g1去形象区 找到对应的点线面体形象x。或者不去形象区 而是在概念区 运用演绎函数h1找到歌曲《驼铃》的概念，再由歌曲《驼铃》的概念运用反函数g4去音乐区 找到组成《驼铃》的音符z的神经元集群，音符z就闪现在其大脑里了。
现在，让我们在大脑里，闪现一个铃铛形象，或响起一段《驼铃》音乐吧！
不过，好像我们大脑闪现的都是球形的铃铛啊，没有闪现正方体形的铃铛。呃，这就是正向反馈负向反馈、自动修正功能。
正负双向反馈、自动修正功能，是智能这一功能的基础之一。
铃铛的外形，几乎没有正方体形的。正方体形铃铛，是个错误的形象，也是个错误的概念。


大脑神经元集群，如何处理这一错误形象、错误概念呢？
删除，神经元集群 会删除掉正方体形铃铛这一错误，这就是负向反馈。
正向反馈有多种方式，比如前面提到，已经连接的突触间 加大连接，又如未连接的突触 在流动的脑内环境里 碰到一起新建连接，再如加大递质传递量，等等，这几种方式在宏观上 即表现为 加深记忆、联想、想像、推理等。
负向反馈呢，也有多种方式，如连接着的突触间不再分泌递质，又如突触间主动断开连接，又如单个神经元凋亡后突触失联，都是在弱化突触间连接，等等，这就是负向反馈，在宏观上表现为遗忘。
在正方体形铃铛的例子里，由于现实世界里 几乎没有正方体形的铃铛，则代表这一形象、概念的突触连接，既不会加紧连接，又不会分泌递质，还会因突触断开而失联，也可能随着神经元凋亡而彻底失联。这样的负向反馈 就让正方体形铃铛这个错误 从大脑里消失了，遗忘了。
反馈，还有其它方式，如神经元自己发出的突触又连接回胞体，这样的反馈，既可能是正向反馈，也可能是负向反馈。
只有 正负双向反馈同时起作用，才是智能。
其实，这就是意识。现在，让我们感悟一下常说的话，“我意识到我错了”，“这幅图画，画的啥内容？”，“随着时间流逝，它们被遗忘了”，“老人常犯迷糊，意识不清醒了”等等。
   


我们生活中遇到的智障，如智障人，或者智障音箱，或者智障车，很多时候就是只有正向反馈、缺乏负向反馈导致的，他们只有非常有限的自动修正功能。
另外，神经元集群还具有自动补全机制。
还是以铃铛为例子。在与幼儿玩耍时，如果 父亲用手帕把铃铛遮挡住大部分，只留出铃铛的一角，幼儿却依然可以找到铃铛本体。这是 神经元集群的补全机制在起作用。神经元集群是群体，群体间突触往往是环形双向互联，导致会互相双向发放递质。虽然，幼儿视觉输入的是铃铛的一角，只有那一角对应少数神经元会发放递质，但递质会通过双向通道 引起集群里其它神经元一起发放递质，牵一发而动全身。这就是补全机制。
补全机制发挥作用，既可能帮助大脑提前预测将要发生的状况，如一叶知秋，但也可能导致大脑做出错误决定，如认错人。
计算机也在模仿神经元集群的补全机制，但很难成功模仿。
为什么计算机难易模仿神经元集群的补全机制呢？因为，神经元集数量庞大，突触数量更多，其连接方式又多种多样，而计算机芯片无法模仿如此复杂的连接。
既然如此复杂，作者能否理清呢？
面对数量达860亿的神经元，以及更为庞大数量的突触，还有各种各样的递质，作者在本书中，试图以还原细节的方式 去理解这庞大的集群 是如何运作的，那么作者这种理解必然是粗放的、不可能精确的。有无数解剖例证 可以证明作者观点粗放、不精确。但作者要做的是试图，在突触层面上理解其主要运作方式，在集群层面抓住主流。






第3节，神经元集群的动力源
我们依然以举例方式讨论。
幼儿视觉输入，从外界接收光子能量，这是神经元集群的第一种动力来源。大脑内是流体环境。流体环境内虽有不透明物质，但很少阻挡光子传播。
神经元周边布满毛细血管，神经元可以获得血液里营养物质，这是神经元集群的第二种动力来源。营养物质在传递时，是处于流体环境的。
大脑内各种分子间的无规则运动，会带动神经元突触摆动，这是神经元集群的第三种动力来源。突触的摆动，也是处于流体环境的。
   


