小鸟生存演示1-场景/祖母/MIL/MOL/内类比
演示步骤 >>
讲一只乌鸦带给我们的启示原文
讲小鼠,小鸟与人类大脑的结构相似
讲he4o在"小鸟生存演示"的实现
CreateTime 2018.10.22
“小鸟生存演示”的简要说明：>>
1. 有一位纽约大学的教授，他每天下班路过一条路。
2. 然后路边有一些坚果树，树长大了，开始结果子。
3. 有一天来了几只乌鸦。
4. 乌鸦把路边树上掉落破了壳的坚果肉吃了。
5. 再有一次下班，他看到乌鸦停在十字路口的电线上，把因没破壳而吃不到的坚果扔到路面上。
6. 等绿灯时，车流把坚果皮被压破。
7. 再等红灯，汽流停下时，乌鸦就乘机飞到路上吃被汽车压破的坚果肉。
> 这是一个真实的故事，小鸟表现出了认知、学习、思考、分析、联想、需求、决策与行动等等智能体现。同时这位教授说：目前AI七十年来，全球范围内所有的科学家学者等，无人能解此题。所以他写了一篇文章：呼吁大家，来搞一个乌鸦启示的演示程序，用真正的AGI角度来解决这个问题。
简介 >>
以小鸟生存为例,设计一个类似而适用于he的演示示例;
体现出he完全自主的智能。感知、认知、推理、学习、和执行;
拆解思考 >>
status
1
食物欲望
true
2
无法直接获取食物
3
观察可获取的间接方式
4
间接方式导致危险
5
对危险的恐惧及避开方式
6
难点在于,乌鸦仅有一条生命,一次机会
7
后天对于撞击的疼痛,产生恐惧 (与一定相对速度物体撞击的距离感知,产生恐惧mv)
8
乌鸦对于撞击的预测
代码实现 >>
1
以游戏的方式来达成智能演示
2
乌鸦学会移动自己 (速度min-max)
3
乌鸦对游戏场景的信息输入 (伪视觉)
4
对场景中移动物体的视觉算法处理
CreateTime 2018.11.08
成长期步骤 >>
1
学习进食
2
学习飞行
3
学习碰撞疼痛
4
...
生存期 >>
1
看到坚果
2
看到公路
3
看到车辆
4
看到信号灯
5
看到车辆的行驶停止
6
看到车辆碾压坚果
其它 >>
1_注意
he4o并不具备独立成熟的小脑网络,所以小鸟要尽量依赖思考,不要依赖行动
2_难点
he4o在"mv基本模型"中,对于时间间隔的信息是不够的,是否添加上? (曾这么做过)
3_难点
speed信息的变化->对应mv疼痛的变化; 此时信息变化不再是单独的值,而是抽象成方向;
CreateTime 2018.11.12
示图 >>
1. 汽车从左向右行驶在道路上;
2. 红灯停,绿灯行;
3. 坚果树向下掉落带壳坚果;
4. 掉到公路上的坚果,会被汽车压掉壳;
CreateTime 2018.11.13
1. 设置投喂按钮,用户做为鸟妈妈投食;
2. 小鸟在吃的时候看到坚果,并吃掉坚果;
示图 >>
1. 直投负责将食物直接喂食给小鸟;
2. 乱投负责将食物投到指定位置;
3. 小鸟在此场景内,需要学会进食、飞行、撞击的疼痛感。
CreateTime 2018.11.13
简介 >>
在本演示中,小鸟采用伪视觉
小鸟可以看到二维场景中的几个物体,如Car,Load,Food,Light
视觉算法 >>
desc
1
大小
size
2
颜色
color
3
形状(圆角)
radius
4
相对位置
origin
视觉对象的位置,是相对小鸟而言的
5
相对速度
speed
视觉对象的速度,是相对小鸟而言的;速度由两桢位置算出
CreateTime 2018.11.16
开发过程 (视觉) >>
1
为小鸟创建场景
2
为小鸟创建输出反射
如:飞行,吸吮反射
3
为小鸟创建信号输入
如:视觉等
4
扩展视觉算法
size,color,radius,origin,speed等
5
扩展视觉算法结果模型
6
将算法结果生成模型,并传递给input
开发过程 (学吃飞) >>
1
以某条件触发先天反射,做出最简单的反应; (如吸吮,扇翅膀)
2
将反射后,导致的结果信号传回给he;
3
he自己从中学会吃或飞的抽象;
4
he通过主动的方式来吃或飞;
QuestionTemplete 1 >>
问题场景:
在birdView下写了eat();并让growPage投喂后调用bird.eat();
问题描述:
此处需要把吃掉的信号传达给he,否则he是无法理解吃的;
问题分析:
以代码调用的方式是错误的,此处虽然写了eat方法,但eat并不能代劳,eat这件事必须让he自己来做;
解决思路:
让he以吸吮反射的方式,去主动吃;并将out入网,以抽象出"吃"的节点;
解决方式:
1. 在eat()中以某种刺激来引发he的反射;
2. 反射后开吃 (he主动调用eat());
3. eat()中, 销毁food,并将产生的mv传回给he;
代码步骤:
1. 定义一个reactorIdentifier反射标识 (作dS后辍,构建到网络中)
2. 调用ReactorControl.commitReactor(),选择性传入runBlock
3. 或使用output.delegate = self; (参考代码段A)
4. 在回调中,判断reactorId,并做出相应肢体反应;
代码步骤(重构后):
1. 定义一个rds作为dataSource标识入网 (如下:EAT_RDS)
2. 调用ReactorControl.commitReactor()
3. 接收广播,并做出相应肢体反应; (参考代码段B)
// 代码段A// #define EAT_REACTORID @"eatReactorId" //吸吮反射标识// [Output sharedInstance].delegate = self;// // /**// * MARK:--------------------OutputDelegate--------------------// */// -(void)output_Reactor:(NSString *)reactorId paramNum:(NSNumber *)paramNum{// if ([EAT_REACTORID isEqualToString:reactorId]) {// NSLog(@"反射执行");// }// }// 代码段B// #define EAT_RDS @"EAT_RDS" //吸吮反射标识// // //MARK:===============================================================// //MARK: < outputObserver >// //MARK:===============================================================// -(void) outputObserver:(NSNotification*)notification{// if (notification) {// //1. 