一种实现类人通用人工智能机器的方法技术

本发明专利技术申请提出的实现类似于人类的通用人工智能实现方法。本发明专利技术申请包含两个部分，一是如何实现通用人工智能，二是如何让通用人工智能能够和人类更好的互动。本发明专利技术申请提出采用多分辨率特征提取，采用临近存储，采用联想激活，采用分段模仿，采用最优路径搜索的方法，并不断迭代使用上述方法，来建立机器对世界的认知常识，在这些常识的基础上，机器通过自己的需求动机来规划和执行自己的行为。同时，本发明专利技术申请也提出了如何让机器更好地理解人类的知识，更好地体会人类的感知（包括情感），从而更好的和人类互动。通过本发明专利技术申请提出的方法，机器可以逐步获得从简单到复杂的对输入信息的响应，并拥有和人类相似的动机和情绪表达，这些都展现了本发明专利技术申请提出的机器学习方法和目前业界已有的机器学习方法存在巨大差异，目前在业界还没有与之类似的方法。

【技术实现步骤摘要】
一种实现类人通用人工智能机器的方法
本专利技术申请涉及人工智能领域，尤其涉及如何建立类似于人类的智能、技能和情感的通用人工智能。
技术介绍
当前人工智能通常是为特定任务设计的，还没有能够完成多种不确定性任务的通用人工智能。实现通用人工智能最大的障碍在于如何在纷繁复杂的事物之间建立类似于人类常识的认知网络。只有机器拥有了类似于人类的常识，机器才可能产生类似于人类的思维活动。目前的深度学习产生的结果是一种精巧的特征映射方法，它和人类的学习过程差异较大，所以深度学习的成果难以泛化和通用。目前的知识工程、专家系统或者知识图谱，都是采用编码的方式，把人类的知识采用计算机能够识别的方法组织起来。但这些系统难以让机器自主学习和归纳，所以在面对差异化的场景时，机器无法自主产生新的策略和方法。所以到目前为止，这些系统只能应用于某一个特定的领域和特定范围，无法产生类似于人类的智能。而建立类似与人类智能、技能和情感的通用人工智能，使得机器可以和人类更好的互动，比如机器人和人类合作进行生产和研发，共同组织比如养老、护理、教育等社会活动，这将给人类社会带来巨大经济和社会效益。本专利技术申请重点在于揭示了如何建立通用人工智能的基础方法，尤其是说明了如何建立在各方面和人类相似的通用人工智能，包括思维、动作和情感等，这样的人工智能才能更好的融入人类的社会生活。
技术实现思路
本专利技术申请主要包含两方面内容。一是如何建立通用人工智能，二是如何让通用人工智能变得和人类相似，从而能够和人类更好的互动。本专利技术申请的第一个方面：如何建立通用人工智能，主要方法包括：对传感器数据做特征提取，内容包括：机器需要对传感器数据做多分辨率提取。当传感器数据输入到机器处理单元后，机器按照上一次思维活动产生的预期目标来选择重点识别区域和识别分辨率，来提取其中的特征信息。目前业界已经有多种提取特征信息的具体算法，比如深度卷积网络。而没有解决的问题是“哪些数据才能作为特征信息”和“如何组织和利用这些特征信息”。本专利技术申请提出的“局域共有相似性”方法，作为机器选取特征信息的一种基础方法。本专利技术申请提出相邻存储、联想激活，分段模仿，最优路径搜索和迭代决策等方法作为组织和利用这些特征信息的方法。在本专利技术申请中，我们提出的“局域共有相似性”作为一种选择基础特征信息的方法。这种方法包含如下几个方面：首先，我们认为生物体的进化过程，是沿高效率利用计算能力的方向发展的。因为只有这样，才能在探索的环境越来越复杂的情况下，提高算法复杂性来处理复杂问题，并最大限度节省能源消耗，从而增加生物体生存的几率。如果能对那些广泛存在的局部特征，形成相应的、可以复用的提取算法，则明显可以在保持特征提取能力的情况下，最大限度节省能源消耗。这是一种进化方向的具体体现。因为这样能最大限度地复用这些算法，能提高计算的能效比。所以本专利技术申请提出机器需要提取的基础特征，就是那些广泛存在于我们的世界中的共有数据特征，比如图像中，基础的点、线、纹理和颜色等，它们的进一步组合包括平行、相交、顶点、角度、基本形状、边缘、曲率、色调、大小等。