第0章.前言

現在流行的人工智能技術，例如GPT技術，基本上是基于原有的大數據技術發展起來的，并不是我們所說的擬腦人工智能，擬腦顧名思義就是要模擬人類的思維方式，能夠讓人工智能按照人類的思維方式思考問題解決問題，擬腦人工智能也需要訓練，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相比并沒有優勢，但是隨著不斷成長，擬腦人工智能會通過自主發展，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，并勇于從底層計算模型發起變革，勇于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能是指什么，簡單說一點，就是人工智能在計算模型結構上要符合人類的信息存儲方式和思維方式。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，依然不屬于擬腦模型。后面我會發起擬腦計算模型的探討，歡迎大家一起討論。

但是什么是擬腦人工智能？能夠理清楚脈絡嗎？

當然很多人會說就是神經元大模型唄，用名詞解釋名詞，我們需要了解人工智能的真正含義，才能在人工智能領域成為思維原點的發起者，才能從原點出發，發現問題思考問題解決問題。

什么是人工智能？人工智能就是利用計算機系統，創建計算模型，模擬人類的思維。

神經元理論就是由兩名科學家，發現了人類面對外部事物刺激神經獲得反應的過程，后人根據神經元理論，構建了計算模型模擬這個過程，這就是以神經元理論創新的人工智能算法模型。實際上神經元理論是有缺陷的，西方機械教條思維，經常把現象歸納出的規律當做本質定義，這個暫時不討論。

繼續，人類不只是用圖像感知，包括色聲香味觸法都是感知方式，語言信息的傳遞也是感知方式，所以，語言是感知層的工具，不是思維的工具。

人們看到語言，會自動搜索語言中關鍵字及其關聯關系，然后分析含義，這就是大數據的理論依據，大數據模仿了人類對內容的感知。但是，這些都是感知層的技術，有些大模型是通過感知層直接對應內容，中間少了擬腦思維層。

關鍵問題來了，人類的思維是什么樣子的，如果不知道人類思考的方式，怎么創造出模擬人類思考的計算模型，人類是用語言思考的嗎？不是。

人類不是用語言思考的，每一個人可以自己做一下實驗，人類思考是在概念信息及其關聯關系中延展路徑，概念信息是語言嗎？不是，概念信息是獨立的特定的信息，語言只是信息的描述方式，概念信息可以是一個詞，也可以多個詞，也可以是一段描述，但是，這些概念信息在思維的時候，不是語言，而是具備含義的信息元，人類思維的方式，是在具備獨立概念的信息元及其關聯關系中尋找有效的最優路徑，輸出的時候，才會轉化為動作，語言屬于動作的一種。

多元關聯擬腦技術就是模仿人類思維的方式，通過定義信息元及其關聯關系，創新的計算模型，專用于人工智能的擬腦思維層。

我文章中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，多元關聯擬腦模型部分及執行腦算法部分。

后面我會不定期地寫一些關于我自己的發明文章，但是由于專利審查還懸著，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。

什么是信息元：

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，全部定義為信息元，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，信息元不是大數據中的關鍵字，雖然信息元創建需要關鍵字TAG組及關鍵字TAG關聯模型輔助定義，但是，信息元不是關鍵字，更像是GPT中的內容對象，但是因為計算要求不同，所以又不同于內容對象，后期會寫信息元格式及定義，以及在計算模型上參與計算的過程。

什么是相對關系：

多元關聯顧名思義是研究關系問題的計算模型，舉例說明，A與B有關聯關系，B與C有關聯關系，我們為這些關系建立三維向量定義，我們發現在ABC三者之間存在關聯關系定義的向量，但是A與C之間，雖然通過向量轉換可以計算A與C的向量關系，但是實際上A與C沒有直接關系，ABC之間的關系就是相對關系。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系做思維計算，而絕對關系多用于統計歸納等抽象計算。

三維坐標系空間：

三維坐標系空間不是三維坐標系，是指在一個空間中有多個三維坐標系，且這些三維坐標系可以相互定義，那么，這些三維坐標系屬于同一個三維坐標系空間。例如剛才的例子ABC分別以自身為原點建立三維坐標系，形成ABC三個三維坐標系，這三個坐標系因可相互定義，則屬于同一個三維坐標系空間，為什么這樣，因為多元計算模型的基礎計算需要ABC的相對關系，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坐標系，不屬于同一個三維坐標系空間。

無法相互定義的三維坐標系屬于不同的三維坐標系空間，但是有一個現象，兩個不同的三維坐標系定義，卻是重疊在一起作用于人類思維的，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算法技術創新的依據。

這里說明一下，計算機應用科學不同于基礎科學研究，計算機應用科學中的創新和技術應用，大部分來源于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，不斷復雜，應運而生出更多的計算模型和算法函數。

例如：用于準確定義內容的關鍵字TAG關聯模型。TAG技術最早應用于大數據技術，是為了便于人們在海量信息中搜索出自己想要得到的信息。簡單模式就是，關鍵字--TAG---對象內容。

這是在海量信息的現狀下發展的技術，不過隨著信息量的增加，以及人們對信息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。怎么辦？

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，即使關鍵字詞組相同，但是，由于關鍵字TAG之間的關聯關系不同，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，但是關聯關系不同，也可以識別不同內容。

又后來，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，粗關聯關系也相同，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，怎么辦？這就產生了向量定義，即使關鍵字組的粗關聯關系相同，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，關聯關系導入到向量模型中，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對象，這就產生了現有交互式人工智能的精確定義內容的算法模型，一直沿用到今天，某些大公司的GPT模型，通過后期訓練，已經可以做到2000億個內容對象，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采用，當觀察一個事物，例如一只狗，那么通過碎片化該狗的特征，形成多個關鍵信息，這些關鍵信息本身就會產生距離角度等向量關系，耳朵和嘴之間具備向量關系，前腿與后腿之間產生向量關系，以及某些向量關系在運動中的變化特性等，這些向量關系也是區別對象的方法。

但是，我們發現這都不是擬腦人工智能，依然屬于基于大數據技術及神經元技術發展的，交互式人工智能技術，希望這些技術繼續發展，看看什么時候可以發展到信息元關聯計算階段，多元關聯擬腦技術。

本書首發來自17K小說網，第一時間看正版內容！