取数据// NSDictionary *obj = DICTOOK(notification.object);// NSString *rds = STRTOOK([obj objectForKey:@"rds"]);// NSNumber *paramNum = NUMTOOK([obj objectForKey:@"paramNum"]);// // //2. 吸吮反射// if ([EAT_RDS isEqualToString:rds]) {// [self eat:[paramNum floatValue]];// }// }// }
CreateTime 2018.11.27
接上 >>
(n15p6二次开发2)
1
小鸟可以根据扇翅膀反射,来学会主动飞行
2
以此可以解决小鸟的移动,与坚果距离,与汽车相对速度,坚果搬运等问题
toDoList >>
status
1
测试小鸟可以根据视觉等信息来做,能吃到与否的原因分析;(距离或坚果状态)
瞬时记忆优化 >>
Q1
TC对algsModel的应对量 小鸟视觉算法出量大的问题
1. 增加瞬时记忆序列长度,则性能下降;
与长度无关
2. 减少瞬时记忆序列长度,则认知基础下降;
与长度无关
A1
在保证序列长度8的同时,增加信息处理的组;
由mv为始,向前8个,发现有组,则组为1个长度
是祖母组,而不是时序组
即7个+1组=8 长度不变
以此类推,来推进认知的更广与更深
参考
代码段:以组替分;
//以组替分 >>
//因algsArr.lengeh > 8;
//所以,需要对algsArr中的元素,进行实时的联想,并将已抽象的微信息取回,来以组替分;
//TODOTMR: (2,5) 以组替分
//1. convert2Pointer; (已经ok)
//2. checkConvertAbsPointer; (节约瞬时记忆占用长度,同时为认知升级提供部分支撑)
//3. assData; (对dataIn_AssociativeData()方法进行拆分重构;先不搞)
//4. assMv; (对dataIn_AssociativeData()方法进行拆分重构;先不搞)
//5. ThinkingUtils.analogyOrdersA()方法,扩展对"微信息"信息本身的类比,而非只是pointer;
CreateTime 2018.12.03
方案1:分层 >>
1. 第一层 (数据量大,到网络识别后,转化为节点,并存为瞬时记忆的item)
2. 第二层 (第一层与第二层,是否分开?)
3. 如果分开? 那么第二层其实就是瞬时记忆层;
4. 如果不分开? 那么美女是否导致像素点变灰?
方案2:不限 >>
1
放开算法带宽的控制 (由8条改为不限)
2
放开瞬时记忆由8条以内存容量和时间限制 (时间用redis自动,容量以后再限)
问题:
如果瞬时记忆不限条,导致的性能问题?
难点1
一切祖母节点,终将回归网络才有意义,所以无法独立取出来限制条数;
矛盾1
想限制条数,但又无法独立出网络的去限制;
难点2
算法result数据的快速收敛过程;
矛盾2
收敛而保留有用信息;
难点3
保证收敛前,根据一堆微信息检索到足够正确的祖母节点
再以此祖母节点,进行mv,而不是微信息直接到mv;
方案3:不变 >>
现状
因为对"算法值"数据,并不支持并行类比;
现状
input输出的数据是巨量的,但"算法值"却是有限的
单次联想的索引
联合索引,模糊索引
联合索引实例
花生的形状联想到蝴蝶结 (对称 双 曲线)
模糊索引
暂不支持,或此命题不成立; (因为一切模糊到微观总是确定的,而索引正是在处理微观)
索引的现状
目前"算法值"是单一的 (没有一堆值,作为同一结果)
索引现状导致的问题
目前无需使用联合索引,但单值索引,运行方式上是相通的
多次联想的协作
明明有多个索引,为什么要for一个个来呢
多次协作举例
花生形状指向花生和蝴蝶结,但再�联想花生颜色则结果明确指向花生
多次协作代码
dataIn_AssociativeData(arr){for in arr;}
toDo
将算法值位宽扩到16
toDo
在认知函数dataIn_AssociativeData()中,写多次联想协作支持
算法结果的多次协作 >>
转n15p9
1
algsArr的多个元素,同在一组; 先天一
2
algsArr组会构建到网络中; 后天一
举例
颜色不止是色值,也不止是视觉的颜色,而是某个algsArr组节点的颜色
说明
只有有了组的概念后,才能有多次联想的协作;
思考
algsArr组,能否作为瞬时记忆的一个元素存在?
n15p9 AlgNode前_算法结果(algsArr)的迭代 CreateTime 2018.12.06
简介 >>
1. 在视觉算法实践中,发现以往内核不支持的一些点,进行迭代支持;
2. 如:单个算法结果,到一组算法结果; 在mv基本模型之前,便支持的网络结构 不依赖类比构建的抽具象模型
步骤 >>
1
algsArr中元素进行装索引,各生成抽象节点;
2
再根据algsArr生成的所有抽象节点,打包生成具象节点 (算法结果组节点);
开发步骤 >>
1
复用原来的AbsNode和Node类 (�或在基础上改一个无cmv_p的node出来 )
Q1
absAlgNode去重问题? (absAlgsNode的复用问题)
A1
//algNode & absAlgNode伪代码;
absAlgNode {
pointer ;
conPorts ;
value_p ;//算法结果的微信息
}
algNode {
pointer ;
absPorts ;
values_p ;
}
CreateTime 2018.12.10
注: algTypeNode表示:(algNode&absAlgNode)
注: foTypeNode表示:(foNode&absFoNode)
大脑网络 >>
问题1: algTypeNode是否可以和foTypeNode构建到一个索引序列?
