讨论贴01

——广义AI原理

如前所述，

当前人工智能AI分两种。

其一，以扎克伯格为代表。

从现实主义思想基础出发，

认为只要电子设备能够具备某种单一的识别功能，

即叫做人工智能。

例如，能够达到x%的语音识别率，就叫做人工智能。

狭义AI是当前的AI舞台的主流。

显然这个定义很狭隘。不符合理想主义者的口味。

理想主义者心中的人工智能，应当像电影《SHE》中的美女一样。

所以，此类单一功能型人工智能，应叫做狭义AI。

其二，以马斯克、霍金为代表。

从理想主义出发，

认为电子设备应该具备与人一样的人格结构。

并具有与人一样的记忆、学习、推演、探索、发明、创新等能力。

这样才够资格叫做人工智能。

显然，这个含义的范围更广泛。故叫做广义AI。

当前的名称很混乱，也有叫做真正的人工智能、强人工智能、类人格人工智能等。

本帖用广义狭义来做区别。

狭义派对人工智能的前景并不乐观。

狭义派不认为AI可以发展到威胁人类安全的程度。

认为AI不可能超越人脑。

这没说错，狭义AI的确不可能超越人脑。

然而，还有另外一种人工智能——广义AI。

这很像当年美国原子弹研制计划中的裂爆组与聚爆组的剧情。

裂爆组得到了大量的关注及几乎全部的资源支持。

而最终只有几个组员及一间破办公室的裂爆小分队却成功了。

关于AI是否能够超越人脑，狭义AI当然不能，就不多说了。

重点讨论广义AI的基本原理，及现实的可行性。

话题依然为AI是否超越人脑。

回答能或不能，如同以不能为0，能为1。

若0，不能。则电路关闭，逻辑推演终止。也就不必多说什么了。

若1，能。则必须继续演绎出该怎样做。

若能。则必须有下文。

相信，认真讨论的朋友，不会认为这是跑题。

而且，相信楼主肯定不是在开赌场：

请各位下注，0 or 1 。能或不能。

一个月后，楼主开骰钟，看点位发奖。

至少本人认为，一个讨论贴的回复，不应该这样。

应该讨论出一些有内容有价值的东西才叫做好的回复。

不是吗？

我倒是觉得SHE里面的AI才是未来AI的形态，像空气一样存在，不必刻意依附什么，需要时随时存在也不占地儿

谢谢分享

我认为能超过。人工智能现在可能稍差，但潜力很大，在各个方面都发展的不错。未来前景肯定特别好。

可能实现的是衣食住行相关的，都有可能也又有时长，希望到时候人不会退化

人工智能发展到今天完全有潜质超越人脑

但这里的超越不包括进化，而是计算和信息处理方面的超越。

现在急需的是能帮助人类解决生产力问题的机器人，比如工人、农民的一些机械性劳作可以由人工智能来代替。

讨论02

——广义AI原理

当前热点在“语音识别”。

各大公司的解决思路，简单粗暴。大数据+算法。

而广义AI则从智能设备的整体功能需求，来考虑语音识别问题。

这就要求工程师必须对声的认识达到逻辑学高度。

需要在逻辑本质层面上回答：什么是声。

本帖就从这里开始讨论。

电子设备将声定义为：麦克风输入的信号叫做声。

具体到电路，声AD输入电路的电脉冲叫做声。

CPU接通麦克风电路，叫做听。代码1。

CPU关闭麦克风电路，叫做不听。代码0。

听则是声。代码1。

不听则非声。代码0。

听则是声。不听则非声。听不听与是非，两者始终相同，故合并。

当声AD电路中有电脉冲流动时，叫做有声。代码1。

当声AD电路中无电脉冲流动时，叫做无声。代码0。

有声则开始计算频次。频次用n表示。

按照逻辑规模公式，建立逻辑规模电路。

逻辑规模公式为：

Σ=2^n-1

由于n从是声非声开始算起的。而计算频次却从有声无声开始。

故将第二次作为的第一次。

这样逻辑规模公式就被改装成：

Σ=2^n

而且这样改后，十进制的Σ与二进制的n恰巧吻合。

为什么说n为二进制？

n来自频次。1次反复，则进一位。

例如：

第1次频点反复，n=1，代码为1。Σ=2。

包含0-1，2个逻辑位置。

第2次频点反复，n=2，代码为11。Σ=4。

包含00-01-10-11，4个逻辑位置。

