天才一秒記住【微風小說】地址：www.wfxs.info
現在流行的人工智慧技術，例如GPT技術，基本上是基於原有的大資料技術發展起來的，並不是我們所說的擬腦人工智慧，擬腦顧名思義就是要模擬人類的思維方式，能夠讓人工智慧按照人類的思維方式思考問題解決問題，擬腦人工智慧也需要訓練，就像孩子需要學習成長一樣，即使找到擬腦計算模型，這種計算模型初期與GPT相比並沒有優勢，但是隨著不斷成長，擬腦人工智慧會透過自主發展，未來會超越現有的GPT計算模型。也許，不久，OPENAI公司在GPT發展過程中發現問題，並勇於從底層計算模型發起變革，勇於顛覆性的嘗試擬腦模型，那時就又會發生一個現象，大批國內的公司抄襲模仿GPT技術。
我們說的擬腦人工智慧是指什麼，簡單說一點，就是人工智慧在計算模型結構上要符合人類的資訊儲存方式和思維方式。很明顯，現有的GPT模型不符合，不管是你的訓練度到達2000億的規模，依然不屬於擬腦模型。後面我會發起擬腦計算模型的探討，歡迎大家一起討論。
我的計算模型的名字是“多元關聯擬腦技術”，其中分為兩大部分，多元關聯擬腦模型及執行腦演算法部分。
後面我會不定期地寫一些關於我自己的發明文章，但是由於專利審查還懸著，而且最近事特別多，不能連續發，請諒解。
今天先從幾個概念開始。
什麼是資訊元：
這個詞是我先用的，也許有人用過，但是內涵定義及格式與我說的不一樣。我們把當今人類所能實際涉及或者思維延伸涉及的概念，全部定義為資訊元，實際涉及，例如你身邊的具體事物，思維延伸，例如虛擬概念，方法及過程，乃至科學推導假想等。說明一點，資訊元不是大資料中的關鍵字，雖然資訊元建立需要關鍵字TAG組及關鍵字TAG關聯模型輔助定義，但是，資訊元不是關鍵字，更像是GPT中的內容物件，但是因為計算要求不同，所以又不同於內容物件，後期會寫資訊元格式及定義，以及在計算模型上參與計算的過程。
什麼是相對關係：
多元關聯顧名思義是研究關係問題的計算模型，舉例說明，A與B有關聯關係，B與C有關聯關係，我們為這些關係建立三維向量定義，我們發現在ABC三者之間存在關聯關係定義的向量，但是A與C之間，雖然透過向量轉換可以計算A與C的向量關係，但是實際上A與C沒有直接關係，ABC之間的關係就是相對關係。這是多元關聯擬腦模型的一個關鍵概念。多元主要依據相對關係做思維計算，而絕對關係多用於統計歸納等抽象計算。
三維座標系空間：
三維座標系空間不是三維座標系，是指在一個空間中有多個三維座標系，且這些三維座標系可以相互定義，那麼，這些三維座標系屬於同一個三維座標系空間。例如剛才的例子ABC分別以自身為圓點建立三維座標系，形成ABC三個三維座標系，這三個座標系因可相互定義，則屬於同一個三維座標系空間，為什麼這樣，因為多元計算模型的基礎計算需要ABC的相對關係，且在這個模型中，ABC地位平等，都可以成為思維的發起點。同理，無法相互定義的三維座標系，不屬於同一個三維座標系空間。
無法相互定義的三維座標系，卻是重疊在一起作用於人類思維的，日用而不知，每一個人每天都在用，卻不去關注而不知道，而這個特點就是人類思維的一個重要特點，也是多元關聯擬腦模型及執行腦演算法技術創新的依據。
這裡說明一下，計算機應用科學不同於基礎科學研究，計算機應用科學中的創新和技術應用，大部分來源於生產生活中的實際需求，以及隨著生產生活中的實際需求不斷深入，不斷變化，不斷複雜，應運而生出更多的計算模型和演算法函式。
例如：用於準確定義內容的關鍵字TAG關聯模型。TAG技術最早應用於大資料技術，是為了便於人們在海量資訊中搜尋出自己想要得到的資訊。簡單模式就是，關鍵字--TAG---物件內容。
這是在海量資訊的現狀下發展的技術，不過隨著資訊量的增加，以及人們對資訊內容定位的準確性要求越來越高，簡單的關鍵字TAG組，導致出現大量的重碼問題。怎麼辦？
人們不斷的發現問題解決問題，在研究過程中，發現關鍵字TAG組針對不同內容，即使關鍵字片語相同，但是，由於關鍵字TAG之間的關聯關係不同，這種區別可以用來分別不同的內容，這就出現了關鍵字關聯模型定義內容，即使關鍵字TAG組詞元相同，但是關聯關係不同，也可以識別不同內容。
又後來，進入更細微的領域，發現某些內容概念，不只是關鍵字組相同，粗關聯關係也相同，但是，這兩組內容又是不相同的內容，無法使用原有的方法分辨，怎麼辦？這就產生了向量定義，即使關鍵字組的粗關聯關係相同，但是關鍵字之間的向量定義不同，例如，TAG1與TAG2在內容一中間隔了五個字，TAG1與TAG2在內容二間隔了七個字及一個標點符號，這就產生了距離定義，關聯關係匯入到向量模型中，就是向量的G（V，E）中的角度V與邊E不同，也可以用來準確地區分不同的內容物件，這就產生了現有互動式人工智慧的精確定義內容的演算法模型，一直沿用到今天，某些大公司的GPT模型，透過後期訓練，已經可以做到2000億個內容物件，據說還能更多。
向量差異不只是在文字內容中出現，更是在神經元理論中被大量採用，當觀察一個事物，例如一隻狗，那麼透過碎片化該狗的特徵，形成多個關鍵資訊，這些關鍵資訊本身就會產生距離角度的向量關係，耳朵和嘴之間具備向量關係，前腿與後腿之間產生向量關係，以及某些向量關係在運動中的變化特性等，這些向量關係也是區別物件的方法。
但是，我們發現這都不是擬腦人工智慧，依然屬於基於大資料技術及神經元技術發展的，互動式人工智慧技術，希望這些技術繼續發展，看看什麼時候可以發展到資訊元關聯計算階段，多元關聯擬腦技術。