1. algTypeNode不需要像foTypeNode那样灵活的类比抽象
2. algTypeNode相对先天些,foTypeNode相对后天些; 如颜色的后天概念和先天视觉色
注: 整个过程,更加完善的认知循环
相似物体的判定 >>
1
算法上有相似性的物体,会有着共同的抽象,但它们未必是同一物体;
2
举例: 流水线,汽车进去,出来苹果,人们会以为汽车变成了苹果;
3
演示中例子: 带皮和不带皮的坚果; 绿信号灯和红信号灯;
4
结论: 相似物品只能当两个algNode来处理,但absAlgNode的抽象共同点也是存在的;
小脑网络 >>
结构
非时序的组合输出网络
使用
大脑时序调用小脑
conAlgNode模型 >>
n15p11 AlgNode后_索引迭代 reference入网/algNode替代reference CreateTime 2018.12.18
1. 不再需要reference
2. 需要将pointer序列和强度序列,写到node中
3. 引用序列入网的意义:结构化相对序列的优势 防止大量的组微信息以网络中匹配适可而止来优化io性能 对多个皮层算法协同时结果的保真
注: 更加完善的组分循环; (algNode组,fo分)
例: 吃发红的水果会饱; 什么是吃?(时序)发红?(absAlgNode类比再具象)的水果?(..)会饱?(mv基本模型)
assData迭代 >>
旧模型
1. 旧模型的引用序列,对assData联想起到重要作用;(取前两个)
新模型
问题:参数问题A
问题A >>
发现问题:
新模型下的assData如何完成识别联想过程?
看到的algNode具象节点后,联想到后天祖母节点;
收集信息:
1. 以algNode为索引进行联想;
2. 联想中以absAlgNode为依据;在网络中点亮与此符合的目标祖母节点;
3. 但有时,多次或不同分区信息组成一个祖母细胞。
思考本质:
在于algNode的不灵活,与祖母细胞的灵活问题
所以这应该是一个algNode的灵活化,后天化问题
解决方案:
1. 去掉algNode，因为未定义前，它没意义。
2. 不删algNode,而是改进，支持后天思考联想到。algNode就是祖母细胞。
3. algNode去重的思路用于联想匹配问题。
解决步骤:
把方案工程可实现化的思考
代码步骤:
把工程步骤与系统架构进行整合思考
代码实践:
把代码写出来
1. 左侧为alg区模型
2. 右侧为fo区模型
3. 把alg区适当中止,并交付给fo区进行处理;例如发现mv后联想,类比,抽象
4. 决定: 祖母抽象还在fo区完成;
注Q: 为什么说吃抽象水果,而不是吃抽象颜色?
注A: fo中抽象出水果,是在时序中的,而颜色仅在alg区作为抽象指向存在;只能表示是;
toDoList >>
status
1. 写convertAlgTypeNode()
T
2. 使dataIn_AssociativeData()中的assData&assMv支持algTypeNode;
T
3. ThinkingUtils.analogyOrdersA(),扩展"微信息"类比,而非只pointer;支持类比构建新conAlgNode 而非只absFoNode 参考algNode演化图
T
4. 单组临时存在,并在处理后,丢失一些细节; (将指向明确的,进行存瞬时记忆为一组);
以algTypeNode的方式不会丢失细节,瞬时记忆存conAlgNode
5. -(void) dataIn:(NSObject*)algsModel装箱后,对algNode改动支持
T
6. 写dataIn_ConvertAlgNode();
T
7. conAlgNode不直接指向"索引中微信息",而是依赖absPorts中的absAlgNode来取信息;
T(删除conAlgNode.values_p)
8. 联想algNode_p的引用而不是取algsArr的reference序列;
T
9. 将conFo的微信息get&set Reference重构为order中使用algNode_p
T
10. 将absFo的组微信息也改用order中algNode_p;
T
11. ThinkingUtils.analogyOrdersA的两个block;判断能量值&构建祖母
T
AlgNode演化图 >>
1. 树叶为absAlgNode
2. 树干为conAlgNode
3. 树叶为后天类比后动态形成的algNode
n15p12 使用AlgNode构建归纳抽具象网络 CreateTime 2018.12.28
TODOLIST >>
1
把单信息的absAlgNode删除,conAlgNode中改用value_ps
T
2
在AIPort中加header字段,以{value_pId1+value_pId2...}来组成
Tmd5
3
如何知道algA或algB是否已经有了匹配algSames的抽象节点;
T(用header)
4
存单header序列,还是将header存在每一个absPort里;
T(存每个port)
5
在netUtils中写convertValue_psToHeader(){value_ps2str2md5;}
T
6
createAbsAlgNode & AIAbsManager.create 重构相同逻辑部分
algNode网络的必要性 >>
1. reference迭代为algNode静态信息网络的方式是有必要的,因为序列越来越大,会远超1G
2. algNode间的关系并非单模型注:node是单模型,所以带强度关联的网络化是必要的;
新网络与TC的交互 >>
1. 合适使用循环与更加活跃的思维,可以在内心构建更加丰富的祖母细胞与解决问题的方案思考;
识别祖母 >>
1. 绝对匹配
认出苹果 依header作绝对匹配;
2. 局部匹配
蛇咬怕绳 依引用强度前3,做最大计数匹配;
另: 适当模糊范围
使其可匹配 如:男认1种红色,与女认n种红色 如:陌生人是人类 a=9,b=2,c=10->a更接近模糊=c
在value层模糊%5 (先天,性能优化避免频繁构建变化相关节点) 且 在algNode层模糊%10 (后天:后天训练,网络结构决定)
CreateTime 2019.01.07
QA >>
Q1
output的微信息是否要装到algNode再被fo引用;90%应该被装到alg
A1
应该使用algNode,因为如"eat"是祖母输出;
已完成
Q2
耳朵声音输入,与嘴巴发音,或钢琴发音的输出学习;
A2
对于输出的不断修正,以将输出时的一系列参数,记录到小脑网络;
暂不做
明日计划 >>
1. 通过非近身投喂,小鸟视觉看到坚果,并联想到吃;
2. 通过虚拟饿的按钮来,设立需求,并决策到吃坚果的执行方案;
3. 通过虚拟刺激按钮,来触发扇翅膀反射,并学习主动飞行对于相对距离的影响; 距离微信息的值大小对比
4. 通过飞行来解决移动到食物;
5. 并且根据决策行为主动吃掉;
注: 扇翅膀反射使用类似人类抓握反射的机制来触发;
1. 小鸟在飞行过程中对于其它物体的碰撞,产生疼痛,并且以此来影响到飞行决策行为;
2. 我们要做:模拟物理碰撞 扩展疼痛值mv
BUG >>
STATUS
1. mv的抽象未指定header;
2. mv的抽象默认strong = 0;
3. conMVNode.strong很轻易达到19;而absMVNode则达到38;
n15p14 自动训练机 & 联想的相对 & 小脑网络 CreateTime 2019.01.18 暂时不做
自动训练机 >>
1. 类似脚本的步骤;
2. 一步步,调用小鸟演示的某方法;
3. 一步步,打出执行日志;
