一种类人通用人工智能的实现方法技术

本发明专利技术申请提出了实现类人通用人工智能的方法和流程。提出了采用注意力机制，多层次特征提取，链式联想激活来建立预测模型。提出了把需求信息、奖罚信息和情绪信息和其他输入信息一样处理，并作为关系网络的一部分。提出了机器通过限定搜索范围在被激活信息中，在限定范围内搜索最优响应路径作为对输入信息的响应路径。在本发明专利技术申请中，也提出了机器建立自我意识，建立同理心等实施方法。通过本发明专利技术申请提出的方法，机器可以拥有类似于人类的认知和决策能力，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已有的方法存在巨大差异，目前在业界还没有与之类似的方法。

【技术实现步骤摘要】
一种类人通用人工智能的实现方法
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知识网络和如何利用这样的知识网络。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。本专利技术申请重点在于揭示了机器如何建立类似于人类的知识表征体系，如何利用这样的知识表征体系来指导自己的行为。有了这些基础后，机器就可以采用类似与人类的趋利避害原则，做出对信息分析和响应。这些分析和响应和人类类似。同时，机器也可以自我学习人类知识，并通过发现知识之间的潜在联系，进一步创建新的知识。这将给人类社会带来巨大经济和社会效益。
技术实现思路
本专利技术申请主要包含两方面内容。一是如何建立机器的知识表征体系，二是如何使用这些表征体系来实现通用人工智能。1，机器对传感器数据做特征提取，内容包括：1.1，基础特征选取。本专利技术申请提出机器需要提取的基础信息特征，就是那些广泛存在于我们的世界中的局部共有信息特征。1.2，分层表征方法。分层表征的意思是对输入信息，采用不同层次的分辨率提取其中的信息特征。比如在默认情况下，优先提取整体的拓扑特征、轮廓特征和整体动态特征。然后由机器的决策系统处理这些信息，用于决定是否需要进一步提取更多信息。所以同一个事物或者过程可能同时有多层不同分辨率的信息特征来代表。<br>其次，按照决策系统给出的注意力机制，对所注意的区间，再次使用信息压缩通道处理。同样可以优选目前已有的信息压缩方法，同样优先提取注意力区间内的整体拓扑、整体轮廓、整体性线条和纹理等基础特征。上述过程迭代进行，提取的信息按照同时性信息存储方法，存储为记忆，直到机器的决策系统认为获得的信息，已经足够确认可能的奖罚信息为止。通过上述过程，就可以实现对同一个输入信息，使用不同分辨率，使用不同层级特征来表达。这就是分层表征的实现。1.3，模式识别和注意力机制。机器通过优先提取输入信息中一到多个分辨率层次上的基础信息特征，并使用这些信息特征在记忆中做链式联想激活。机器挑选被激活的共有特征，通过激活信息重组的方法，建立输入信息的预期模型。决策系统通过预期模型带来的置信度，决定是否进一步识别信息。如果进一步识别信息，机器通过预期模型中包含的空间和时间关系，把注意力转移到这些还没有出现的特征的时间和空间位置上，注意力转移时按照高激活值优先原则进行，并按照预期特征的相关属性(比如在模型中的时间、空间，预期大小以及其他属性)来确定使用的分辨率和赋予给预期信息的初始激活值。如果不再识别信息，机器进入识别其他信息或者进入建立响应路径的过程。1.4，置信度浮动。机器的决策系统判断预期模型是否达到置信度的预设标准，就是判断预期模型带来的奖罚值大小是否达到预设标准。决策系统通过预期模型中已经确认的条件，来确定预期模型A发生的概率P，和通过奖罚系统确认预期模型A带来的奖罚值V，按照R＝f(P,V)来确认奖罚信息，其中R是预期模型A的奖罚信息，f是统计函数。