CreateTime 2018.08.02
| 简介 >> |
| 1. he4o可实现各种通用的智能应用,但新生儿不具备复杂的知识 |
| 2. 本节通过演示he4o如何实现一个智能的钟表; |
| 3. 该钟表知道自己一天有三次充电,并且可以通过几天的学习,明确的表达出早餐,午餐,晚餐这样的充电需求; |
| 分析 >> |
| 1. 该钟表有明确的电量mv,还有两个感官,分别为"字符串"和"时间" |
CreateTime 2018.08.03
| 思维控制器流程图 |
 |
| 两次截断 >> |
1 |
2 |
| 思考截断时机 |
ass之前 |
decision时 |
| 截断频次 |
很少,只有专注时如此 |
很多,几乎所有 |
| 代码实践 |
暂不实现,相信代码并行 |
通过cmvCache和energy实现 |
| 工作描述 |
|
非特定思考独立线运行 |
| 运行方式 |
|
被"无目的"激活后,loop,并实时更新cmvCache和energy |
| 代码详情 |
|
loop只是整个ass的递归,(包括assExp和assData) |
| 思维控制器内_循环示图 >> |
 |
CreateTime 2018.08.04
| 简介 >> |
| 1. 决策,并非仅是决策输出,包括思维活动,内心的一些需求,未必需要通过外界表达才可得到解决 |
| 2. 所以本节,主要通过对cmvCache的改版,(重命名为loopCache);的方式来尝试实践中层循环; |
| 思考 >> |
注 |
| 1. 思维无法作为决策者,而是网络; |
所以在死思维上,呈现活思维至关重要 |
| 2. 去重可直接以redis.exist()查询; |
但最好还是以独立模型的方式运作; |
| 3. 需要一个内存网络或模型,来把所有循环的数据合理记录 |
所以cmvCache更名为loopCache |
| 4. 决策是在不同的实现中作选择 |
所以需要一个实时序列的模型; |
| 流程 >> |
| 1. inputMV |
| 2. havMv时,判断havDemand==true时,生成loopModel并加到loopManager.loopCache; |
| 3. noMv时,assData,如果联想到mv,并且根据当前"状态"判定havDemand=true,也加到loopCache |
| 4. loopManger根据实时序列,排出最靠前的loopModel并ass联想思考; |
| 5. 每次思考后,将相关数据附加到对应的loopModel,并递归到下次循环; |
| 6. 判断energy,并refreshOrder;再进入下一轮思考; |
| 模型 >> |
作用 |
说明 |
| 1. 时间衰减 |
维持稳定性 |
懒衰减(refreshOrder前) |
| 2. 实时序列 |
使思维灵活 |
refreshOrder |
| 3. 专注首条 |
仅能针对第一条loopModel作思考 |
|
CreateTime 2018.08.06
| 及时性1:惊 >> |
| 1. 当网络中既有信息产生预测,但并不相符时,产生惊 |
| 2. 惊只是为了让外界input及时获得注意力(loopCache之首);并让思维及时响应当下; |
| 3. 添加各种基础情绪,都能够让he4o获得更加复杂智能的运行,但这并非核心,所以v1界不实现; |
| 及时性2:时间衰减 >> |
| 1. 时间衰减具基础性,所以需优先实现 |
| 及时性3:实时序列 >> |
| 1. 每一次loop前,先refreshLoopCache序列,再取首循环; |
| 持续性1:loopModel.order值叠加 >> |
| 在loopModel中,order值,即是各种联想后,综合各路相关mv加出的值; |
| 持续性2:习惯 > |
| 1. 习惯会作为网络级的长期加强,让长期的任务维持 |
CreateTime 2018.08.06
| 简介 >> |
| 1. 本节通过分析loopModel,来思考思维循环中,这次的重构到底如何进行? |
| 分析 >> |
| 1. 人类并非最正确选择,甚至经常选错; |
| 2. 一个loopModel(demand)并非固定对应x个决策; |
| 3. 决策只是在回顾与预测; |
| 4. 决策再变化,demand不变; |