4. 递归执行; (回调执行或延时下一步)
单步训练模型 >>
1. 类名,方法名,参数,延时,日志;
2. 执行,返回值;
联想的相对 >>
方案一 意识流方案 投票:20%
1
代码为:一个时间序列
2
销毁策略为:时间密度 & 容量限制
3
使用原则: 不可穿透到硬盘操作
4
采用缓存组件: 依然使用xgRedis
5
使用方式: 联想时,先进行意识流联想,后进行net联想
方案二 双序列方案 投票:80%
1
一个强度积累序列 强度序列,一个更新时间序列 时间序列
2
关于强度序列与时间序列,综合排名的问题,本质上是中和问题
小脑网络 >>
1
猜想: 小脑网络可能是仅有时序,而没有mv的网络
2
所以,小脑部分是脱离了意识的;
3
小脑部分,仅有fo的根部,连接到了大脑的mv基本模型;
4
所以,大脑可以控制小脑进行主动输出,但对小脑的细节,却无法知悉;
CreateTime 2019.01.19
# 调试步骤:
马上饿 -> 需求 -> 空吃 -> 根据fo知道自己差坚果 ->
乱投坚果 -> 吃需求 (状态饿 )-> 空吃 -> 根据fo类比发现 ,坚果距离过远 ->
摸翅膀 -> 飞行 -> 视觉发现坚果距离变化 -> 主动飞行 -> 发现飞行与距离变化的规律 ->
# 发现问题 :
1. `直投 `-> 吸吮反射 -> 吃 -> 学会吃 -> `马上饿 `-> 需求 -> 空吃 -> (没吃到的原因 :没坚果 )
2. 乱投 -> 空吃 (不是不该吃 ,而是没吃到 )-> (分析没吃到的原因 :太远 )
# 收集信息 :
1. 吃坚果fo (坚果 ,吃 )
2. 没吃到fo (远坚果 ,吃 )
3. 没的吃fo (吃 )
例: "吃坚果fo" 类比 "没吃到fo" 需要得到距离delta的问题 ;(或只需要大于小于 )
例 : "吃坚果fo" 类比 "没的吃fo" 需要得到缺条件坚果的问题 ;
//A1: 瞬时记忆处理逻辑的迭代
//Q1: 90%不需要迭代
//A2: `in类比sames` 与 `out类比sub(缺什么/渗透到algNode和微信息)`;
//Q2: 把决策中foOrder的类比出 `缺的条件与行为`; (随后写)
//A3: 在可预测的行为执行中(如正在飞行去坚果处),此时的mvCache状态如何处理;
//Q3: 预测本质上就是mv基本模型,给行为方案一个状态,来挂起mvCache;
//A4: mvCacheManager是否仅存一条需求;
//Q4: 先做挂起,然后逐步完善为仅存一条; (实时删,实时加)
//A5: TC295行updateCMVCache(),在mvCache有饿的需求时,乱投坚果,导致望梅止渴的bug;
//Q5: 先判断条件满足,只需要输出行为,即输出行为,然后可去掉此mvCache;
//A6: TC525行调用dataOut_TryOut()返回值,对mv无效时的判定及处理;
//Q6: 无法直接判定,可走预测方式,参见问题3;
TODOLIST >>
STATUS
1. 关于微信息大小的对比; a对比b=delta
2. out类比sub() 参考A2
转变为alg的diff问题,再转变为ass具象问题
3. 可预测行为执行中,对mvCache进行挂起;
4. 每次mvCache挂起时,我们仅需要对小脑输出进行处理
5. 微信息A=5->out_p飞行->微信息A=6,因输出而A5变A6如何建索引;
以学习解决决策问题,参考占位规律;
6. 决策中,动静态网络的支持;
T
占位规律 >>
1. 抽象时不可丢失数据完整性; 如:吃苹果 与 吃水果 如: 距离5 与 距离{x}
2. 在原先的analogyOrdersA()上改,原先mv反方向的不得作为assFoNode进行类比
示例: abcde3 类比 abcde8 得出最后一位3与8不一样的占位规律; (不同)
示例: 1abcdef 类比 1hijklm 得出第一位都是1的sames规律; (相同)
回归小鸟示例: 坚果A距离与坚果B距离->抽象出坚果{距离}
回归小鸟示例: 坚果{x}距离与汽车A距离->抽象出{物体}{距离}
示例: a{距离} 类比 b{距离} 得出距离前不一样的占位规律; (不同)
>> 找相同 与 找不同 的矛盾问题 >>
1. 构建时->更准确->动态找相同sames->面向fo时序
2. 使用时->不丢失关键细节->静态找不同diff->面向alg祖母
注: 此处矛盾不存在,只需要找sames即可,diff可通过联想具象来解决;
注: 对于如何找两个祖母的diff,两者有可能为纵向关联,或横向同一层等等;
/**
* MARK:--------------------类比相减 得出解决方案的条件判定--------------------
* 1. 对当前解决方案的时序信息expOrder,与当前已有的条件checkOrder进行类比;
* 2. 将未能达到的条件,进行checkAlgNode,并进行联想解决方式; (微信息a=1,飞行,微信息a=2);
* 3. 直到所有的条件,都可以转换为out行为时;返回true;
* 4. 当中途有一个canAss为false时,则整体失败,返回false;
* 5. 当中途有一个条件无法转换为out行为时,则整体失败,返回false;
* 注: 此方法已由"内类比"方法代替;
* 注: 实时类比,来作条件判定是不现实的,所以我们通过内类比来提前构建网络;
*/
+(BOOL ) analogySubWithExpOrder :(NSArray *)expOrder
checkOrder :(NSArray *)checkOrder
canAss :(BOOL (^)())canAssBlock
checkAlgNode :(BOOL (^)(NSArray * algSames ,AIAlgNode *algA ,AIAlgNode *algB ))checkAlgNodeBlock {
return false ;
}
迭代决策架构 >>
优先方向
命名
1. 经验方案找mv,以方向来强度序列找
抽象优先
mvScheme
2. 解决方案找foNode时,可以在抽象中找
抽象优先
foScheme
3. 执行方案找祖母条件,要找出差什么条件,并转化成行为方案来解决
具象优先
algScheme
4. 行为方案,难点在于执行后,产生变化的信息被再次输入到思维控制器
具象优先
actionScheme
决策中时序与祖母的协作 >>
1. 抽象fo吃食物 有4个具象fo
2. 有毫无关系的躲避汽车foNode (改变距离)
3. 我们需要从吃食物的决策中,找到具体要执行什么,甚至找到飞过去这样未经历无关联的执行;
思考与问题 >>
思考1
aiThinkIn_CommitMvNode:中mvNode是否需要保留到demandManager;
思考2
学习时 & 决策时,静态网 & 动态网,哪些找相同,哪些找不同;
认知学,找相同 (含静态&动态网)
决策用,找不同 (静态网判定条件的不同,并行动改掉 & 动态网对新祖母条件进行追加评价)
Q1
与现实世界的交互;
A1
目前做法: 可通过内存out模型的方式来解决
A2
以后改进: 以后必须再回归到网络中,而不是太多模型
Q2
alg引用fo的问题;
A2
实则是alg与fo的协作问题,参考上图 手画图;
Q3
难点: 条件的行为化 (祖母时序化); 将祖母变为isOut执行
A3
如: 条件饭变为做饭,条件做变为厨房 条件厨房变为回家 条件回家变为打车 所以:我们看到自己饭时候,反而去打车
Q4
吃饭没饭时,饭为条件,到alg联想fo得到饭的方法,是做饭,而非吃饭,为什么?
