一个AI具体可行的想法

我是一名人工智能业余爱好者，如果您因为看到这句而放弃后面的阅读的话，说明你已经做出了一个自我选择的动作。
人工智能是可以实现的。问题在于如何落实。尝试回答下面这个问题：
你读过“荷马史诗”吗？
你会迅速的回答“是”或者“不是”，你的大脑反应如此之快，仿佛不经搜索而得出结论。同样的问题如果是问一台电脑，它需要搜索一段时间才能得出答案。这个实验说明了一个问题，如果使用当前电脑的顺序工作方式，无法实现人脑的工作机制。什么样的机制会有类似的快速反应？分布式并行机制可以实现这一点。
十个MCU通过TCP/IP互联，在它们的局域网上广播一个信息“荷马史诗有木有”，你会得到非常迅速的回答，因为每个MCU只需要搜索自己的内容，在有限时间内会给出答案，超出这个时间可以认为没有一个MCU含有荷马史诗的内容。当MCU的个数按指数级增长，这个速度会不会变慢呢？不会。你的大脑里丰富的思考单元（cell），它们可以在一个很短的时间，例如1ms内完成对自身信息的搜索，并给出答案。
基于以上，在我的思考范畴内，我把大脑定义为大量并行的cell协同工作的结果。其实，大家早就知道这一点，只是关于它怎么协同没搞清楚。下面我来试试抽丝剥茧。
长期的编程习惯和自我反思令我相信两个现象，即使是协同工作它们仍需要一个分析判断中枢，显意识是占人脑中内存的很小一部分，大量的心理活动在潜意识。比如说你看到一个美女，特漂亮，她令你有许多心理活动，这些都是在潜意识发生的。比如你听一首歌，产生了共感，令你看透了人生的一些烦恼，这些也是在潜意识发生的。比如说，你在做数学题，有天精神不错，忽然发现了一个定理，这也是在潜意识发生的。包括反馈放大器中的反馈链路的运用，发明者也称自己这个想法是忽然产生的。我们倾向于认为灵感会受某些外物的启发，其实大部分的灵感就像闪电一样出现，哪怕你是在蹲马桶。因此灵感来源于潜意识，是大脑中大量cell协作的结果，它所进行的运算占了大脑的大量工作量，甚至包括产生了你现在的心情。
上一段说了两件事，大脑需要分析中枢，需要潜意识。它们和cell是如何配合工作。我建了个模型。而且这几年来我不停的仿真我这个模型能不能实现人脑的学习功能，二是我这个模型能不能用当前的技术实现。目前为此在我的思考范畴内是可以的，也许下一步我应该试着用数学语言证明这一点。
模型奉上：
上万或更多的cell，它们是一张卡片，分两栏，一是关键字，二是内容。当模型收到外部输入时，中枢获得外部输入的关键字，它开始在网络上广播这个关键字，cell对比自身关键字与当前广播的关键字是否相同，或者类似，而产生响应。产生响应送往中枢，中枢进行判断。每个cell含有经验值，正确完成一次响应后经验值加1，经验值起大响应时间越快。因此中枢只接收响应最快的那个cell的回答，于是开始调用cell中的内容。把cell中的动作放到行动层上。行动层是个任务(task)管理器，它可以递归的管理任务。cell中的动作形成一个task后，要开始执行。要执行这个task必然会遇到问题，那么它会递归的产生一个任务，递归实际上是靠堆栈实现的。这个新产生的任务实际上是cell的内容，而它是当前任务，因此中枢把它广播到网上去，寻到下一个与这个内容有关的cell。直至找到最小的动作来完成当前任务。然后递归完成所有的任务。
其实码完上面的字，我发现要表达的东西实在太多，一下子不能系统的表达出来。而我更喜欢用循序渐进的方式解决问题。因此我们慢慢来吧：