| 5. 人类在更高且长远的价值需求上,坚持与放弃 |
| 结果 >> |
| 1. 决策是特别依赖网络(经验常识等),且灵活的; |
| 2. 决策与loopModel有明确的界线分隔; |
| 原则 >> |
| 1. loopModel只能通过mv与net交互; |
CreateTime 2018.08.07
| 前言 >> |
| 1. 注:每一次输出,只是决策与预测上的一环;并不意味着结束; |
| 2. 决策与loopManager的交互,(当决策开始执行时,demand即挂起) |
| 两种解决 >> |
| 1. 现实解决是一触即发的;(直接销毁被解决的loopModel) |
2. 但预测解决只是挂起状态; |
| 挂起状态(废弃) >> |
| 1. 决策输出预测解决时,loopModel进入挂起状态，(挂起一段时长) |
| 2. 再由信息变化，比对折射回状态变化。(input与预测进行比对) |
| 3. 如果以cmvNode来比对，那么需要加入时间考虑。 |
4. 挂起一段时长内,不会有心急等情绪; |
| 时间管理 >> |
| 1. 时间衰减 |
| 2. 空档期,执行其它任务(预测挂起时) |
| 3. 长期目标很难制定,但一旦制定就写在net中; (存疑)(注:长期目标规划,暂不考虑实现) |
CreateTime 2018.08.07
| 简介 >> |
| 1. 本节重点思考,在决策与预测中,哪些是重要的,关乎智能内核的,并将其列出; |
| 2. 在mv到思维再到循环决策的过程,这部分,最难的点在于决策需要应对复杂的世界; |
| 思考 >> |
|
| Q1 |
以上哪些是本质核心的?与智能内核息息相关,不可或缺的? |
| A1 |
|
| 为了应对现实世界的复杂 >> |
| 1. 决策阶段仅通过mv影响loopModel |
| 2. 目前同一loopModel同时仅支持一条决策,今后再加;(有一个平衡点,1-3条左右) |
| 3. 决策的执行需要稳定设计 |
| 4. 决策的稳定性体现在为检索限定了方向(索引) |
| 5. 没有挂起状态; |
| loopManager模型示图 >> |
 |
1. 如果目前仅支持首个loopModel执行,且仅同时一条决策; |
| 2. 那么 |
| 3. 每个loopModel是有进度的,哪些进度是定死的模板,哪些进度是活跃的,依赖网络的? |
| 4层4要素 >> |
|
| 1. energy |
决定了思维的活力 |
|
当决策执行中时;energy可短期使思维处于 (静默状态) |
| 2. order |
决定谁排首位 |
| 2. decision_log |
log界定了ass的方向,也从ass状态转向执行状态; |
|
loopModel的一个指针数组; |
| 3. time |
决策希望得到mv变化反馈,此处差一个时间,时序应该有一个时间信息; |
|
临时采用全部1秒制; |
| 明日计划 >> |
status |
| 1. 时间制定,(1念或1秒);从input到前因时序列开始,标记时间; |
|
| 2. 重构decision_log到loopModel; |
|
| 3. 静默状态 |
|
CreateTime 2018.08.10
| 简介 >> |
| 1. he4o中时序过去仅是有序的序列,但在中层循环的设计中,发现时间必不在少 |
| 2. 本节重点思考时间,与时间如何呈现与作用在he4o系统之中... |
| 时间与AI |
|
| 1. 时间的模糊性 |
模糊匹配:时间3和4可以判断相等 |
| 2. 时间的可计算 |
时间是参与到先天运算中的 |
| 3. 时间在时序中 |
时间信息是存储在时序中的,并且就算是抽象,时间也不会被丢失 |
| 4. 时间在网络中 |
时间跟着mv模型,整个的存在网络中,无处不在; |
CreateTime 2018.08.13
| 简介 >> |
1. 决策仅仅是执行网络mv模型,但似乎每一处细节都尽可能的被考虑到;(也有遗陋) |
2. 对整个解决过程进行可行性判断等思考; |
| 3. 决策最先联想到的解决方案往往是抽象的,而每一步要切实执行的却是具象的; |
4. 本节重点思考决策中如何进行具象联想,并具象执行; |
| 正文 >> |
 |
1. 例如:饥饿->吃食物->吃牛排->牛排店->太贵->超市->自己做; |