A4
本质上是得到 失去的问题,时序中相关细节信息的缺失;
"决策用"中fo与alg间相对与循环 >>
1. fo中 吃饭 的条件 饭 在alg中找具象;
2. 根据饭找到面
3. 根据面找到fo中 做面吃 (不对,fo的抽具象不能依赖alg的抽具象)
原则: fo作为思维操作的单元,要优先从fo的抽象向具象方向找解决方案 但是可能会做没做过的螃蟹
fo需要静态alg网的支撑,如条件的判定
即: 先从fo选择具象方案 做饭 或 下馆子
再: 从alg选择具象祖母 做什么饭 下哪个馆子 下馆子吃什么
原则: fo为用,alg为体,决策中,alg甚至可以构建创造力新的fo;
原则: fo和alg的抽具象仅能依赖自己;
原则: fo的alg元素algA,被conAlgA替代时,先构建到网络; 如:吃饭替换为吃螃蟹时,吃螃蟹被构建或加强
//ThinkOut部分笔记留备
//6. foScheme (联想"解决经验"对应的cmvNode & 联想具象数据,并取到决策关键信息;(可行性判定))
//1. 从抽象方向找到fo节点;
//2. 评价fo节点;
//3. 筛选出out_ps和 "条件"
//4. 注: 目前条件为"视觉看到的坚果" (已抽象的,如无距离)
//5. 难点: 在于如何去满足这个条件;
//6. 在外界去找到"条件";
//明日计划;
//1. 从抽象方向开始找foNode (而不是当前的具象方向);
//2. 对找到的absFoNode装成outFoModel & 对条件进行判定;
//明日计划;//20190131
//1. 找到抽象foNode;
//2. 把absFoNode中isOut部分跳过,其他为所需条件部分;
//3. 到祖母中,对所需条件和已有条件进行类比,并分析出不同 (如距离)
//4. 回归到fo找出能够让 "距离变化" 的时序,并找到行为方式 (如飞行)
//5. 执行输出;
//6. 视觉输入,(对outModel中的数据进行判定效果,继续执行决策)
//先写一些伪代码;把以上步骤定义好结构架子;
//TODONextYear: 从抽象往具象,往alg两个方向找实现方式与条件; (已实现)
//对实现方式foScheme已完成; (已实现)
//TODOTOMORROW: 写条件部分;(祖母) (已实现)
n15p16 决策的迭代之祖母与时序的协作代码实践 CreateTime 2019.02.16
TODOLIST >>
DESC
STATUS
1
去掉tryout执行 >> 对某标识ds&at的数据输出的激活功能;
已由反射(如吸吮)过渡替代
2
新祖母无时间加层,容易联想不到,thinkFeedCache,redis,kXGRedisGCObserver配合来解决;可以先把thinkFeedCache作为一个list来简单实现功能
祖母的实与虚 >>
1
祖母条件,不是每次都想那个最具象,如昨天的午饭
2
我们如何辨别,瞬时记忆中,哪个条件是实,哪个是虚
思考1
来源上: 1.input 2.新抽象的foNode 3.outputLog 0%采用
思考2
具象为实,抽象为虚; 80%采用
解答
找实,其实本质上是在祖母网络的具象之旅;
结论
最具象即为真实
祖母时序协作之从祖母回归时序 >>
简介: 以时序中的经验,找到/调整/创造出祖母,比如,刚看到一个坚果,去路边打车,做饭
重点: 某条微信息的值的变化, 如距离
问题: 关于找到祖母,我们应该到瞬时记忆找,还是到时序找?
决策流程图 >>
1. 从index索引到mv,找到符合的mv经历;
2. 由mv到时序网中,具象依次进行时序评价与选择;
3. 对fo时序的元素进行判定, 关键在:虚实的判定(最具象)与微信息值的变化(距离等细节变化)
4. 子fo回归,通过各种行为,将父fo执行成功;
祖母时序协作流程 >>
1. 时序中的: 吃饭
2. 找出祖母条件: 饭 (注:吃是行为)
3. 满足祖母条件: 联想到时序做饭;
难点问题: 做饭 和 吃饭 在时序中,如何表示其不同?