第3次频点反复，n=3，代码为111。Σ=8。

包含000-001-010-011-100-101-110-111，8个逻辑位置。

第4次频点反复，n=4，代码为1111。Σ=16。

包含16个逻辑位置。

第5次频点反复，n=5，代码为1,1111。Σ=32。

包含32个逻辑位置。

第6次频点反复，n=6，代码为11,1111。Σ=64。

包含64个逻辑位置。

第7次频点反复，n=7，代码为111,1111。Σ=128。

包含128个逻辑位置。

第8次频点反复，n=8，代码为1111,1111。Σ=256。

包含256个逻辑位置。

主频震动48次，会有多大的逻辑规模呢？

若n=48，

Σ=2^48

=281,474,976,710,656

281(Tb)还多。

这超过了绝大多数民用硬盘的容量了。

主频震动48次是多少秒呢？

小米4手机主频为：1.2GHz。

1024×1024×1.2=12582912 Hz

12582912次/秒÷48次=26214.4 /秒

两万六千分之一秒。

段取一个48位的代码。

具有接近300Tb的短时记忆容量！

只需要设计一套符合各种名义关系的的数码结构，

外加一个合适的算法。

广义人工智能与现实的距离，其实很近很近。

继续讨论语音识别。

前边聊到：有声则开始计算频次。频次用n表示。

也就是开始分别二声。

有差别(有异)为1。

无差别(有同)为0。

此后全如此分别同异，并用0与1来表示同异。

一直分到n=48。

这样就得到了一个，48位的，规模惊人的声编码结构。

穷竭了所有的声及声与声的差别。

每段代码为一48位二进制数。

任何声都能在这个声编码结构中找到自己的位置。

任何声的变化，也能在这个声编码结构中找到自己的变化轨迹。

这种记录代码变化顺序的轨迹，叫做逻辑函数。

类似用二维坐标来表达三角函数一样。

广义AI用塔式三维坐标，来表达逻辑函数。

逻辑函数，可表示任何一段声音。

讨论03

——广义AI原理

上一贴，简单介绍了逻辑规模坐标系。

这个坐标系，很像一个金字塔。

可叫做金字塔数码系。或叫做金字塔坐标系。

金字塔数码系有什么优点呢？

来看看传统的三维坐标系。做个对比。

x轴为波长。

y轴为振幅。

z轴为频率。

说振幅、频率、波长，决定一个声音。

若用这个方箱体系来编码一段声音，将寸步难行。

插几句句题外话：

模数转换，可以不讲道理。

输入端怎么将模拟信号转为数码，

在输出端就怎么将数码还原为模拟信号。

这很像加密与解密。

只要能还原，错误的理论，也可以实现数码的输入输出。

各自的理论及技术，决定的是失真程度的差别。

回到今天主线。

若用三维方箱体系来编码一段声音，将寸步难行。

首先，遇到的难题是：

方箱体系描述的为一单波的情况。

不能描述长音段包含短音段的关系，

更难以描述更复杂的多层音段叠加关系。

什么叫做多层音段叠加呢？

例如：语音“天地玄黄”。

含有几个字音？

天，一个。

地，一个。

玄，一个。

黄，一个。

共四个字音。

每个字音，包含哪些拼音？

天，t-i-an。三个不同的拼音。

地，d-i。两个拼音。

玄，x-u-an。三个拼音。

黄，h-u-ang。三个拼音。

以“天”tian为例，拼音中包含哪些声？

t，t头...t尾。

i，i头...i尾。

an，a头...n尾。

以an为例，还包含有更细微的声吗？

a，a头...a-n转换段...n头。

n，n头...n尾。

还能再分，叫做声波。

还能再分，叫做纯逻辑。(很难解释。然而这是事实。)

还能再分，叫做01数码。

高层可识别音段，包含低层可识别音段，再包含更低层，

再包含人耳不可识别的细微波段，

再包含极微量子级的一波。

再包含纯逻辑。逻辑由01数码组成。

这种现象，叫做多层音段叠加。

(这个名称很不准确。其现象本质为逻辑关系的积累与聚集。

可叫做“逻辑函数”。这个名称会令人感到陌生。

所以，依然使用“多层音段叠加”来命名上述现象。)