| 2. 决策时,联想方向总是具象的; |
| 3. 抽象构建,具象使用 |
CreateTime 2018.08.14
| TC架构图 >> |
 |
| 1. 在V1版,从tryOut到dataOut的一些设计都未作深入设计; |
| 2. 本节重点是dataOut_AssConData部分,这部分表示着思维out部分的复杂度 |
3. dataOut_AssConData是中层输出循环的核心执行部分; |
4. dataIn_AssData部分,是中层输入循环的核心执行部分; |
| 5. dataOut_AssConData是预测与创造力的实现部分; |
| 代码 >> |
|
| 1 |
dataIn_AssData可以产生abs;条件:必须是两个cmvModel间的类比 v1暂不实现 |
| 2 |
dataOut_AssConData可以影响到LoopModel.order并实时刷新Demand序列; v1暂不实现 |
| 3 |
dataIn_AssData可以递归自己;条件:energy>0 |
|
dataIn_AssData在本版本中,仅作findDemand用; |
| 4 |
dataOut_AssConData可以递归自己;条件energy>0 |
|
dataOut_AssConData在本版本中,仅作分析具象信息 如匹配早午晚餐 |
CreateTime 2018.08.15
| 简介 >> |
| 1. 目前he4o的整个内核已经开发完成,但在实例上无法体现出太复杂的智能; |
| 2. 思维的循环,需要更加复杂的网络情况,无意外的简单情况,是无法体现出he4o思维循环的作用的; |
| 3. 所以本节,主要通过比充电更加复杂一些的实例,来体现出he4o在dataOut时的思维循环; |
| 实例说明 >> |
| 1. 以简单的信息输入,让he4o先学会eat表示请求充电; |
2. 信息输入变异,输给he4o充毛线,来表示一些预期外的情况; |
3. he4o应当可以考虑到充不一定表示能充上电,也可能表示充不上; |
4. 更加具象的充电两个字,更加明确的表示充电需求的解决; |
| 实例注 >> |
1. he4o可以在此例中,明确的知道充电和充毛线是相反的意思; |
2. he4o可以在此例中,以思维循环的方式,推理充未必表达出正确需求,而充电可以; |
| 分析 >> |
1. 输入充毛线无法直接联想到充+并类比; |
2. 除非循环ass;he4o才可能去理解充0 |
3. 而原本是充+,现改为充0是否意味着,充同时指向两个cmv结果; |
| 明日计划 >> |
| 1. 抽象cmv-和cmv+为cmv0 (不必,充+和充-单独作用于loopModel.order;) |
| 2. 通过对eat,eattrue,eatfalse的实例,让he4o明白eat的意义是确定的,而eattrue才是解决充电问题的最确切表达; |
CreateTime 2018.08.16
| 双向性 >> |
中入循环miloop. 类比输出,构建抽象到网络 |
中出循环moloop. 类比决策,执行具象到现实 |
| mol >> |
特征 |
| 1 |
更合理的具象被执行 |
| 2 |
难点在于用网络知识体系评定可行性 |
|
例如:回家,跨进门是最简单的,但你不在门口,可行性为0; |
|
但如果有了空间传送技术,在门口安一个传送门,则又变得可行; |
| 3 |
从mv目标转换成具象目标,(吃饭,回家等) |
|
例如:具象的具象: |
|
吃饭 -> 1. 吃什么; 2. 去哪吃; 3. 吃多少; |
| 4 |
具象越来越繁多,如何保证评定可行性? |
| MOL分析 >> |
| 1. 整个决策过程，参与运算的是mv，影响运行结果的却是信息。 |
| 2. 如何将数十条数百条信息,与其相关的数百条mv进行融合,并最终评定出可行性? |
3. mv是否可以全权代表信息的意义进行运算影响决策? |
CreateTime 2018.08.22
| 简介 >> |
| he4o中存在着很多双贱合并的情况: |
| 其中mv与信息,分别表示了感性与理性的思维方式; |
| he4o的双贱合并 >> |
| 1. mv-与mv+ |
| 2. mv与信息 |
| 3. 网络与思维 |
| 4. MIL与MOL |
| 5. input与output |
| 6. 抽象与具象 |