初步分析: 一个是直接解决mv,一个是间接创造条件;
再次分析: 跳过mv的干扰,仅是行为与结果的时序;
分析方向: 从认知开始思考并解决此问题
解决出路1: 要先回到祖母网络对于微信息变化的支持,还有认知时,支技相应网络构建;
否决出路1: 采用更简单的方式,取到两个则对比变化,未取到则静态存在网络中
解决思考: 我们要找到相对确切的时序: 如order仅两个元素:做饭;
知识结构: 行为导致祖母的变化,do->algChange
祖母时序协作循环图 >>
1. 从起点开始,第一步为认知抽象; (抽象祖母与抽象时序此时构建)
2. absFo3是决策的开始;
3. 最具象,用来发现,飞行需要方向,而坚果具有距离;
4. 具象祖母回归到具象fo,将conFo中向x飞->坚果距离x的片断取出,并作为行为;
>> 反思alg&fo协作循环图的合理性
1. 从理论层面,相对与循环的支撑;
2. 要在性能ok的基础上,达到更好的效果,则需要祖母网络的支持,也可以达成创造力;
3. 如首次吃芒果/牙签做凳子 (祖母帮助做从未做过的事,或创造出未见过的东西)
祖母时序协作循环图修正 >>
1. 简化: 直接将最具象祖母回归到absFo3;
后续问题: 将哪个方向飞会更近? 小脑问题 / 视觉方向的前后问题
解决: absFo3改为飞向 坚果,其中抽象祖母飞向就是"向目标方向飞行"的抽象;
向某目标的方向往前飞是一个时序,,,此处距离的远近是一个微信息,容易形成祖母;但方向的前后是一个时序,不容易形成祖母; 所以,前后到底是时序还是祖母呢?
// 关于条件的获取方式;20190217// 1. 从瞬时记忆来判定找; (实与虚不在瞬时记忆中,要用起网络来才对)// 2. 由其它时序来执行得到; (打车是祖母,而不是时序) (**点出有无)// 3.某条微信息的值的变化, (如距离)(根据"距离变化"祖母,转化为行走才是时序,如走到路边) (**点出变化)// 1. 根据foNode取到条件;// 2. 使用AIThinkOutFoModel将条件 (最多两个)记录到outFoModel;// 3. 对outFoModel进行algModel条件的行为化; (**点出决策最终是结构化,到行为的过程)// /1. 比如找到坚果; (有无)// /2. 找到的坚果与fo中进行类比; (变化)// /3. 找出坚果距离的不同,或者坚果带皮儿的不同;// /4. 将距离与带皮转化成行为; (如飞行,或去皮); (输出,actionScheme)// /5. 达成条件;//*****方案: 先抽象,再具象,以找到同级的祖母,来满足条件祖母的判定问题; (1%采用)
//分析1: 祖母的先抽象,后具象,把食物的发现问题,变成了距离问题,再由距离问题,变成了飞行问题; (前半句错误,后半句正确)
//分析2: 此方案,未必便能够找到合适的解决方法;
//1. 以上两层具象联想过程不需要; (删掉代码) (190411存疑,暂不删)
//2. 根据memOrder中的抽象祖母,取抽象,再具象;取到n个不符合的具象祖母;//(错误,参考:分析2)
//5. 根据此时序的mv来判定可行性;//正确
//6. 实例: fo吃坚果 -> alg抽象坚果 -> alg具象坚果(强度最强的,需写双序列) -> 找不同,发现距离问题(视觉的距离祖母) -> doChange模型,飞行导致距离变化 -> 输出飞行行为
//*******总结: 此方案的前半句 (先抽象后具象) 错误,后半句 (发现->距离->飞行) 正确;
CreateTime 2019.02.20
简介 >>
决策中,会有行为输出与现实世界的影响再次被返回到input,而对于行为与变化间的学习,训练出了不同算法间的参数映射,与构建了参数小脑网络;
难点重点 >>
1. 把“无数据”的“方向”祖母抽象出来；
要到发现输出参数与此参数相关时,才可以抽象出来;
2. 各alg间不可跨界类比，那么视觉方向与行为方向，如何对应？
仅是一些值的区间映射;
3. 因为行为方向，导致了视觉方向的变化。
可以此为依据进行不断的反馈与修正;
4. 让行为产生的结果，通过视觉，回到input的距离变化。再以此来抽象出，走近这样的祖母。
从中,找出距离变化与飞方向与坚果方向的关系;
algScheme&actionScheme的评价 >>
1. 决策中行为祖母的难点在于行为与变化的映射;
2. 决策中条件祖母的难点在于判定其在任务中有效性;
3. 本质上两者的难点都在外层循环,所以要通过迭代外层循环来找到解决问题的答案;
memOrder中条件祖母的判定问题 >>
判定的本质: 是可通过fo加工微信息,以得到条件祖母;
如: 当已学会飞行时,可判定距离为x的坚果为实,不会飞行时则为虚;
>> 所有的理性源于感性
DoChange模型 >>
概念: DoChange模型仅是时序中,更加精细的一个祖母类比操作;
表示: {祖母[abs:a con:a1,a2] > 时序[a1_do_a2] -> MV[hunger]}
1. 示图简介: 图中为小人跑过一扇门后变成了狗;
2. 小人与狗有很多微信息相同处,也有不同处 (以共同抽象为判断依据);
3. a1与a2的判定相同点,以共同抽象为主;
大小脑协作 >>
1. 大脑对行为祖母总参数要支持区间,然后执行,反馈,修正来构建更精细的网络; (如卖油翁对打油收发自如,对射箭却做不好);
2. 大脑的行为祖母是小脑的指挥官,而小脑是指挥官之母,指挥官负责更精细的指挥,并构建与使用小脑;
训练更好的小脑: 关于当前最好执行参数集，保留在小脑中。需要通过一些方式 如执行精度偏差/动作的抽象迁移/区间 来做的更好。
小脑网络 >>
动作的抽象迁移,就是类似动作纹,在小脑中网络化,并且不同动作间,会共用到动作共同的某些部分;
//TIME:20190225
////////////祖母的取用范围/////////////
//1. 需要找出祖母的微信息不同处;
//2. fo中,取抽象即可; (如吃坚果(距离0))
//3. 但要回归到alg中,找具象;或先抽象一下,再找具象;
//问题: 如何根据,吃坚果,联想到距离非0的坚果的;