若采用传统的三维箱体坐标系，来面对这种多层音段叠加，

想要找到声波变化的固定规律，以用来搞语音识别，

其难度不可想象。

对于智商很高的精英，也是不可完成的任务。

若采用金字塔坐标系，声音段的层级关系，

就会立即直观地显现出来。

相信一名普通的高中生，也能很快发现语音中那些

本来隐藏得很深，却始终固定不变的韵律。

熟练以后，就会像识乐谱的音乐家，听到乐曲就能写出音符那样。

听到声音，就能随即写出其代码。

写出那些固定的代码段，就叫做声音或语音的编码。

例如，写出汉语普通话的标准发音代码段。

或者写出风雨雷电蚊蝇猫狗的声音代码段。

例如声音：嗡 - - - 

时长4秒。

假设主频8Hz，即每秒8次，每次0.125秒。

假设分8段。每段1/8秒。

 w，0.125秒=1/8秒，逻辑层n=1，频率f1，代码00000001

 e，0.125秒=1/8秒，逻辑层n=2，频率f2，代码00000011

ng，0.125秒=1/8秒，逻辑层n=3，频率f3，代码00000111

ng，0.125秒=1/8秒，逻辑层n=4，频率f3，代码00001000

ng，0.125秒=1/8秒，逻辑层n=5，频率f3，代码00010000

ng，0.125秒=1/8秒，逻辑层n=6，频率f3，代码00100000

ng，0.125秒=1/8秒，逻辑层n=7，频率f3，代码01000000

ng，0.125秒=1/8秒，逻辑层n=8，频率f3，代码10000000

同于前为0，异于前为1。

这个例子只为了解释原理。

也只表达了局部的相对编码原理。

全部的声，在金字塔数码系中，

还有其一一对应的绝对代码位置。

相对代码，用来摄取、识别等操作。

绝对代码，主要用来建立整体知识体系。

两种代码，可用固定的算法转换。

经过模数转换器AD的转换，得到的代码，叫做转码。

不经过AD，人为发明制定其标准并按标准编写的代码，叫做编码。

若对当前AD加以改造，使转码原理符合编码原理，

那么，转码所得代码被识别，就轻而易举了。

讨论04
——广义AI原理

潜伏在识别现象深层的是系缚及等起现象。

关于系缚与等起，本帖前边聊过。可翻看楼上查阅。

系缚，负责初次建立此是彼的联系。
经反复而成熟后，彼此两现象将牢固地捆绑在一起。
比如张飞初次见到关羽，经刘备介绍，张飞将这个红脸凤眼长须的面貌与姓名关羽建立起了联系。
等于张飞心说命名句(或定义句)：
此面貌是彼关羽。

等起，负责系缚建立后，此有故彼有，此生故彼生。
比如张飞又见到红脸凤眼长须的面貌后，心说判断句：
此面貌是彼关羽。

记住一个单词或记住一首歌曲背诵一篇文章诗词等一切记忆现象，都必然经历这两个过程。

其中，若先闻其名称后知其含义，叫做定义句。
例如，开始上课，数学老师说“今天讲对数”。
那么“对数”就是先知道的名称。同学们却不知道其含义。
然后老师讲了，“若2^n=Σ，则n叫做以2为底Σ的对数”。
这时，同学们就知道什么是对数了。建立了此是彼的名义系缚。
这就叫做定义句。

相反，若先知道含义，后知道其名称。则叫做命名句。
学英文，大多都是命名句。
例如，红色都认识。含义早就已知，并被汉语固定其义。
然后学到了red这个英文词。建立了red与红色的名义系缚。

这就是命名句。

命名句、定义句、判断句，在语音识别乃至AI的研发过程中，占据重要位置。
深度学习，就是要实现名义系缚。就是要建立命名句及定义句。
语音识别，就是要实现名义彼此等起。
图像识别、触屏识别、传感器识别、雷达识别，也都是在已经建立系缚的基础上，实现等起。