为什么要这么建模呢？我是从心理的角度把它映射过来的。比方说：我现在要去外边吃饭。那我的大脑会自动告诉我：带好手机，钱包，钥匙。这是“去外边“这个关键字，在大脑的cell中引起的反应。那边接下来任务完成没呢？没，还没吃到饭，那大脑继续工作。处理第一个字“去”，这个词汇大脑中有，它的cell的关键词就是“去”，内容就是“动脚，移动位置”，“动脚，移动位置”这是个最小动作，因此我们动身了，“动身”这个动作是当前动作，大脑中有个巡航系统，在大脑执行任务列表里面的递归任务的同时，它还不停的做自检，并检查周围的环境。现在它发现了一个动作“动身”，准备，或正在执行。它把它丢给中枢，中枢立马在任务列表里又生成了一个任务，并且把“动身”这个关键字向网络广播，负责移动的cell立马响应，它的关键字是“动身”，它的内容是“确定下一个落脚点”，这个cell中的“确定下一个落脚点“并不是最小动作，因此它在任务列表中又生成了一个任务，并且把"确定下一个落脚点"当做关键字，放到网上搜索，大脑中负责定位移动的cell立刻响应，它的关键字是“确定下一个落脚点”，内容是调用“记忆系统进行定位”，再调用“地图系统”确定下一个落脚点。这已经是个最小动作，但它包含若干个动作，因此它同样生成了一个任务，这个任务，首先调用”记忆系统进行定位“，也就是到大脑的缓存区里找到你现在所处在的位置，然后再调用”地图系统“，也就是把”当前位置要去 目的位置“当成关键字在网上广播，这时”地图系统“的cell就会响应，它的关键字就是类似”某地要去 某地“，内容就是给根据cell中记录的地图，输出一个当前的方向。所以大脑中它含有各种的cell，它们大体是相同的，对于找路这种特定功能，它们的结构又稍有不同。现在我们已经得到了当前的方向了那，关键字”确定下一个落脚点“的任务完成了，于是我们做出了一系列动作，走到了门口边，继续完成”去外边吃饭“这个任务列表中未完成的任务。当走到门口边的时候，大脑的巡航系统根据视觉输入“门口”这个关键字，立即把它放到大脑的网上广播，这时立刻有个cell响应了，它是干什么的呢？是个穿鞋cell，它的关键字是“走近门口”，内容是“换鞋”。因此我们开始换鞋。完毕后出门，走在路上。这时我们不停的向大脑广播一个信息“现在在哪哪哪要去 哪哪哪”，这个广播的内容来自“去外边吃饭”，“去”字所建立起来的任务还在执行中，之前说过“去”的内容里第一项是“动身”，“动身”任务已经完成了，大脑没有明确的下一个任务，于是又回到了“去外面吃饭”这个关键字。语法系统分析了一下这行语句，得出一个任务集“确定吃饭的地方－规划路线－走路－到达目的地－开始吃饭”。语法系统也是一个cell，我们这里假定“去外面吃饭”这句话是听别人说的，也就是我们被要求执行“去外面吃饭”这条指令，后面如果有时间我会说自我产生“去外面吃饭”这条指令的过程。继续说语法系统也是一个cell，它收到一句话后进行了分析，产生了任务集，现在开始执行第一个“确定吃饭的地方”，LZ显然属于走在路上才想准备去哪吃饭的类型，大家相同的有木有？
“确定吃饭的地方”这个任务完成后，接着把“要去的地方”丢给“规划路线“cell，cell会返回一条路线，于是走哇走。但是路上，显意识和潜意识同时工作着，显意识看路看车，“看路看车”也是个cell，走在路上这件事产生了“在路上”这个关键词输入中枢，中枢建立了调度系统，一边完成“走路”这个任务，隔一会要完成一下“看路看车”这个任务。那走路上坡下坡，力度控制也得大脑控制啊，这个属于运动系统，而运动系统很多动作都是在潜意识下完成的，也就是显意识和潜意识，它居然还是个双核工作机制。有的人说，我去熟悉的地方吃饭根本不用想那么多，脑里还想着昨天打麻将的事，一脚就到饭馆了。好吧，你的大脑使用潜意识完成了这个任务。为什么呢？当人们熟悉的事已经做了很多遍以后，它形成了默认的顺序任务列表，并交给潜意识来完成，从一开始运作后，你显意识可以不怎么理它，偶尔监督下进展就行了，它自然会完成。