| 7. he4o与现实 |
注:所有的双贱合并都是一阴与一阳,一静与一动,一收与一放 |
| 在中层循环中,mv与信息是如何双贱合并的 >> |
| 1. 在中层循环中,是数据决定了下一轮循环思维想什么, |
| 2. 但数据仅能通过mv来决定, |
| 3. 下一轮不仅是想下一个解决方案singleMvPort;也有可能在当前port解决方案上,进行二次思考; |
| 4. 无论是思考的方向,还是思考的能量,还是思考的目标,都是以mv为准的; |
| 5. 而mv的一切关联,又是以数据为规律进行关联的; |
| 注:像mv决定方向,信息决定关联,mv决定结果,信息决定前因时序,等等描述,见此前node;此处不再嗷述 |
| 注:因为现实的不可运算性,mv让现实可运算,信息关联让运算不脱离现实, |
| 注:信息运算是异步组网的,mv运算组网但思维中实时的; |
CreateTime 2018.08.24
| 简介 >> |
|
| 1. 本节要点 |
expModelscore>0时,分析具象方向的outLog的可行性,然后再输出; |
| 2. 白话解释 |
在选定解决方案后,接下来选执行方案,即结合当前的情况状态信息,预演预测接下来要作的事,然后一一进行联想,避免he4o做傻事,同时可体现和增强出he4o的逻辑思考能力;(是he4o逻辑思考的开端) |
| 正文 >> |
|
| 1. 可行性判定 |
判定可行性时,outLog节点优先级更高; |
| 伪代码 >> |
|
| 1 |
mv-时,根据横向找foOrder来找outLog |
| 2 |
或mv-时,根据纵向找conMvNode来找它的foOrder中的outLog; |
| 3 |
给找到的outLog来评定可行性; |
| 4 |
如果找不到,就把最absNode.foOrder.outArr去tryOut(); |
| 5 |
如果找到,且具有非常好的可执行性, |
| 6 |
此方法可能对应1个expModel;并对每个con方向的outLog进行综合评分score,并将最佳的outArr和score传出去; |
| 代码 >> |
|
| 1 |
在assConData()方法中,对执行方案进行综合的具象联想和预测,并综合评出score |
| 质疑 >> |
|
| 1. 情景信息 |
思考情景信息的必要性 |
| 2. cmv基本模型 |
mvModel可以改进,例如无法表示A做才有饭的因果和eat导致+也有-但大多是+ |
|
即,mvModel没那么灵活,模型太固化了; |
CreateTime 2018.08.30
 |
| > 注1: 本图为MOL循环示图; |
| > 注2: 其循环方向与MIL相反; |
| > 注3: MOL的目的是思考到更好的解决方法;(受经验面,思维方式,思维活跃度,mv兴趣度等等影响) |
| 1. mvModel表示当前cmv需求; |
| 2. expModel表示当前解决方案; |
| 3. forder表示当前解决方案仅有一次具象执行方案; |
| 4. absNode表示当前解决方案为抽象节点; |
| 5. con1,con2表示当前abs方案的具象执行方案; |
| 6. tc表示net数据传给thinkControl |
| 7. tc对执行方案进行评价,并决定out或再想想 |
| 8. out后,将outLog附带mvX信息存到shortCache; |
| 9. loop时,再次递归到步骤1; |
| QA >> |
|
| 1 |
如何从数百种执行方案(assConNode)中,找到最合适的进行评价score; |
|
> 第四序列为辅,tc结合当前情景状态干扰Net检索为主; |
| 2 |
三种输出方式(反射,激活,经验)的演化过程;(强化学习过程) |
|
> 1. forder.findOutLog() 2. 从上至下absNode.激活输出(); 3. outLog加上mvX标记; 4. 现实反馈强化执行方案; |
| 三种输出方式 >> |
| 1. 反射输出 : reflexOut |
| 2. 激活输出 : absNode信息无conPorts方向的outPointer信息时,将absNode的宏信息尝试输出; |
| 3. 经验输出 : expOut指在absNode或conPort方向有outPointer信息; |