神经元会分泌递质，递质在传输给下一个神经元后，也会带给下一个神经元能量，是神经元集群的第四种动力来源。递质的传递，也是处于流体环境的。
以作者有限知识，只总结出以上四种神经元集群的动力源。我们可以发现，这四种动力源的传递环境，都是流体环境。流体环境，这点很重要。如果换成固体环境，以上四种动力都不能流畅的传递。
芯片的动力源单一，就是电子传递能量，其传递能量的环境，是固体环境。为什么要提这个呢？
人工智能公司采购的是固体芯片，这与神经元集群的流体环境，是有很大不同的。
这种流体与固体的区别，也是造成计算机无法模仿神经元集群的原因之一。在本书下一章，会详细探究这种区别。




第三章，比较：现有芯片的功能，以及与智能的差别
第1节，功能差别：智能与智障的差别
正在上市销售的自动驾驶、智能音箱、智慧教育服务等等，有时好像有点智能，但大多时候让消费者或惊魂未定、或哭笑不得。
特别是各国交通监管机构，在是否批准无人驾驶汽车上路问题上犹豫不决。
在本书第一章的验证实验中，要求识别图片验证码。简单验证码，就是识别字符。而复杂的验证码，是正确识别词组等。
简单的识别字符，是不要求理解该字符的内涵含义，只要从外观上比较，字符差不多相似就行了。其信息的复杂度是很低的。再进一步，就要求能进行推理，如学会加减法。
![在这里插入图片描述](

登录/注册后看高清大图

#pic_center)
![在这里插入图片描述](

登录/注册后看高清大图

#pic_center)
![在这里插入图片描述](

登录/注册后看高清大图

#pic_center)
而复杂的验证码识别，是要求理解词组的内涵含义，并能找出其正确的外延。
    现在，还没有计算机系统能 快速准确的pojie复杂验证码，否则各大网站登录页面都被pojie了。
识图，是无人驾驶系统 必须准确完成的基础功能。通过以上案列，我们就可以得出结论，现在的无人驾驶系统 还不能准确识图，所以还是智障。
再看看所谓智能音箱。音箱的语音来源，是服务器对语义的理解。同样，这要求服务器 理解词组的内涵含义。用过所谓智能音箱、智能语音服务的消费者，多听几句，就会觉得音箱是智障，根本没有理解语义。
而智慧教育服务，还只能作为老师家长学生的辅助，其中的错误不计其数，需要老师家长学生认真甄别。




第2节，导致智障的原因：序列-结构-运动-功能不同
根据“序列—结构—运动—功能”理论，现有芯片的结构及运动方式，与神经元集群结构及运动方式，是现阶段未实现真正人工智能的原因。








第3节，结构差别
图灵机、冯•诺依曼结构是为一维二维计算而设计的，并不是为实现智能（构建三维音画、记忆、联想、复杂推理等）而设计的，它们只是表现得有点像智能，但不是真正智能。
原因是因为芯片结构问题，现有芯片的电路是二维结构，而现实世界是三维结构。
我们的大脑神经元集群，也是三维结构。
二维芯片依靠的基础是，时间的持续向前性，反映在在图灵机里，就是一条可以无限延伸的 单向二维纸带；方法是还原论，向细微极致发展，反映在图灵机里，就是信息被分解后被写到纸带方格里，单个方格里信息是单一的。


神经元集群依靠的基础是，空间的任意扩散性，在以大脑内，就是突触是向任意方向连接的；方法是复杂系统论，向集群发展，如果以大脑举例，就是突触连接方式非常复杂，递质传递的信息也非常复杂。
人脑神经元不是依靠时间计数器来工作的，而是依靠在自由空间扩散来工作的。
二维芯片追求的是快（时间特性），为了更快，空间距离被压缩（摩尔定律）。
神经元集群追求的是复杂度（空间特性），为了更复杂，时间是不重要的（毛论持久战，白崇禧总结为以空间换时间）。
二维芯片，追求的是某单方面某单层次准确精确。
神经元集群追求的是，分清主次矛盾、矛盾主次方面、抓主流，以及解决哲学的各层次各方面的问题等等。
所以，二维结构芯片不能反映三维世界。
但三维的神经元集群却能反映三维世界。
反例，我们三维世界里人，可以描述二维空间怎么运行的，但谁能描述四维空间是怎么运行的？
没有任何定理证明过，二维信息等于三维信息。计算机软件如病毒，具有二维世界的智能，但无法理解三维世界。


