GNOP(面向生成式网络编程),是he4o的核心编程思想,也是he4o的技术框架,
GNOP是连接thinking与net的桥,是he4o研发中经历的第三大难题;
本章的难点是一,即定义;
注:系统架构只是he4o的系统结构,但技术框架才是将软件技术与系统架构融合思考的产物。(技术框架的一切为了实现)
CreateTime 2018.02.03
前言 >>
本节,为找到未能最简化的设计,并进行改良;
删AILine >>
去掉AILine,由AIPort来替代;参考当天代码;
删AIChangeNode,AILogicNode >>
命题:
关于删除AIChangeNode,AILogicNode的思考
分析:
时间产生了动,动产生了变化,产生了逻辑
核心起因:
去掉AIChangeNode,变化由静态数据表示,不会是正确的方式;
命题起因:
1. change和logic并非最简设计; 2. 关于时间时序的知识表示未能完美解决
问题点:
1. 不能因时序产生大量数据; 2. 不能因时序破坏原有网络结构
入口:
从cmv的变化入手,changeNode确有必要,即真实的结构为:定义->属性->值->变化
知识表示:
changeNode有时应体现在absNode上,作为changeNode存在,因为具象信息有明确值
注:
先后,from表示先,to表示后;
结果:
changeNode和logicNode删除失败,但需要改进
logic的知识表示问题 >>
命题:
logic需要横跨node;所以logic要么单独设计表示方式,但又不能脱离原有"归纳网络"
删除thinkDeep和shallow,合为1 >>
mv激发的能量值已经说明了一切,没有mv无法形成思维循环,只有很弱的能量值,所以不需要deep和shallow
CreateTime 2018.02.04
logic >>
介绍
change因logic才有了意义,而logic依附于归纳网络中,所以有了各种复杂的问题解决能力
生成原则
与其它node类似,只有think想到的才会产生关联,而shallowThink弱,deepThink强关联
CreateTime 2018.02.04
性能优化 >>
1. 按dataType分维存储(以dataType和dataSource和值为索引,快速定位到指定维)
n11p4 logic归纳结构的形成过程（从意识流到logic归纳） CreateTime 2018.02.26
前言 >>
以change到logic的结构形成，并非由无数change触发,而是由mv与思维构建。故本节深入思考:由意识流到类比思维处理成logic结构化的过程。将change触发改为由mv触发并解决其中几个难点;(参考下文)
意识流 >>
在thinkingControl中有longCaches来存储所有思维处理过的信号序列;
logic结构化 >>
logic结构化由类比思维形成,并由changePorts和logicPorts知识表示;
示图 >>
1. change在哪一层级(杯子的高度变化,还是仅高度的变化,或是仅值的变化)
2. logic的存储与读出,精确无歧义(知识表示不能脱离归纳结构网络)
3. 依赖思维类比而构建
CreateTime 2018.02.27
形成条件 >>
change必须依附在某node对象实例上;
知识例1
A的手长56->变为66
示图
知识例2（思考）
1. A的手会变长; 2. B的也会; 3. 所有人都会; 4. 除了C
形成步骤 >>
1
imv
2
假设每个字符串输入都是一个真实世界对象 algsStr时
3
到网络中作唯一性判定,找到对应Node(依附对象)
4
观察输入的algDic的value变化
CreateTime 2018.02.27
概念 >>
在input.algs中;将algDic输入,但algsDic只是针对algs的Model,而并不是真实世界的对象,所以真实世界的对象Real-identNode,由thinking根据law形成;
RIN基于algsDic的kv;但由thinking类比的law所构建;故:RIN是原始数据的发酵与升华;
对象边界的判定难易度 >>
算法值的复杂度决定判定难易度
1
在字符串、imv等输入上，很容易判定其“对象边界”。
2
在图片、音频等上，不容易判定其“对象边界”。
对象边界的判定方式 >>
本质上是对"值"的类比规律判定
1
对字符串，使用字符串切割为char算法即可
2
对imv，使用type判定即可
3
对图片，借助边缘检测，材质等算法进行辅助
4
对音频，使用对应算法，类比判定即可
CreateTime 2018.02.28
模糊性 >>
RIN的边界是模糊的,因为思维从来只为其类比结果运作与事务,所以边界不会特别清晰;
作用 >>
RIN是algsDic产生Thinking定义的方式
RIN对智能、性能优化等有重大意义。
RIN直接面向思维的数据
algsDic到RIN是第一次零散到整体;
algsDic是RIN养料 >>
注: 本图明确划分了:哪些应该由algs完成,而哪些应该由thinking类比;
例: 你不能通过怒吼吓跑蚊子,但可以通过扰乱空气达到目的;
CreateTime 2018.03.01
概念 >>
从RIN定义到其结构化为归纳网络,Thinking以此决定了Node间的关联;
故本节重点研究前额叶数据的从定义到结构化;
先后天属性 >>
algsDic中的某个key为先天属性;
先天属性有值,经比较后,产生的定义为后天属性;
先天属性：颜色（algsValue）
后天属性：胳膊（包含关系）
思考 >>
Q:
类比的过程
A:
类比结果 -> Law -> 大小(后天属性) -> 三生万物(要保证万物的结构化)
Q:
当没有了algsDic的故有结构,属性如何形成?