CreateTime 2018.09.06
-
很多人针对思考问题,会说:反思,预测等等;但这些都太表面了,可以说是个人就能总结这几个;但这些真的是对的吗?所有的行为都有反思吗?所有的行动都有预测吗?显然不够深入本质的想法,都是不够严谨且漏洞百出的;
-
那么再深入本质,真正最简的设计到底是怎样的呢?这些最简,又如何保证了,有时有反思,有时有三思,有时有冲动,有时有各种各样的决策方式思维方式;
-
哪些是每个人的思维都固定的死的东西?哪些是变化的?哪些又是死的?死与活如何相辅相成,宏微如何一体;
| 简介 >> |
| 1. 宏微一体 |
| 2. 死的关键点,活的循环 |
| 3. 中层循环->具象 & 输出 |
| 目前架构 >> |
|
| 本节示图 >> |
 |
| 比如,人类饿了,会想到去冰箱取吃的;这个例子中:你的整个思维过程是怎样的,有几个关键点;如图; |
| 1. 红色的四个点是关键点, |
| 2. 目标是从左右串到右边; |
| 3. 黄色是人类大脑的完美的连续结构化方式; |
| 4. 绿色是he4o要实现的方式; |
| 问题是:"如何在这个需求下,实现宏观一体性"; |
| 怀疑 >> |
| 1. 这种自信心不足,不够本质,我怀疑85%正确率,我需要找到更加佐证的,例如与其它更核心的理论有必然的关系;或者与人类某些行为或思维有些非常相似的地方; |
| 2. 循环是对的,具象化思维也是对的,mv的需求到联想经验,也是对的,评价mv到思维控制器,这个其实是很死的代码,算是微观层面;而最终影响到决策和行为,算是宏观层面;;;这么说起来,又好像整个图是对的,但我觉得肯定有错误的,我没想明白的,因为这图,不像最简设计;我要的是最简; |
| 目前做法 >> |
|
| 1. 四点 |
he4o目前的四个关键点是: |
|
1. 联想mv经验 |
|
2. 联想抽象到具象解决方案, |
|
3. 综合评价, |
|
4. 尝试输出; |
| 2. 双线 |
而有着双线在串这四个关键点,不是单线串;双线分别是: |
|
1. "抽象方向(无经历,有经验(有明确的网络指引);" |
|
2. "具象方向(有解决经历)"; |
| 四点 >> |
| 1. 联想cmv |
| 2. mv到数据层的转化 |
| 3. 对数据层的思考 |
| 4. 输出 |
//MARK:===============================================================
//MARK: < dataOut (回归具象之旅) >
//MARK:
//MARK: 说明: 在he4o内核的决策中,he4o经历了5个关键节点;
//MARK: 1. mv需求(input或其它状态触发)
//MARK: 2. mv经验查找(从网络索引找)
//MARK: 3. 经验模型(从网络关联找)
//MARK: 4. 执行方案(从网络具体经历单位找(时序等))
//MARK: 5. 正式输出(这里会用到小脑,helix未实现小脑网络);
//MARK: 总结: 这整个过程算是he4o的具象之旅,也是output循环的几个关键节点
//MARK:===============================================================
CreateTime 2018.09.18
| 前言 >> |
|
| 例如: |
A去买菜,B说请馆子,A放弃买菜 |
| 例如: |
A要买菜,B说请馆子,A没反应过来,继续买菜 |
|
以上例子,说明以mv遍历当前所有行为是不可能的,而直接以mv的方式单纯进行行为的召回也是不严谨的 |
|
mv可以直接改变当前需求,但当前需求也许已经分解或者具化,具化后,有了新的分解mv; |
|
所以就有了上例,A在被请馆子后,依然要完成买菜的任务,因为他一下子没反应过来;(未加思考到的区域) |
| 两类 >> |
|
| 1 |
直接mv对应的,进行失效处理 |
| 2 |
间接mv对应的,逻辑想到则失效,未想到则继续保持 |
CreateTime 2018.09.21
|
|
|
| 1 |
getTargetTypeWithAlgsType |
增加mv方向判断 |
| 2 |
算法扩展 |
|
| 3 |
|
|
CreateTime 2018.09.29
| 简介 >> |