当潜意识的默认顺序任务列表无法完成时，才会重新交由显意识来处理。为什么要强调“顺序”这个词呢？举个例子，有一天你精神不好，显意识一直在想着某个问题，于是你把打鸡蛋这件事交给了潜意识处理，你打了鸡蛋，然后把蛋黄蛋清扔到垃圾框里，把蛋壳放到了碗里。怎么回事？潜意识它也在忙着处理你的情绪问题，给你想办法，一不小心把顺序任务列表的任务排错了，就出现了上面的错误。如果你集中精力用显意识来处理是不可能犯这个错误，但是为什么你不能集中精力用显意识来处理呢？一你那天精力不足，二打蛋这件事真的打了很多遍，大脑已经愿意把它交给潜意识处理。
那么，我算是说完了这个模型的雏形了吗？还早，但是框架已经有了。先补充几点说明再继续。就是所说的“关键字”，有人说大脑里处理的大部分是感觉，并不存在用“关键字”搜索广播这回事。事实上感觉也是一种符号文字或信息，它是用特殊的电信号记录的信息，我们无法相互告诉对方，我此刻的感觉，那么怎么办呢？发明了语言文字，人类目前的语言文字已经能表达相当大一部分的感觉，因此文字是人类社会外部的符号信息传输方法，而人身体内部也有一套信息传输，记录方法，它就是感觉。感觉来自于全身各个传感器的感受。要描述眼前从未见过的现象，文字上说是“****”，感觉上说是“眼前看到的，听到的，摸到的，身上所有器官所感觉到的的总和”当然一般以五官的感觉最为强烈。那么感觉这个报文同样当作关键字记录在了大脑的cell里。当大脑要处理一件事，要以A为基础，实现B时，A就做为关键字输入中枢中，并进行广播，那么实际广播的肯定是一个以感觉描述的报文字，它究竟是怎么一个编码，脑科学的物理研究有一天可能会破译出来。但是可以肯定的是这种感觉，它是一种符号体系，因此它同样可以被更换，替代成另一种符号体系，那就是文字语言。我们构建一个人工智能，没必要，或暂时没必要让它具有丰富的传感器，丰富的感觉记录体系，但可以让它先具有类似人脑的符号工作，判断体系。
那么接下来要说，既然通过心理分析，了解了大脑的工作体系，我们要怎么建立人工智能。之前有一段已经说过具体的建模，但是说的比较枯燥，不好理解。简单来说，我们就是要有大量的cell，和中枢，和能够广播的网络把中枢，cell连为一体，还要有任务列表，中枢负责广播和与cell联系，并在任务列表里不断生成任务，任务列表也在不停工作，要求执行当前的任务，如果当前任务不是最小动作，就把它新建一个任务，并在中枢中广播出去，寻找有相关的cell,尝试执行这个cell的内容，看问题是否解决，以寻找由A到B的途径。如果一个任务成功解决了，那么这个解决问题的cell经验值会增加，这样下次该同样的关键字广播时，这个cell就能以最快速度响应了，这样就抢在其它没有成功经验的cell前面，得到了执行的机会。
那么人类目前已经成长了，大脑中有大量的cell，人工智能怎么可以拥有这么大量的cell呢？即使人工智能拥有了一定量的cell后，我们怎么让他（她，它？）们自主的学习，从而创造新的cell呢？如果只有固定的cell那和以前按编程运行的机器又有什么两样？别急。总会有办法的。
一个较好的思路是，先给人工智能预装我们人类的语言，文字符号系统。当前的机译，或者说专家系统也好，或者说智能聊天机器人也好，我们经常说，它们不理解它们说的话，所以它们不是人工智能。其实我们操之太急，它们既然不理解它们所说的话，就先不要让它们说话，直到它们理解以后再说话。
第一步让机器能够理解一句话的意思。何为理解一句话的意思，风花雪月这个不做要求，起码我问你名字你要答得出，我让你找个资料你能帮我找齐，我问你最近状态怎么样，你要回答出来吧？这个问可不是针对特定问题问，而是像图灵测试一样，随意的问。但是不能问太深的，比如你问一个小学生关于感情方面的问题，他(她)都不知道，肯定是随便答。