机器决策系统通过R和预置标准的比较，决定是否进一步识别信息。上述过程迭代进行。直到机器认为目前已经完成的信息识别，它们的奖罚信息已经足够完成决策为止。置信度浮动是由机器的决策系统，根据经验来预测该模型可能给自己带来的奖罚值来调整。它是机器对输入信息的响应的组成部分。机器对那些几乎对自己奖罚信息没有影响的信息，要求的置信度(预设的奖罚值标准)很低；而对那些和自己奖罚信息密切相关的信息，则要求的置信度较高。这是机器通过决策系统判断奖罚信息，然后使用注意力机制来实现的。机器对那些和奖罚信息连接关系弱的信息，很快就达到停止判断的预算奖罚值。而对那些和奖罚信息连接关系强的信息，提高了预设的奖罚判断值，可能需要迭代使用注意力机制去识别。2，机器对信息特征做存储，内容包括：2.1，同时性保存方法。在本专利技术申请中，我们提出一个基本假设：“同时输入到机器的信息之间，存在隐含的连接关系”。同时，我们提出一种保存这种隐含连接关系的信息存储方法：对那些“输入时间上相邻的信息”采用“存储空间上也相邻”来表达。信息在存储空间上相邻可以是存储信息的物理位置上的相邻。信息在存储空间上相邻还可以不采用物理位置相邻，但采用一种数据映射机制来表达信息之间的关系是相邻关系。2.2，记忆存储方法。机器首先把提取的基础特征，按照和原始数据相似度最高的位置、角度和大小，把它们和原始数据重叠放置，这样就能保留这些基础特征在时间和空间上的相对位置。机器可以只存储这些基础特征，也可以存储叠加了这些基础特征的原始数据。在本专利技术申请中，我们主要使用提取的基础特征，其对应的原始数据可以作为一种备份数据，这种备份数值在需要时，可以再次调用，按照相同的方法再次根据需要来提取特征。所以这两种存储方式，对机器的通用人工智能实现上并没有本质差异。机器对基础特征提取后，保留了输入信息的时间和空间信息，并构成了需要存储的记忆。这些记忆可以通过调用，重现部分存储发生时的输入信息，所以这些信息被称之为镜像记忆。因为它们是机器在记忆中对输入信息特征的镜像记录。一次镜像记忆的存储数据，我们称之为一个记忆帧。它们像电影帧一样，通过多个帧连续回放，我们就能重现记忆发生时的动态场景。所不同的是，记忆帧中的信息可能会随时间而被遗忘。2.3，记忆和遗忘。在本专利技术申请中，遗忘是一种信息之间关系的提取方法，是一个主动过程。存储在记忆库中的信息，除了特征数据本身外，还包含有表征其能在记忆库中存在时间的数据，这个数据被称为记忆值。记忆值随记忆函数而增加，随遗忘函数而减小。记忆函数是指记忆值随被激活的次数增加而增加。具体的增加方式可以采用一个函数来表示，这个函数就是记忆函数。需要指出，对不同类型的记忆可以采取不同的记忆函数。遗忘函数是指记忆值随时间(包括训练时间)增加而递减。具体的减小方式可以采用一个函数来表示，这个函数就是遗忘函数。需要指出，对不同类型的记忆可以采取不同的遗忘函数。被存储的信息的初始记忆值和存储发生时的它们对应的激活值成正相关，但不一定是线性关系。需要特别指出，记忆和遗忘机制，并不一定需要把信息遗忘，而是值指重复出现带来的记忆值的变化，而记忆值变化带来的不同信息之间的连接强度变化，而连接强度不同带来了激活值传递的不同。它们是构成关系网络的基础。2.4，对存储数据的筛选。机器对信息的存储采用记忆筛选方法包括事件驱动机制和临时记忆库机制。在镜像记忆中，每发生一次事件，机器就把这个镜像记忆做一个快照，保存为记忆帧。发生事件是指本次输入特征和上次输入特征之间，通过相似性对比，存在超过预设阈值的变化。这就被称为发生了一个事件。需要指出，发生事件不仅仅是指外部信息，也指机器的内部信息，比如机器自身的监控信息，或者自己的需求信息发生了超过预设值的改变，这也是发本文档来自技高网...