//回答: 可见,在祖母的联想中,是可以先抽象再具象的,只要是可以将微信息调整为合格的,都可以;
//比如: "小孩子拿纸叠的地鼠,玩打地鼠游戏" 或 "想吃面条时,找到苹果,把苹果吃掉了"
//原则: 一取一用
//祖母1:"现在就能吃到的" 和祖母2:"可以吃的食物" 是两个祖母,但抽象都是食物;不同点在于其归属或距离问题;
//白话: 我们从未吃过百米之外的食物,但却可以想到百米之外有食物,并且走过去,并吃掉;
//分析: 祖母的先抽象,后具象,把食物的发现问题,变成了距离问题;
//再由距离问题,变成了飞行问题; //TIME:20190226
//最具象即为真实, (本质上其实是fo加工微信息,以得到祖母的过程)
//吃昨天已经吃完的饭,就是不真实;
//吃昨天未吃完的剩饭,就是真实;
//0饭,
//已吃掉的饭,->fo X
//在冰箱中的饭,->fo 飞行改变距离 //TIME:20190226
/////2. TODOTOMORROW:memOrder中条件祖母的判定 (满足条件祖母)
//1. 以上两层具象联想过程不需要; (删掉代码)
//2. 根据memOrder中的抽象祖母,取抽象,再具象;取到n个不符合的具象祖母;
//3. 将不符合的"微信息"找出来;
//4. 到时序中,找可以改变此"微信息"的行为; {祖母[abs:a con:a1,a2] > 时序[a1_do_a2] -> MV[hunger]}
//5. 根据此时序的mv来判定可行性;
//6. 实例: fo吃坚果 -> alg抽象坚果 -> alg具象坚果(在内存中刚视觉看到的那个) -> \
找不同,发现距离问题(视觉的距离祖母) -> doChange模型,飞行导致距离变化 -> 输出飞行行为
//问题在于,doChange模型并非源于在fo中查找,而是早已类比抽象出来; (所以下一步思考DoChange模型的构建); //TIME:20190228
//////2.2 分析DoChange模型的构建与使用过程;
//1. 关键信息有: 坚果的方向,坚果的距离,飞行的方向;
//2. 一个具象节点表现为: 飞行了某个方向,导致与某方向的坚果的距离变化;
//3. 前提是: 离某方向的坚果有某距离;
//4. 一个抽象节点表现为: 飞行方向变化 -> 距离变化
//5. 类比的本质转为比大小,而不是相等;
//6. 比大小比哪些:
///1. 如时序[a1_do_a2] 中对比a1与a2的大小,得出一个方向;(变大或变小);
///2. 再比如:
///3. 模型有可能是: [飞近->离的近] 或 [坚果方向0.7 -> 飞行方向0.7 -> 距离变近]
//7. 从相对理论出发,应该给静态微信息扩展一个动态微信息值的设计; (cLess&cGreater)
//8. 有了动态微信息,就要有动态值的索引;
//如: "在飞行方向为0.69-0.81" 时 "方向为0.73-0.83的坚果" 距离变为了: "10-8";
//每一次确切的fo,与联想到的fo,进行类比,并融合出模糊fo; (lessAlg&greaterAlg)
//9. 模糊微信息,导致索引困难,范围变化时的实时性问题; 所以见10;
//10. 将动态微信息的功能做到祖母中,以from to delta来表示; (最终选用了less和greater)
//11. 从sames类比祖母时,可以考虑将 "抽象祖母" 构建为一个范围;,,,
//12. 然后自然就有了抽具象关联,以用来联想,然后也就不再需要微信息的方向索引; //TIME:20190301
//>>>A: doChange模型其实仅是高度抽象的fo; (doChange只是一种匹配方式)
//1. 对vision.distance的精度,调节为5dp; (作废)
//2. 对vision.方向的精度,调节为10度; (使用)(可在v2.0取用,后期过度到祖母层实现)
//2. 我们是否需要方向上的模糊匹配,或者干脆使用无数次经历带来的无数种fo;
//我们可以发现,非常细微的远近差异,所以在祖母层时,微信息还是相对精确的;只是到了时序层类比时,开始变的模糊;
//点评: 关于精度的范围匹配问题,应该在祖母层后天完成;但不影响小鸟核心智能演示,所以可暂使用一些算法层实现 (比如方向精度为10);
//当微信息不损失精度时的模糊匹配:
//1. 飞的更近; a2 < a1;
//2. 找不同算法: `类比不同,发现距离问题` -> `构建距离delta抽象祖母` -> `构建起因于(找不同祖母)的fo`
//3. 如: 从2可以构建出:"飞行 -> 距离变近" 的fo;
//>>>B: doChange模型其实是"找不同算法",得出的fo;
//1. 我们要对sames得出的fo与找不同得出的fo,进行区分;"找不同"得出的fo可以解决"条件祖母"的判定问题;
//点评: 从祖母方向的 cLess/cGreater 来联想
CreateTime 2019.03.04
内类比是比大小,而不是比相等;结果有 > = < 三种;
但也有些微信息是无法比大小的,比如: 颜色;
相对祖母只能被时序中两个祖母类比所解释,所以必须有a1与a2时,才能解释之;
即a1与a2的相对来解释远近这样的 相对祖母;
名词解析:
相对祖母,是指a1与a2进行类比时,1到2的变化,所呈现出大小,远近,长短等对应的祖母节点;
内外类比对比:
外类比在找共同点;
内类比在找不同点;
这两者是相对的;
doChange模型深入 >>
1. 事例:
下雨导致衣服变湿; -> 水导致变湿
2. 回顾:
在fo时序中,向来是上一个元素,导致下一个元素;
3. 问题:
什么时候找相同,什么时候找不同;(alg)
4. 空祖母:
无微信息的祖母,如fo1(吃A) fo2(吃B) fo3(吃C)抽象出(吃空),其中(空)是(ABC)的抽象祖母
5. 空祖母示图:
6. 事例2:
飞行导致坚果变近; -> 飞导致距离变小;
fo横向类比示图 >>
1. 结果的知识表示问题:fo(1a,2,1b,4) 类比后,为fo(1a-1b)
问题: 是否1a因2变成1b?,而1a变成1b是否导致了4?