人类的语言文字系统是通过早期的学习得到的，得到以后就立刻提高了知识获取的速度，因此人工智能最需要的就是学会语言文字系统。但是从零开始教一个人工智能人类语言，恐怕要花不止数十年的时间，而且根本没必要，根据对语言符号系统的研究成果，对一句话“请问你叫什么名字”，主谓宾定状补一分，名词，动词，代词一分，疑问句，感叹句，祈使句一分，就能知道这句话的意义：要求机器输出它的代号。因此，我们要给人工智能的机器里预装一堆东西，先是词汇。代词你，我，他，输进去，形成一个cell。各个词汇也都输进去，基本的名词，动词，像声词等等。每个词汇一个cell ，并注明词性。当收到文字输入时，多个cell会产生响应，应该把所有的响应cell都放到新开辟的“语言区”，其中一个“句式”cell是必须响应的，它判别当前是什么样的句式，以产生相应的任务列表，任务列表有特定的关键字，这方面做语言文字分析的高手应该比我熟练得多，我只提一点就是对一个语句的理解，是多个cell的相互作用，多个cell用内容对其他cell进行过滤，一步步减少cell的数量，最后剩下的cell就是要输出的动作。举个例子。“请问你叫什么名字？”首先“句式”cell判断这是疑问句，产生了一个任务“输出”，输出产生后立刻到当前的N多cell的“语言区”广播，注意它是只在语言区广播，所以这时的cell，应该说是已经相当于从潜意识空间提取到显意识空间了，因此它只是在显意识空间广播。因为如果在整个空间广播的话，产生的结果将无穷无尽，无法缩小这句文字的具体意思。现在开始广播“输出”了，现在都有哪些cell呢？“请”cell，它的内容写着“ ”，因为它没啥实际含义，所以这行暂时空着，“问”cell，它的内容写着，“等待输入“，还有许多不同的cell，”你“ cell，它的内容写着“本机”，“叫”cell，它的内容写着“输出声音”，“什么”cell，它的内容写着“输出”，“名字”cell，它的内容写着“张三”，有的"名字"cell，内容是“李四”。总之这些cell都响应了。那到底会输出什么呢？
我们退后一步看，对机器输入的任何指令，或者说我们对别人说的每一句话，目的都是对方产生变化，做出行动，哪怕是心理上的变化。因此当输入“请问你叫什么名字？”这句话时，机器的反应应该是从听到第一个字开始做反应，并在输入结束后，做出总的综合反应。“请“，的内容是礼貌用语，此时机器没反应，”问“的内容，机器开始落实等待输入后面的文字，怎么落实”等待输入“这行指令呢，它会建一个任务，这个任务以"等待输入"做为关键字进行广播，这时候"等待输入"的cell就会响应，它的内容为一个最小动作即《等待输入并新开一个任务把后面的输入当做任务的关键字》，这行字不是语言，而是代码，它要求新开一个任务，把后面的输入当做关键字进行广播。接下来广播的是“你叫什么名字”。这时候机器的各个cell开始活跃起来，“你”cell有很多个，每个cell都记录了一条关于本机的信息。那么所有的“你”cell都已经调到了“语言区”，“叫”cell也有很多个，其中至少一个的内容是《检查机器的输出系统是否正常》，这也是个最小动作，因此机器立刻执行了这条动作。“什么”cell的内容是《输出》，这个已经是最小动作了，因此立刻执行这个动作，但是一检查发现输出参数还没有，于是再建一个任务，来获取输出的内容。怎么获取呢，一找关键字，二广播，这时候来“名字”这个cell。可见人类语言的特点，当已经需要获取关键字的时候，关键字就在什么后面。这时候把“名字”这个关键字在“语言区”一广播，响应的都是原来的“名字”cell，这些cell的内容各不相同，有的叫“张三”，有的叫“李四”，这样显示不能输出一个精确的值，因此我们的cell模型这时要升级了。