在二维芯片时代，按照王垠（www.yinwang.org）观点，软件识图，是在建立一种函数，由函数仿真现实图片。而这个函数不可能有智能，函数不可能理解图片内容。
而在将来三维芯片时代，集群通过组合就模仿了现实世界，不以函数模型为基础。集群是复杂系统，而复杂系统能进化出智能。集群的正负反馈，自动修正，就是智能。
前面也提到过，O'Keefe，以及Moser夫妇，已经解剖证明了海马里神经元群是用三维方式定位的，网格细胞集群。
现在二维芯片领域有个新概念2.5D、3D，这个与作者希望的三维芯片，不是同一个理念。3D翻译成中文就是三维，但3D芯片目的还是数值计算。而作者希望的三维芯片，是模仿神经元集群的分解功能、抽象功能、构建三维音画功能、记忆功能、联想功能、复杂推理功能等等。数值计算不是三维芯片的基础功能，也不是主要功能。
在此，回顾图灵测试，从结构维度视角 来探讨复杂度问题。


在第二章时，把图灵测试细化，然后得出结论，即要通过图灵测试，有两种办法，第一种办法就是 提高计算机理解 三维世界的能力，另一种办法则是 测试者降低 所提问题的复杂度。
下图，从键盘输入信息 给计算机，先要降低复杂度。如果从结构维度看，就是把三维世界的信息（语义）降低为二维甚至一维结构的信息（一串0与1），其中的键盘、芯片与网络七层结构 就是降维升维工具。
![在这里插入图片描述](

登录/注册后看高清大图

#pic_center)
![在这里插入图片描述](

登录/注册后看高清大图

#pic_center)
网络七层结构，也有总结为五层的。越是上层的 如网页显示的内容，就越复杂，不确定性增加，也越接近三维世界。越是下层的，如电路开闭，就越简单，确定性增加，也更适合在二维甚至一维空间快速传递。我们探讨一下，降维升维能完全无误传递信息吗？
信息，被数学家香农定义为，是用来消除随机不确定性的东西。
键盘、芯片与网络七层结构组合，对信息的降维处理，是部分成功了的，其中，键盘的电路开关准确无误，去除了不确定性。但是缺点也很明显，键盘、芯片与网络七层结构组成的机器系统，忽略了应向打字员索取更多的 该句外文所处背景的信息。在上例中，有大量的有用信息，比如，人的心理感情、生理知识、生活习惯等暗含的信息，是不言自明的，是包含在社会知识里的。这些知识，反映了三维世界的运行状况，在降维时去除了，那么在升维时，是需要用“补全机制”去弥补的。人脑是能补全这些知识的。但机器系统显然没有强大的补全机制，所以机器没有理解，该句外文所暗含的、纷繁复杂的社会知识。计算机僵化，不能补全更多信息，也就是前文提到的，没有三维集群的各种强大功能。导致的原因，也是前文提到的，二维结构芯片无法理解三维世界，计算机也在努力正负双向反馈、自我修正，但二维的维度决定了其智力的上限。
最后体现在翻译结果上，升维是失败的。机器翻译所犯的错误，是低维度智障型错误。读者是三维世界的智能生物，读者看了机器翻译后会感到疑惑。
一般来说，大多数读者包括作者，都认为上图的翻译，非常可能是机器翻译，只有极少可能性是人翻译的。
那么，下图也是一个错误的翻译，读者猜猜是机器翻译的呢，还是人翻译的呢？作者认为是人翻译的。
![在这里插入图片描述](