机器在学习的初期阶段，使用任意算法来提取这些基础特征信息。同理，我们把这样的方式推广到其他数据，比如语音、气味、触觉，都是通过寻找它们之中的局部共有特征来作为基础特征信息，并建立对应的基础特征信息提取算法，并广泛地复用这些算法。有了提取这些基础特征信息的对应算法后，机器可以复用这些算法，在我们的世界不断利用这些算法提取相应的基础特征信息。为了充分的利用这些基础特征信息，机器可以对这些基础特征信息进行参数化，把它们作为一种外部信息识别的基础模型。机器通过参数化模型对比的方式，来提取输入数据中包含的基础特征信息。这些基础特征信息，通过记忆和遗忘机制，进一步和更加复杂的概念建立连接关系。其次，针对具体的概念，机器需要采用多分辨率来提高机器的泛化能力。我们认为，事物之间的相似性，必须建立的一定的分辨率上。离开分辨率来谈相似性没有意义。在本专利技术申请中，我们提出对同一概念下建立多分辨特征。这种多分辨率特征是一种塔形结构。位于塔顶的，是那些在同一类概念中，最普遍存在的基础特征。它们通常是事物的整体特征，比如轮廓、纹理、颜色等，是一种低分辨率特征。而位于塔底的通常是各个具体事物的各种具体特征，它们通常在同类事物中重复率较低。在本专利技术申请中，我们采用记忆和遗忘机制，来建立这样一个基础特征信息的塔形结构。在这个塔形结构中，那些能重复出现的基础特征组合被记忆下来，它们可以是静态或者动态的基础特征的组合，可以包括所有传感器信息，比如图像、语言、味觉、触觉、温度等信息。这些信息通过本专利技术提出的“关系网络”和“联想激活”方法，构成了彼此存在关系的局部网络。这些局部紧密连接网络就是概念。概念被激活的程度反应了它们被识别的程度。如果概念网络被激活的程度达到预设标准，并在关系网络中“凸显”出来，则认为概念被识别成功，这时发起激活的信息就属于这个概念。在概念中，所有的基础特征都有自己的记忆值。那些在同一概念下普遍存在的特征，其记忆值因为能够反复重现而不断增加，从而拥有更大的权重。而那些重复性低的特征，其记忆值也低，就会逐渐从相关概念中被遗忘。所以，通过记忆和遗忘机制，机器会逐步建立起某一概念的下的特征信息塔形模型。这些塔形模型是由不同记忆值的基础特征组合而成的。通常，低分辨率的特征，在同类事物中重复次数很高，它们的记忆值也高，它们通常位于塔顶。而那些重复性较低的高分辨率特征，通常位于塔中。而那些偶然的数据，通常位于塔低。在信息识别过程中，在联想激活驱动下，由于高记忆值更加容易被激活，所以通常拥有高记忆值的低分辨率的特征通常更加容易被激活，这和人类识别事物首先是从整体特征来进行识别的方式类似。这些优先被激活的高记忆值特征通常是同类事物中的共有特征。它们所代表的激活记忆信息就构成了机器开始识别输入信息的模型。机器使用这些模型，来分割输入信息特征，产生进一步识别的预期数据区间和预期使用的分辨率来进一步做识别。随着识别的深入，新的信息不断激活新的记忆信息或者调整记忆信息的激活值，那些激活值高记忆信息逐渐向更加匹配输入信息的记忆转移，最终出现特定的概念在记忆中“凸显”出来，达到机器识别的置信度，机器成功的识别出输入信息。机器识别输入信息的整个过程表现为机器通过把这些已经激活的概念作为模型，通过对比模型和输入，利用决策系统，来确定需要进一步识别的区间和需要采用的分辨率，通过反复迭代的方式来识别更多的输入信息，逐步缩小激活信息的“凸显”范围，这就是机器识别输入信息的注意力机制。上述识别方法可能会存在路径依赖问题，导致机器识别可能出现“先入为主”的现象，这和人类的识别过程是类似的。识别的另外一个方面是，低分辨率整体特征由于频繁使用，通常和很多其他特征之间存在连接。当低分辨率整体特征被激活后，大量的其他特征可能通过本专利技术申请提出的“链式激活”而被激活，由于激活通路众多而分散了激活值的传递权重，再加上被激活特征数量众多，这使得被激活的信息中，没有特定节本文档来自技高网...