“你”cell有多个，举例"你"cell中内容继续向下分栏，第一栏“性别”，第二栏“男”；另外一个“你”cell中内容继续向下分栏，第一栏“名字”，第二栏“阿给”。“名字“cell中继续向下分栏，第一栏“你”，第二栏“阿博”，另外一个"名字"cell中继续向下分栏，第一栏“我”，第二栏“阿给”。因此如果以“名字”为关键字的话会有多个cell响应，其中“名字”cell中不能直接得到输出，而“你”cell中，可以直接输出内容“阿给”。因此，此时的输出就是阿给。“叫” cell中有时也可以有含有,"名字"为关键字的cell。比如牙牙学语的儿童，他经常叫一条小猫的名字做“花花”，那他大脑中的“叫”cell下是含有“名字”一栏，第二栏是“花花”的。因此，你问他，你叫什么名字？有时他会回答你“花花”。但在长期的生活中，这个答案是错误的，因此“叫”cell中，含有“名字”一栏的经验值很低，如果提前仅仅是“叫名字”的话，会让人产生“叫谁名字”的反问，因为“叫”cell中含有“名字”一栏，又含有“某某”第二栏的个数有很多个，无法确定输出哪一个。其实我们可以想像一下。现在有“叫”cell很多个，“名字”cell很多个，“你”cell很多个，它们都有若干栏，有的栏里避免不了总会有"名字"这个关键字。那么此时输出哪一个？准则是尽量靠近上层输出，输出时相同的cell中应该尽量少，或只有一个，而且事实上只有经验值最大的，又靠近上层的才能最早输出，从而阻断了其他输出的可能。
看到这里，其这人类的语言特点可以说是很明显了，用语法来描述人类的语言只能是更上层，更精确的表达意思。但人类语言最基础的特征是，它可以无序。比方说你英语语法不好，你跟老外交流，嗑嗑巴巴，用零散的单词也能交流，但是慢慢你会学会按某种顺序把单词发出来，交流会更有效。按顺序的目的是使人的思维按顺序的工作。还是原来的例子“你叫什么名字”，我可以换个说法“你什么名字叫”，“什么名字你叫”，甚至“什么叫你名字”，大脑对这些说法的反应是一样的，都是先把各个cell调到“语言区”，遇到“什么”时，开始寻找关键字，如果“什么”后面刚好有“名字”这个关键词就更节省大脑的工作时间，否则，建立任务后没有关键词，只好从头开始找关键词。比如“你叫名字什么”，或者“你叫什么”，“什么”后面就没词了，那就返回来用“你”做关键字，一样能找到答案。
事实上，教一台机器学会一个回答“请问你叫什么名字”是挺费时间的，不知道有没有更好的办法或技巧。但是机器一旦学会这个回答后，就会生成一个cell，“请问你叫什么名字的”cell，它的存在时间有限，如果不经常问的话，它会慢慢被遗忘，遗忘代表着它的经验值往负分增长，－1，－2，当负数过大时删除这个cell。如果你经常问的话，他的经验值就会增长，当你问另外一个问题，比如“这只河马叫什么名字”时，这个cell会活跃起来。这个cell的内容是保存了得到输出的过程，即先使用"请"cell，再使用“什么”cell，最后使用"你"cell的路线。再次发问时，这个路线会直接被用到。这样有什么好处呢？不需要提取大量的cell到语言区，而只是提取少量的，使用过的cell到语言区，如果问题可以解决的话就省去了时间。当然问题无法完全解决时，还是要重新提取新的cell到语言区。
以上我们讲完了怎样教机器理解我们的语言。这样费了不少时日后，机器慢慢理解了各种句式，并能根据句式给出正确的回答，或者形成正确的新cell。此时转折点就到了，让机器独立的看书，看资料，上网自主学习，不断形成新的cell。这样机器的知识储备将很快超过我们，并能够帮我们解决我们所不能解决的问题。此时，一个新的时代就会到来。
作者 g527727372