A:
类比相同为抽象,类比异同为属性;
Q:
(代码只能写到三,但要保证万的结构化)如何保证?
A:
考虑改进现在AINode结构(4大ports结构),即:再简化;参考n11p9
示图 >>
一条知识示图,辅助思考从 1. 类比 2. 到Law 3. 再到后天属性 4. 后天定义 5. 再到结构化;
CreateTime 2018.03.02
简介 >>
以absPorts和pptPorts等的方式,无法实现"自然而然的结构化";并且以abs和ppt为起点,是思维定式使然,并未从简至繁的思考;
故:本节试图通过信息域的方式,以类比到规律的"集合定义",来思考归纳网络的生成;
示图 >>
PIN的data是一个array;
1
输入"imv"与"字符串"时,将思考到的存起来(algsDic作为事务参数就算事务结果为nil也会存)
2
再次输入"imv"时,便有了联想与类比;
3
初次类比的目的仅是找出信息集合,并进行定义
4
完成
注
整个过程与时间赛跑,因为GC会用进废退
完全以类比的结果为依据创建结构化网络; >>
1. 单纯找到规律并定义,与当下的统计学方式无区别
2. 而后续的用进废退,与当下的alphaGoZero的强化学习也无明显区别
3. 而不同在于;下表 >>
动态构建结构网络 的独特 >>
1. 通过最简单的类比,表示真实世界的游戏规则
2. 用归纳结构网络作表示所有知识;(灵活模糊等特性)
3. 用自由的思维作构建者
4. 用mv作思维的最简规则
5. 用law打通由细分到抽象的纵向通路;(本节思考部分)
6. RIN部分的归纳网络完全由思维说了算,无代码干预(本节思考部分,找到这个边界代码与非代码各处理哪些)
避免构建重复内容 >>
1. 包含关系:当从定义中,再找到定义时,如何构建关联?
2.
CreateTime 2018.03.05
思考RIN到网的方式 >>
原因
1. 从GNOP和OOP出发
错
以结果推结果
2. 从代码实现出发
对(50%-100%)
从细
3. 从自省,心理学出发
对(0%-50%)
从简
CreateTime 2018.03.08
概念 >>
1. RIN是宏观的,而信号是微观的
2. 本节将细分与整体更加深入的思考分析,并将其集成到he4o系统中...
理论 >>
1. 仅he4o对RIN的定义是主观的
2. 宏观思虑,微观操作
3. 网络的结构表面看似宏观关系网络,实则是从微观向宏观圈地定义自然呈现出的结构;
4. 整分整是知识表示的关键：(由外界的信号整体 转变为 神经元分散编号信息 再转变为 信息集定义的整体)
开发 >>
1. 信号存储避免重复,RIN存储不用避免
2. he4o对RIN的宏观操作,在actionControl中转换为微观操作
CreateTime 2018.03.08
理论 >>
注:
1. 以无意义思考意义
节点的意义来源于关联,根本上是信息集合
2. 以关联思考抽象，而不是属性和继承
OOP被彻底放弃
3. 规律就是定义，定义间并集就是抽象
参考:n11p9
4. 流程
参考下表
5. 在有了时间和变化的同粒度环境下：1. 高有序环境无法产生智能。2. 相反，无序多样性环境则必然可以产生智能。
智能的产生条件
6. 在无智能的代码上,运行智能
从最简,从最抽象,生智能
信息处理流程 >>
1. 无序信号产生信息
2. 有序简单信息产生集合定义定义也以关联方式,不要以数组方式
3. 定义产生多样性相交等关系
4. 关系产生关联结构
5. 关联产生网络
6. 网络呈现整体智能观。
注: 用最原始的信息冲动,打破所有复杂与枷锁,包括oop,符号,语义,图谱等一切非从本质出发的过时产物;
信息处理流程示图 >>
1. 无序->有序 是神经元的处理部分,有两个重要功能:1. 有序化信息 2. 编号
2. 有序->定义 是thinking中类比规律的结果,其结果是微观集合 //其中cacheLong保证其不错过任何细节
3. 定义->关系 是集合间的类比,其结果是包含、交并集等 //白话,就是集合间的关系
4. 关系->结构 是关系形成的宏观关联网络 //不多存重复数据,用纵向结构抽象重复
5. 结构->网络 是结构间复杂关联,所呈现的网络形态 //此处要再深入思考一下横向关联!!!