【技术保护点】
1.一种机器对输入特征信息的识别方法，其特征包括：/n机器对输入特征信息赋予初始激活值；机器通过联想激活的方式，传播输入特征信息获得的初始激活值；机器根据激活值传播情况，选择高激活值记忆作为输入特征信息的预期模型；机器使用预期模型和输入特征信息作对比，对输入特征信息进行识别和分割；机器采用注意力机制，通过迭代识别过程，对输入信息做多次识别。/n

【技术特征摘要】
1.一种机器对输入特征信息的识别方法，其特征包括：
机器对输入特征信息赋予初始激活值；机器通过联想激活的方式，传播输入特征信息获得的初始激活值；机器根据激活值传播情况，选择高激活值记忆作为输入特征信息的预期模型；机器使用预期模型和输入特征信息作对比，对输入特征信息进行识别和分割；机器采用注意力机制，通过迭代识别过程，对输入信息做多次识别。


2.根据权利要求1所述的方法，其特征包括：
机器在识别输入特征信息的过程中，注意力机制是指机器根据识别结果，决定下一次识别的数据区间和采用的识别分辨率；机器在单次识别过程中，可以选取一到多个区间，可以采用一到多个识别分辨率对这些区间进行识别。


3.根据权利要求1所述的方法，其特征包括：
机器对外部输入特征信息的迭代识别过程中，在每次迭代中，机器赋予外部输入特征信息的初始激活值可以是不同的；在单次初始值赋值过程中，针对不同的特征也可以赋予不同的初始激活值。


4.根据权利要求1所述的方法，其特征包括：
机器对外部输入特征信息的迭代识别过程中，通过不断增加的识别区间和识别分辨率来获得更多的输入特征信息，并通过激活值变化来不断缩小输入特征信息的预期模型的范围，直到输入特征信息的预期模型达到预设的置信度为止。


5.一种信息存储方式，其特征包括：
机器认为在输入时间上相邻的信息彼此存在连接关系，所以采用相邻的存储空间来存储这些信息；相邻的存储空间是指存在一种方式来表达两个存储单元是相邻的；这种表达方式可以是物理上相邻的存储空间，也可以是对存储空间进行地址编码来表示相邻关系。


6.根据权利要求5所述的方法，其特征包括：
机器在存储空间里，不仅仅存储输入的特征信息数据，还需要对每一个存储的数据存储一种表达其记忆和遗忘机制的数据；机器存储的数据不仅仅包含外部输入的特征信息，也包含内部传感器的信息，也包含被激活的需求动机和情绪相关数据；机器存储的需求动机和情绪数据，其初始记忆值和需求动机和情绪符号获得的激活值成正相关。


7.一种机器的决策过程方式，其特征包括：
机器通过联想激活，识别和输入信息相关的记忆信息；机器结合输入信息和被激活的记忆信息，按照趋利避害的原则来做出响应决策；机器根据被激活的记忆信息中包含的收益和损失的信息，以及记忆中它们在不同条件下发生的概率，按照统计的方法来预测目前条件下，它们发生的概率以及可能带来的收益和损失；机器根据目前条件下，可能出现的事件发生的概率以及带来的收益和损失，在激活的信息范围内，采用分段模仿的方法来组合各种可能的响应，并按照趋利避害的原则，搜索最优响应路径，并建立最优响应路径上的各个子目标。


8.根据权利要求7所述的方法，其特征包括：
机器把最优响应路径上的子目标，作为新的输入目标，重新采用联想激活的方法，寻找与这些子目标相关的记忆，并按照统计的方法来预测目前条件下，它们发生的概率和潜在的收益和损失；机器按照趋利避害的原则，采用分段模仿的方法，按照增加那些带来收益的事件发生的概率，降低那些带来损失的事件发生的概率作为新的目标和建立新目标所包含的各个子目标；机器通过迭代执行决策过程，通过不断细分子目标，通过不断使用分段模仿的方法，通过不断搜索最优响应路径，并建立最优响应路径上的各个子目标，最终把实现路径上的子目标细分到机器可以直接执行的底层驱动命令为止。


9.根据权利要求7所述的方法，其特征包括：
机器寻找最优响应路径并层层迭代分解最优响应路径的过程，是一个动态变化的过程；在这个过程中，机器可以是一边分解，一边执行，并根据最新获得的信息来重新执行寻找最优响应路径，并进一步层层迭代分解最优响应路径的任务。


10.根据权利要求7所述的方法，其特征包括：
机器在理解输入信息，建立局部响应路径时，使用分段模仿的方法把现实信息和记忆信息组合成“环境信息”和“动态流形”等信息组合形式，创建一个动态过程；使用这个动态过程代表输入信息，或者代表规划的响应路径。


11.根据权利要求7所述的方法，其特征包括：
记忆中被激活的信息的激活值会随时间而衰退，衰退的参数和机器的需求以及需求状态、情...

【专利技术属性】
技术研发人员：陈永聪，曾婷，其他发明人请求不公开姓名，
申请(专利权)人：陈永聪，
类型：发明
国别省市：北京;11