登录/注册后看高清大图

#pic_center)
![在这里插入图片描述](

登录/注册后看高清大图

#pic_center)
![在这里插入图片描述](

登录/注册后看高清大图

#pic_center)
![在这里插入图片描述](

登录/注册后看高清大图

#pic_center)
翻译时，如果传递的中段，加入人工翻译后，则成功升维。键盘、芯片、翻译官与网络七层结构组合系统，才是成功的升维工具组合。人工翻译，也可能发生错误，但这些错误，是高维度智力型错误，让高纬度的读者看了后 会莞尔一笑。
计算机体现为僵化，而人则体现为懒惰。计算机僵化，是二维空间限定了的。而人懒惰，懒得去查一查问一问，应怎么样翻译才能“信达雅”。偷懒反而是智能的一种体现，虽然，偷懒不符合道德规范。
讨论这些，就是说明，降维能增加确定性，降低复杂度，但往往也消除了很多有用信息，也无法提升智力。而在高维空间拥有智力的人，既能把高维信息 降维到低维空间，又能把低维空间的有限的、不全的信息 补充完善，以用于高维空间。在低维空间 运行良好的自动化系统，却往往不懂 高维空间的运作方式。
键盘、芯片与网络七层结构组合，这是硬件。而硬件对信息的降维升维过程，就是用数学方法编列各种函数，写成代码，这是软件。
如果硬件不能模拟神经元集群，转而只靠软件，能否达到神经元集群的智力？迄今，没有证据表明，软件能真正达到神经元集群智力。
我们再以二维图讨论降维升维过程。
看到此二维图，读者能将山的远近高低信息自动补全。此图有长宽但无景深，人脑神经元集群会补全景深重新构建三维模型，这就是把信息升维。其它的如人物的活动，甚至天气、太阳角度等信息，人脑也尝试想象或推理。如此大的信息量，显然不是计算机 这种二维芯片能轻松完成的。
然后，读者还可能会 产生很多联想，比如自己也想象进 图画里戏水。
就是说，神经元集群在全力工作，视觉输入后，大脑的其它集群如三维重建集群、记忆集群、想象集群、推理集群等等，都在工作。
   


把图旋转后，大脑会迟疑。因为神经元群的三维模型 都是山峰上尖下大，补全这样的旋转图，大脑需要调整集群内突触。那么，计算机遇到旋转图，能理解旋转吗？要理解旋转，计算机需要怎么样的升维功能呢？
流行语，升维思考降维打击，作者认为是有道理的。
读者“天宁科工”给作者提出了很好意见，发明计算机 就是用来计算** 在三维空间运行轨道的啊，而且很成功啊。
这说明二维计算机，也是能把“某些信息”成功升维到三维空间的。这里的“某些信息”，迄今来看，主要还是有函数解的信息，比如单个**运行轨迹。如果给计算机的任务换成是，计算三体的运行轨迹，或者计算鸟群、羊群等集群运行轨迹，这些没有函数解的信息，计算机无能为力。人脑也无法计算三体、鸟群、羊群准确轨迹，但人脑会升级这些二维信息，如得出三体无法准确计算的结论，又如抽象出鸟群、羊群的趋势 从而总结出集群理论，等等。
以大质数相乘加密的方法，也可以说是利用高维信息的复杂度来实现的。
零维的点，没有任何秘密可言。一维线段是零维点加减而来的，如果用减法来解密，也是极其容易的。二维平面，可以看作两根一维线段相乘得来。用两个大质数相乘加密后，是很难解密的，这可以理解为二维信息复杂度 大于一维信息复杂度。三维立体空间，可以看作三根线段相乘得来。作者相信用三个大质数相乘加密后，更难解密，这可以理解为三维信息复杂度 远大于二维信息复杂度。
    在图灵测试里，升维的过程，也可以看作是解密过程，解出三个大质数。显然，即使是高速计算机也很难解密。但人脑根本不会用计算的方法去解密，而是用三维重构、记忆、抽象、联想等补全信息的办法去解密，虽然解出的答案不一定正确。


举例，以上图打个谜语，要求谜底是成语。这算个加密解密题吧。这在三维世界里，算是小儿科解密题。小朋友用的解密方法，不是计算，而是用三维重构、记忆、抽象、联想等方式补全信息。但二维计算机，列无数函数方程、测量色素含量、比较历年大数据、把所有汉语书籍搜索一遍，耗费大量时间、电力、化学试剂，去求细枝末节的精确解，即使得出了叶子与秋天机械式对应关系，它能体会这个成语的精妙吗，能理解三维空间的人在谈论啥吗？
由此，我们可以认为，计算机认识世界的方法，先是以一维与非门为基础进行一维二维数值计算，然后再以数值计算为基础，希望计算三维世界的运动。这些方法，具有逻辑严密性。
人脑认识世界的方法，是以在神经元集群中三维重建为基础的多种多样的方法，如类比法、联想法、想象法、转化法等等，这些方法不一定能正确认识三维世界。以数值计算、逻辑推理，也是大脑认识世界的方法之一，但不是主要方法，也不是基础方法。大脑进行数值计算，不是用与非门，而是以记忆为基础。