2. 西瓜由绿变红 与 苹果由绿变红 类比出 绿变红
祖母可以包括:绿色的苹果,绿色的水果,绿色的东西等,都是可以的;
3. 即不影响原来的order序列,又想知识表示出1a与1b的关系;
> 可以尝试使用change桥来表示;使用映射如map来表示;
> 或使用更加网络化的方式,(参考:fo内横向类比构建图)
> 索引问题,无论使用change桥还是融入网络的方式,都需要想好如何索引或联想;
fo内类比构建图 >>
1. 示图中左侧为alg祖母模块,右侧为fo时序模块;
2. 由fo的内横向类比开始;
3. 需构建3个节点;
//1. 构建红祖母
//2. 构建绿祖母
//3. 构建红瓜->绿瓜时序
//4. 构建红->绿时序 (错误,因为抽象要逐步升级,参考内类比的抽具象构建方向)
内外类比的协作 >>
想法: 用大小于号来替代微信息模糊是更加本质简单的做法;
1. 图中问号部分,外类比导致失真,如果先外后内,会导致失败;
2. 内类比抽象的比较彻底,导致具象太多杂乱;
3. 所以,我们以内外部类比的互相协作,来解决这些问题;
问题1. 当外部类比,包含内部类比时;
问题2. 内部类比的构建时机问题;
内与外独立,内中有外,外中有内 >>
1. 外中有内: 外类比中,内类比帮助避免order中产生坚果导致坚果的错误;
2. 内中有外: 内类比中,再联想一个absFo,外类比帮助发现是什么导致了远变近;
3. 内外相对一静一动;
注: 内类比的结果本身就是fo中的特征;即动中有静;
内中有外代码实现 >>
1. 内类比的去重;祖母引用联想的方式去重
2. 内中有外,通过祖母引用联想assFo,后进行两者外类比,发现更确切的时序;
内类比的抽具象构建方向 >>
1. 从下往上,与外类比的fo抽象从con往abs逐步确切类似; 90%采用
2. 从上往下,与外类比相反,先构建最absFo,再逐步去重向下关联; 10%
图中: 左侧为从下往上,右侧为从上往下;
注: 从下往上的方式,更自然形成,在形成后,也自然具备非常好的网络结构;
内类比的网络构建部分 >>
1. 遵循 "想到即构建" 的原则;
外中有内代码实现 >>
1. 在外类比进行某alg的类比时,对alg优先进行内类比; (目前不重要,可先不写)
CreateTime 2019.03.12
如果可以通过命令服务员上菜,就不会自己去端;所以远-近的解决有不同的方式,
内类比间的信息是同区不同值,所以可以比大小,范围匹配,等等;
1. 如fo内类比时,有效,则仅抽象出 fo红-绿 & alg红 & alg绿;
2. 外类比算法不变,但外类比生成的absFo要进行一次内类比;
3. 远->近的推理问题,要到网络具象找;
4. 可采用类似mv的方向索引 或 采用+和-来表示一类相对祖母如下图;
内类比远到近的fo区网络示图 >>
1. 微信息方向索引10% 或 相对祖母90%
2. 将相对祖母作为类似mv基本模型的结构 0%
3. 当conFo内类比有效时,构建步骤:
> 1. 先构建相对祖母;
> 2. 将conFo中80与70间的祖母 ,骑自行车作为前因+相对祖母,构建absFo;
> 3. 多次内类比构建的absFo1与absFo2间的外类比;
> 注: 重点为 a1与a2之间的祖母们,作为抽象前因的前部分
代码实践 >>
1
用IntMax来表示类比大于 如:远,重,大,长等
2
用IntMin来表示类比小于 如:近,轻,小,短等
CreateTime 2019.03.14
HE架构图之相对循环版 >>
1. 微信息的静态值 与 相对值 的相对与循环;
2. 以上所有(微信息) 与 祖母网络 的相对与循环;
3. 以上所有(祖母网络) 与 时序模块 的相对与循环;
4. 以上所有(数据) 与 mv 的相对与循环;
5. 以上所有(神经网络) 与 思维控制器 的相对与循环;
6. 以上所有(He智能体) 与 现实世界 的相对与循环;
注: 有可能还有0:皮层算法;
从静到动 >>
示图
分定义
A:静微信息 B:动微信息 C:祖母 D:时序 E:mindValue F:思维 G:现实世界
组定义
AB微信息 ABC定义网络 ABCD数据 ABCDE神经网络 ABCDEF智能体
静到动模型
A->B AB->C ABC->D ABCD->E ABCDE->F ABCDEF->G
注
其实前面的总体是静,后面下一个是动;这样形成一个,一步一步螺旋形从静到越来越动的过程,从而得到生命体;
TODOLIST
todo
status
1
output的输出函数统一重构 (改为2个(主动输出 & 反射输出))
T
2
Output使用多参数或后辍时,函数定义非常不灵活;(methodName+后辍)
T
3
去掉output的block和delegate,改用广播方式;
T
4
reactorIdentifier作为rds(reactorDataSource)传递
T
5
异步持久化 写个类似xgRedis的库来单独做这件事 conNode只有反复使用到,才有资格被存储
异步持久化风险太高,时间影响强度序列的功能使用意识流来代替
7
重构:AIIndex中inModels&outModels改按at&ds分区,懒加载到redis的序列;以防止inModels太长而性能问题
TalgNode解决
8
将absFoNode的absValue_p改成orders;元素为祖母节点
T
9
将absAlgNode.value_p改成直接使用value;索引不再存值 保留ds&at的索引序列
存疑,记忆印记在index
10
output支持祖母节点
T
11
isOut不应该存在Pointer下,而应该在祖母下 / 时序中的祖母下;
12
适当模糊范围
在算法层可模糊5%,alg层可模糊10%; 参考n15p12
BUG
DESC
STATUS
1
AINetDirectionReference.setNodePointerToDirectionReference中使用指针二分查找,却直接二分插入强度序列
2
BUG:AINetDirectionReference.set()改为poiner&port双序列
问题备忘 >>
待思考
关于红和更红值比大小,在哪层
algNode(20%)或foNode(80%)
模型1
错误,应在后天
问题模板 >>
发现问题:
如:新模型下的assData如何完成识别联想过程?
收集信息:
如:看到的algNode具象节点后,联想到后天祖母节点;
思考本质:
如:对问题收集到的信息进行深入思考
解决方案:
如:与当下系统,进行融合想出解决方案
解决步骤:
如:把方案工程可实现化的思考
代码步骤:
如:把工程步骤与系统架构进行整合思考
代码实践:
如:把代码写出来
PS:
90%的问题是一个新生入校(问题融入架构)的问题,10%是换老师等;