可以肯定地说，实现了名义的系缚与等起，就创造出了智能现象！
也就实现了人工智能。

本帖正是在讨论实现系缚与等起的数码原理。

尽管人工智能的认识与人类智能的认识，内容或许不一致。
然而，只要保持命名句、定义句的彼此内容与人类一致，

判断句内容就必然与人类一致。

例如，听到某声音，使机器系缚的彼义与人类等起的彼义相一致，
则机器对世界的判断与认识，也将与人类相一致。

而且，机器的欲求及任务队列顺序，来自工程师。工程师是人类。
所以，目前并没有什么可担心的。
机器觉醒，目前还是天方夜谭。

霍金可能是意识到了广义人工智能的门槛其实很低。
可能比狭义AI发展更快，更容易。

或许有坏人利用这东西干坏事。
故此，他有些担心。并不断发表AI恐怖论。

马斯克也看到了广义AI即将成为现实，并感到有威胁。
故而走上了人机连接的道路。以对抗即将诞生的广义AI。

而扎克伯格，则将在广义AI产品摆在他面前时，目瞪口呆。

国内从大佬到民间，很少有人相信机器会有名副其实的智能。
就像当年没几个人相信会有原子弹一样。

然而，在一些不起眼的角落里，
被称作科技决战的广义AI研发竞争，正在进行。

不能超过

目前还处于弱人工智能阶段，要超过起码得到强人工智能阶段，科技还没发展到那个程度

一切皆有可能，我保持乐观态度

讨论05
——广义AI原理

回到金字塔数码系看看。

首先看这个坐标系有几维？
怎么计算维数呢？
应先搞清维的定义。
搞清维的定义，才能作出此是彼一维的判断句。

逻辑上可做如下定义：
按照相邻两位相差1规则排列的同义队列，叫做逻辑维。

更逻辑化的定义为：
相邻两位互非的同义队列，叫做逻辑维。或叫做逻辑非。

可用任何含义代入逻辑维。
例如，代入时间义，叫做时间维。
时间义中的两个时间相邻的时刻相差为1。
所以，逻辑时间数应为：
123456789...100..800...这样的自然数。
可直接用二进制数码表示。

时间次序定义为：无限递增1。
逻辑维上相邻各位仅具互非关系，本无递增1的单向进位关系。
逻辑维上各位无起点与终点，无方向，故不进位。
时间维由于指定了一个起点，故时刻队列则立即具有了相邻递增1的关系。

也就是二进制进位关系。

这种进位关系的逻辑本质，依然为互非。
例如：
0非1。故0进位后变为1。
1非0。故1进位后变为0。

直线一维。维上含义：点。
时间一维。维上含义：时刻。
次序一维。维上含义：次第。

一维上的任何逻辑位置，都可直接用二进制数码来表达。
那么，一维上的含义，也可以直接用二进制数码来表达。
在语音识别编码中遇到的任何一维的名义，
都可凭这个原理而直接编码。

平面二维，包含着下层的两个含义：前后与左右。
前后作为一维。
左右作为一维。
前后与左右为垂直关系。那么，逻辑上垂直怎么定义？
两点之间只有一维，故点与点不具垂直关系。
一维不具有垂直关系。
垂直必须是维与维的相互关系。
而且这二维必须在同一逻辑系中的同一逻辑层级上。
分属于不同逻辑层级上的二维，不具垂直关系。
例如，
前后维与左右维，同属于视觉系，并在同一视觉层级上。
前后维与强弱维，不属于一系。
前后与黑白，虽属于一系，却不在同一支系上。
前后与高低，虽同系，却不同级。
高低义建立于上下义之下。逻辑低一级。

草根化定义：
同系同级相邻两位互非的二义队列，叫做逻辑垂直。
学术化命名：
同系同级相邻两位互非的二义队列，叫做逻辑非非。
例如：
前非非左右。

二维相邻两位有4种关系：00,01,10,01。
位于金字塔数码系第二层。

若代入空间义。
空间含有上下、左右、前后三义，故有三维。
邻两位有8种关系：000，001,010,011,100,101,110,111。
位于金字塔数码系第三层。

以下依金字塔数码系n次类推。
理论上可包含无穷维的无穷含义及相互逻辑关系。

而且，金字塔数码系中每个逻辑位为1时，
都可接通并展开另一个金字塔数码系。

再加上数码系与数码系之间的各种算法关系，
就组成了一个惊人庞大的金字塔套金字塔套算法的数码结构。
这个结构，叫做大数码。
注意：不是大数据。而是一个整体的大数码。

无需寻址操作。数码既是代码，又是物理地址。
无需缓存，速度飞快。
存储与运算一体。
用来搞自动驾驶，不会有运算卡滞，反应慢，硬盘不足等问题。
更准确地说，自动驾驶问题，不值一提。