6. 网络->智能 是对以上5步的总结,也是thinking与net所形成的互生循环圈,所呈现出的智能能力
网络->智能解析 >>
1. 以实例:1北左 2南左 来思考知识构建所需的时长,以及思维的笨,思维对知识数据的依赖
思考
1. 横向关系可能是不存在的
2. cacheShort可能是微观有序的类比集合
3. cacheLong可能是宏观有序的类比集合
CreateTime 2018.03.17
前言 >>
在创造中,不能相信神奇的事情总会发生,否则颠覆了创造的意义
第一问题:知识表示的坑 >>
在he4o的设计中,我经历了N次知识表示相关的问题,时至今日,整分整的信息处理方式,依然很可能是有致命错误存在的,知识表示相当于设计未来,只有不断的在实践理论间互证,在思想上不断取得根本的突破,才有可能实现;
CreateTime 2018.03.18
前言 >>
定义是一个过程,而不是一个瞬间;知识是动态的,而非一成不变的
1. 在law后,对信息点有了集合node后,其定义模糊,此时关联是最简单的"集合关系";
2. 在与跨域信息进行关联后,其真正的意义才显现标示出来;
注: 定义不等于node,node是一个节点,而定义是一个节点及其关联,在网络中呈现出的意义
四种结构 >>
1. 去重结构
废弃
2. 存储结构
已完成
3. 集合关联
4. 跨域关联
1. 去重结构 >>
将值化data,单独存储,并在网络中仅使用其指针,
处理:代码自动
特征:真正值只被单向读取,不可逆向联想(轴突到树突);
例如:我们要找包含a的单词
例解:可以由a联想出发:a的发音找到awareness a的图形找到as 或 穷举找到abs
2. 存储结构 >>
根据algsDic的key,所呈现的存储目录结构
注:存取目录优化
3. 集合关联 >>
主要作用是类比结果的优化存储和标出基本规律
注:存储空间优化
4. 跨域关联 >>
主要作用是标示意义,是真实意义由模糊呈现出来的过程
注:检索效率优化
示图 >>
旧 >
注: 新的方式在处理信息方面,有很明显的优势;
注: 新的方式将信号处理,去重数据,目录结构,信息拆分(组),信息关联进行了解耦;五种数据技术互相配合,互不影响
总结 >>
1. 本节正式将thinking的功能,分为两个分明的部分,即:信息类比部分和明确定义的意义部分。
2. 本节正式将以动态生静态,改变为以动态生动态
CreateTime 2018.03.20
注: 图为:新三层结构的模型;
注: 图中mindValue在整个构建中有指导意义,从无意义到意义,从模糊到确切,都不可能在无mv的情况下完成
开发细节 >>
1. 类比对象最终都是指针类型的,所以isEqual直接对比指针即可...
2. 而有些node是指向另一个node的,所以只有到了最终"值指针"时,才可以进行isEqual类比值;
3. 明日计划: 回到代码,开发时,忘了意义,由he4o自己在think的处理中,不断的发掘意义;开发时,只作信息处理,构建网络等常规处理
he4o >>
1. 运算10000000000+10000000000只需要一个bool运算
2. he4o与以往技术最大的不同,在于以往都由具象出发,而he4o由最抽象出发,看似没有任何实质意义的系统却是有着最大意义
CreateTime 2018.03.22
信息粒度 >>
小. 神经元输入的信号 dataSource和dataType目录,同时也是最小神经元粒度的存储
中. 在信息任务处理中,自动与非自动完成的边界,是类比的最小集,如abc与bc中的bc为边界粒度 注:这个边界是动态的,随着ai的成长,会变化
大. 类比出的对象间,进行的分析思考为大;
开发任务 >>
1. 值类型目录:作数据去重,值类型单独目录,并读入内存
2. 类比产生集合关联;
3. 类比产生跨域关联;
4. 类比,完成一个定义的从模糊到相对确切的一步;
CreateTime 2018.03.23
Analogy工具类 >>
1. 连续信号中,找重复;(连续也是拆分,多事务处理的)
2. 两条信息中,找交集;
3. 在连续信号的处理中,实时将拆分单信号存储到内存区,并提供可检索等,其形态与最终存硬盘是一致的;
1. he4o仅试图将 "以当下的数据格式为微观,以网络化为宏观" ,
2. 故he4o中的类比(bool运算),是以isEqual或==等方式来运作的;
3. 足够细化到对每个信号作类比操作;(类比到的最基本结果,以供为thinking构建网络的依据,最终是以网络为目的的)
CreateTime 2018.03.27
你永远不知道前额叶为你作了多少事情,大脑是大自然送给我们最好的礼物;