【技术保护点】
1.一种用于机器建立输入信息之间关系的方法，其特征包括：/n机器对时间上相邻输入的信息在存储空间上也采用相邻的方式存储。/n

【技术特征摘要】
1.一种用于机器建立输入信息之间关系的方法，其特征包括：
机器对时间上相邻输入的信息在存储空间上也采用相邻的方式存储。


2.根据权利要求1所述的方法，其特征包括：
机器不仅存储记忆信息，也存储一种表达记忆信息的记忆和遗忘机制的数据。


3.根据权利要求1所述的方法，其特征包括：
机器存储的记忆信息，可以被赋予激活值；
机器在存储信息时，赋予信息的初始记忆值和存储发生时它们获得的激活值成正相关。


4.根据权利要求1所述的方法，其特征包括：
机器把重力信息、需求信息、奖罚信息和情绪信息作为持续的输入信息，并采用其他传感器信息一样的存储方式，存入记忆中。


5.一种激活记忆中信息的方法，其特征包括：
机器采用联想激活的方法来激活记忆中的信息；联想激活方法包括“临近激活”原则、“相似激活”原则和“强记忆激活”原则；
当一个输入信息被激活后，如果从其他信息传递过来的激活值，并累计上自己的现有激活值后，总激活值大于自己节点的预设激活阈值，那么自己也被激活，并且同样采用“临近激活”原则、“相似激活”原则和“强记忆激活”原则来进行链式激活。


6.根据权利要求5所述的方法，其特征包括：
记忆中所有信息的激活值都会随时间而消退；
机器可以采用把输出转为输入信息的方式，来维持一些信息的激活值。


7.一种机器用于识别输入信息的方法，其特征包括：
机器按照整体特征优先的方式提取注意力区间的信息特征，使用这些特征做链式联想激活；机器选用共有特征，使用激活信息重组的方法，把选出的特征组合作为识别输入信息的预期模型；机器使用决策系统来确定预期模型是否达到置信度；如果置信度达到预设标准，机器使用预期模型分割输入信息，并由决策系统决定是否进一步识别其他输入信息；如果置信度没有达到预设标准，机器对比预期模型和输入信息之间的差异，并按照激活值高的差异在预期模型中所处的时间位置、空间位置和大小来设置注意力的时间位置、空间位置、分辨率和相应的初始激活值赋值程序的参数。


8.根据权利要求7所述的方法，其特征包括：
机器的决策系统判断预期模型是否达到置信度的预设标准，是判断预期模型带来的奖罚值大小是否达到预设标准，这个预设标准在迭代识别过程中可能是浮动的；
机器通过确认带来奖罚值的预期模型A发生的概率P，和预期模型A带来的奖罚值V，按照R=f(P,V)来确认奖罚信息，其中R是预期模型A的奖罚信息，f是统计函数。


9.根据权利要求7所述的方法，其特征包括：
机器在识别输入信息的过程中，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；新的输入特征发起的链式联想激活过程，会改变整个激活值分布；机器根据新的激活值分布，迭代使用权利要求7和权利要求8中的过程，逐渐增加预测模型包含的特征数量，这会逐渐缩小预测模型所包含的范围，从而使得预测模型从宽泛的概念走向具体的概念。


10.一种建立机器需求系统的方法，其特征包括：
对机器的各种运行状态使用符号来代表，并对这些符号建立合理的区间范围；当机器的运行状态偏离合理区间时，机器产生让自身运行状态回到合理区间的需求；需求大小可以使用符号或者数字来表达；
机器通过建立同理心的方法，把自己的收益和损失，与他人的收益和损失，建立联系，从而在建立响应路径时，表现出选取平衡自己的收益和损失与他人的收益和损失的路径，从而表现出遵从社会性要求的需求。


11.一种机器建立机器奖罚系统的方法，其特征包括：
机器使用一到多个符号来代表不同类型的奖罚信息，并根据需求被满足的状态来产生对应的奖罚信息；
机器通过预置一套基础符号来获得外界反馈的奖罚...

【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