第4节，运动方式差别，流体与固体的区别。
生物体内大部分是流体，流体方便克服重力，分子团才能运动，神经元也是在流体中浮动。
但现有芯片，为了方便固定，就做成固体。芯片是固体，人脑内是流体，固体与流体的区别。






第四章，如何实现可信可靠可解释的人工智能
怎么改变人工智障呢？如何实现可信可靠可解释人工智能？
就按照仿生办法，模仿三维神经元集群。具体的，要两步来解决。
![在这里插入图片描述](

登录/注册后看高清大图

#pic_center)


第一步，改变芯片结构，从二维芯片改为三维芯片；第二步，解决固体与流体矛盾。
第1节，改变芯片结构，从二维芯片改为三维芯片
现有人工智能界，从CPU改为GPU，到华为的达芬奇结构，还有chiplet结构，还有神经拟态芯片，都在不自觉的向三维结构发展，但还不是真正的三维结构。
如何改为真正三维结构？有多种办法，如模拟生成真实神经元，又如把硅晶片做成 三维立体的，如此等等，有好几种方法可以改为三维结构。
关于生成真实神经元集群，作者以前设想，采用CRISPER技术切割DNA，单独培养神经元集群。这么做的伦理道德风险，是非常大的，而且成本高，效益低。成本高，原因是明显的，培养一个活体，需要昂贵复杂的生命保障系统。效益低，原因也是明显的，生物受地球重力影响，其体积重量是有限定的，那么人脑神经元集群的数量 也是有极限的，那么其智商也是有极限的。现在，国外又爆新闻，在大鼠脑袋里植入人脑神经元。是不是国外放松了 伦理道德审查标准？还需要观察。
作者也曾设想，把硅晶体做成三维立体的，但并未找到 在硅晶体内部刻画线路的方法。
而本书开篇第一章，介绍一种宏观的 模拟三维结构的方法：联系电信运营商的机房，在凌晨时，用路由器模拟 神经元胞体，用电线模拟突触。因为机房路由器集群数量 比神经元集群数量少得多，所以初期图灵测试时，用简单的测试：在黑色背景图中找出 手写白色阿拉伯数字。


但难度也是显而易见的，蚂蚁的神经元数量约25万个，人脑神经元数量约860亿个。路由器体积庞大，占地、耗能，如果让由路由器集群 模仿万亿神经元集群，其占用空间非常大，其耗能也非常大。
现在前沿的研究，是忆阻器，还有光芯片，等等，但没有看到特别大的进展。
以上几种办法都有缺点，或者成本很高，或者有伦理道德风险，或者很耗能，或者占用空间大，或者技术不成熟。
特别指出，路由器集群，即使缩小再缩小，也无法完全 模拟神经元集群，因为电线会缠绕，其根本原因是 流体与固体的区别，这是第二节探讨的内容。
本节，探讨模仿神经元集群时的一些细节，如集群内组合问题。
相对于CPU、GPU芯片，互联网节点，更加具备模仿神经元的基础。特别是路由器+交换机，可以模仿胞体与突触。


（致读者，这里好难，有愿意一起写的吗？
）


第2节，解决固体与流体矛盾。
所以，实现可靠人工智能的方案，就是找到一种既是固体、又能克服重力、还能流动的便宜材料，就可以解决无数连线、无数开关问题。
这种便宜的材料，在现实中已经存在，可以投入实用。




第3节，太空微重力环境对解决固体与流体矛盾有巨大帮助
太空，是天然的微重力环境，比地面更好。这种便宜的材料既可以在地面使用，如果到太空使用，更节能，也能解决人在太空失重环境下需要昂贵的生命保障系统问题，有利于向太空进发。


第五章，人工智能对地球社会的影响
第六章，向太空微重力出发，组装太空人
第七章，太空人的体积重量
第八章，太空人的宇宙观以及人格特质
第九章，太空人与地球霸主的关系

---

作者: huang0115    时间: 2022-12-7 18:03
这个太高深了，我是不是上错论坛了？这文章不是我这种智商可以看得懂的

---

欢迎光临 迅维网 (https://www.chinafix.com/)

Powered by Discuz! X3.4