一切宏观的认知,都来自微观的摆弄,自动化的信息处理,每个神经纤维的连接;
自然而然的网络 >>
1. 类比哪些
2. 如何类比
3. 如何根据类比结果为依据构建网络
1. 类比哪些 >>
域内类比(/记录)变化,域外(mv为桥)类比关联
2. 如何类比 >>
在无意义的数据面前,唯一有意义的操作就是类比和记录
当数据为0时:记录,数据不为至少两个时:类比
3. 如何根据类比结果为依据构建网络 >>
在未类比时(初关联),已经在构建了,往后的构建,只是确切化的过程类比结果就是确切化的依据
1. 初次输入只拆分构建
2. 再次输入,则类比,构建更加细化的中间层
拆分thinking.commitInput()方法,按功能块拆成数个方法; !!!(引出dataIn流程)
CreateTime 2018.03.30
简介 >>
代码处理部分(自动化边界),是thinkingControl中真正要写的函数部分;(也是真正自动化可达到的程度)
1. 联想 >>
AreaLight优先联想确切化程度高的数据
解:有效且确切,并且不断强化;强者更强,弱者遗忘;
如:恩的五笔ldn, >>
解A:优先想到的是手指输出记录流,即:打字的动作过程,再转为ldn;
解B:而不是拆字根,但可以主观去改变(如拆字根),主观改变只是改变了索引与联想出发点
问题 >>
一: 如何用微观pointer来表示变化呢? >>
答:变化至少不应单单表示在微观中,变化必然在宏观,而微观是集合形式的表示;在存储结构中,可以尽可能的优化其体积和性能;
二: 如果说,指向微观的kvPointer包含dataType和dataSource两个信息,那么还有几种kvPointer,各包含哪些信息 >>
1. algsDic时,数据只有dataType和dataSource,没有pointerId
2. 当algsDic中某些数据,作为索引到actionControl时,即使未联想到,也会有新构建(有pointerId)
3. 而algsDic中连索引都没当过的那些,则留着,未超过4时,等待当作被类比对象之时,被有效利用并存储
4. 而未被类比的algsDic的那部分直至shortCache超过4时,销毁
5. 顺利成为node的,等待的是用进废退;
注:每条信息,都是优胜劣汰;
三: 决定聪明程度的因素 >>
答:数据吞吐能力 前额叶可同时类比分析的数据量 知识量 网络质量
CreateTime 2018.04.04
1. 回归 >>
代码处理(类比等)回归微观
思维分析回归宏观
2. 体现(繁) >>
微观是指数据中,零散的数据
宏观是指数据集合,定义出的node
开发 >>
1. 用网络记录微观值的变化
废弃,不需要
2. 将微观与宏观思想,集成到AINet中
废弃,不需要
3. 将四种结构集成到AINet中
1. 用网络记录微观值的变化 >>
值还是独立的值,由一条链串起来
废弃,不需要
CreateTime 2018.04.09
宏微的怀疑 >>
1. 大脑是电信号,计算机是0和1,故he4o不需要考虑微观;
2. he4o中的微观只是thinking拆分,如:abcab中的ab
3. 所有信号,从algsDic传入时,称其为微观,但只要thinking对其进行操作,其将变成宏观
4. 所有信号,从algsDic传入时,dt&dy的值为单信号,但只要thinking对其进行操作,其将变成单信号集合;
去重结构的怀疑 >>
1. 如果是信号拆分,例如上例中ab,其实是宏观信号(假微观);其所需的并非自动化去重,而是抽象结构网络
2. 如果是0和1,这种最基本的微观单元,无需去重
假微与跨域 >>
1. 假微:输入字符串:"abcdab",这是一个algsDic也是一个信号;其可拆分,但只在需要时拆分为适当分段
2. 跨域:先输入"abcd"后"aacd",其中cd就是跨域拆分,并结构化
toDoList >>
task
status
1
对各种dataSource的记录;(将mvCharge和mvHunger信号处理后类型分开)
T
2
对各种change,用潜意识流logic串起来;
3
对导致cmv变化的change,进行类比缩小范围;
4
对缩小范围的change用显意识流logic串起来;
5
对全局检索进行优化:分dataType,分dataSource,然后将归纳网络挂到下面
T
6
加上能量值
7
并且将port强度写完善
8
然后将ports默认排序
9
测试一次thinking循环的性能
10
合并deep和shallow
T
11
第二信号传入
T
12
第二信号的input
T
13
第二信号的change
14
形成一个RIN定义如:你好
15
最简单的双词实验:进来 出去
新 > 