| Q1:组分索引,的组指针,可否在类比时展开再类比? |
| Q2:组分的相对性,没有体现在索引中 > 即组的组; |
| 问题1: 组分索引,的组指针,可否在类比时展开再类比? |
| 1. 可拆分类比,不然abs(ab)和abs(bc)间的共同点将找不到; |
| 2. 不可拆分类比,不然像abs(人类)这样的节点得拆分多少信息出来? |
| A. 选第一种,因为第二种,其实只会有很少信息表示人类,其它全在具象节点中; |
| A. 选第一种,因为如果不可拆分,将会有组的组的组这样的无限嵌套,影响数据熵减; |
| 问题2: 组分的相对性,没有体现在索引中 > 即组的组; |
| A. 不需要组的组,只需要index和absIndex两个索引就够了; |
| 进度 >> |
模块 |
完成度(五星) |
| 1 |
类比 |
***** |
| 2 |
宏微 |
***** |
| 3 |
相对 |
***** |
| 4 |
规律 |
***** |
| 5 |
抽象 |
***** |
| 6 |
网络 |
***** |
| 7 |
mv |
***** |
| 8 |
循环 |
***** |
| 9 |
output |
***** |
| 10 |
测试 |
*** |
| 11 |
BUG |
**** |
CreateTime 2018.10.20
| 前言 >> |
|
| 1 |
在原子层面的微小,快速,将不稳定封固在这个维度中; |
| 2 |
细胞维度的稳定且规律,且可以互相交互协作,但单体简单,变化复杂度不足够,也无法应对长时间变化; |
| 3 |
人类维度的单体复杂度,细胞到人类的宏微一体性; |
| 4 |
星球维度的稳定且规律,时间跨度最大,相互作用力非常稳定的周期性;变化复杂度不足够; |
| 猜测 >> |
|
| 1 |
在足够多的规律及熵减环境下 |
| 2 |
信息的传递在适当的维度下,有足够的熵增,也有足够的熵减; |
| 3 |
再加上时间 |
| 4 |
便可以孕育出智能体 (螺旋熵减机) |
| 关键点 >> |
|
| 1 |
复杂多变的环境 (熵增熵减足够多的环境) |
| 2 |
时间 |
| 3 |
多重熵减机融合; |
| 4 |
因为这个世界是熵增的,所以"相对"智能体是螺旋熵减机 |
| 5 |
要在充满不确定性的世界活下来,所以熵减处理至关重要 |
| 6 |
熵增为大,熵减为小 |
| 7 |
熵增包容熵减 |
| 8 |
熵增无限永远存在,熵减适者生存 |
| 9 |
熵增如空间,熵减如物质,一者与时间互成一体,而熵减则对抗时间而存在 |
| BUG |
DESC |
STATUS |
| 1 |
mv的direction索引,索引不到absNode上...老是索引到foNode上 |
T |
| 2 |
mv的direction中,filter取反了;应该是从小到大排序; |
T |
| 3 |
测试outLog的入cmvModel流程,并测试assExpOut找到相关经验,用以决策输出; |
T |
| 4 |
当dataIn一个cmv时,将mvCache中失效的,去掉; |
T |
| 5 |
警告!!! bug:在第二序列的ports中发现了两次port目标___pointerId为:x,,序列重复bug |
T (再观察) |
| 6 |
多次outLog在foOrderNode中,无法完成抽象; |
T |
|
导致的后果:不抽象强度序列无法排到前面 |
T |
|
原因及解决:sames只根据mv联想,而未根据value联想 |
T |
| TODO |
TASK |
STATUS |
| 1 |
考虑删掉,cmvModel;直接类似abs这种,互相指向...(更简单) |
T |
| 2 |
测试 : 逻辑思维; |
|
| 3 |
考虑将输入索引和输出索引合并 |
T |
| 4 |
inputLoop或在dataOut时,也应有构建网络的操作; |
T |
| 5 |
测试 : 多次outLog在foOrderNode中,无法完成抽象; |
T |
| 6 |
补全一些基本的神经网络可视化调用 (抽象前中后,ExpOut经验过程) |
T |
| 7 |
加强最后一次解决问题,强化的效果 |
T (目前仅对激活加强,解决问题的全过程不加强) |
| 8 |
大量mv抽具象关联strong.value=0的bug |
T |
