一种建立强人工智能的方法技术

本发明专利技术申请提出的实现强人工智能的方法，在感知层上是采用输入数据到局部共有特征的映射，在认知层上是从局部共有特征到概念的映射。而概念的建立是通过关系网络、记忆与遗忘机制来实现的。关系网络的基础是多分辨率特征和联想激活来实现的。机器的决策是通过关系网络中建立的机器需求和情绪动机以及动机状态和具体事物之间的连接关系，采用趋利避害的原则，采用迭代使用预测、决策和响应的方法来实现的。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。没有与之类似的方法。没有与之类似的方法。

【技术实现步骤摘要】
一种建立强人工智能的方法


[0001]本专利技术申请涉及人工智能领域，尤其涉及如何建立强人工智能。

技术介绍

[0002]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。
[0003]本专利技术是基于同一申请人的申请号为202010400739.7，名为“一种模仿人类记忆来实现通用机器智能的方法”的专利专利技术申请基础上，对于如何实现通用人工智能的进一步说明，并进一步阐述实施方法的细节。

技术实现思路

[0004]在申请号为202010400739.7，名为“一种模仿人类记忆来实现通用机器智能的方法”的专利专利技术申请中，揭示了一种通过记忆来建立事物之间关系网络的方法。在本专利技术申请中，我们进一步深化如何通过在记忆中建立关系网络，来建立强人工智能（通用人工智能）。
[0005]在本专利技术申请中，我们提出一种机器的构成概念图。在图1中，S101模块是机器的传感器模块。为了让机器产生和人类类似的认知方式，S101模块需要采用一到多种通用的传感器：视觉传感器、听觉传感器、味觉和嗅觉传感器、触觉传感器、重力方向传感器和姿态信息传感器信息等，还可以增加面向特定应用的传感器（比如自动驾驶可以增加红外传感器、激光雷达传感器等）。机器也需要使用监控自身状态的传感器，这些传感器也是机器感知信息的一部分。S101主要由传感器硬件和传感器对应的软件组成的模块，目的是通过传感器感知机器外部和机器自身的信息。这些传感器类型的差异和多少，不影响本专利技术申请的权利要求。因为在本专利技术申请中，所有的传感器数据都是同样的处理方法。
[0006]在图1中，S102模块是机器对传感器输入信息的简化模块。机器对输入信息的简化，主要是指机器对输入信息提取底层特征。它可以采用任何已有的特征提取方法，包括但不限于卷积神经网络，图像分割、轮廓提取、降采样特征提取等。任何已有的机器图像识别算法都可以用于S102模块中。
[0007]但S102模块和目前主流的机器算法差异在于：1，S102模块不是以识别具体事物为目的。在目前流行的神经网络中，机器对输入数据逐层进行数据处理，然后通过误差反向传
播来优化数据处理参数，目标是在大样本统计下实现误差最小。算法实现的是数据空间到标签空间的映射。而本专利技术申请中，S102模块目标是提取输入数据中的局部共有特征。在申请号为202010400739.7，名为“一种模仿人类记忆来实现通用机器智能的方法”的专利专利技术申请中，我们提出了一种采用不同大小的取样窗口，不同分辨率，对输入数据重复提取，并把这些数据通过在记忆相邻放置来建立联系。并通过记忆和遗忘机制来强化普遍存在的联系，而弱化那些偶发的联系。所以，本专利技术申请中，S102模块的目的是寻找那些广泛存在的局部共有特征，而不是寻找具体的样本空间到标签空间之间的映射关系。在本专利技术申请中，同一个输入样本空间，可能包含大量的“局部共有特征”，它们分别是在不同的分辨率下提取的。需要指出的是，事物局部特征的组合方式本身也是一种局部特征。局部特征和大小没有关系，而是指在不同分辨率下提取的事物的一部分信息。有些图像的局部特征可以和图像本身一样大，但分辨率低，只包含原始图像的部分信息，比如有可能只包含原始图像的其他局部特征的组成方式。比如在图像中，局部特征可能包含在不同分辨率下的轮廓、直线、曲线、纹理、顶点、垂直、平行、曲率等底层几何特征，也包含不同分辨率下的颜色、亮度等特征，还可能包含不同分辨率下的运动模式，也包含底层几何特征的组合拓扑方式等。而目前的流行的深度卷积神经网络，是寻找同一个输入样本空间到少量特定标签之间的映射关系。在S102模块中，深度卷积神经网络可以作为一种应用算法来实现输入数据到局部共有特征之间映射。这种算法本身不属于本专利技术申请的权利要求，但从输入数据中寻找多分辨率局部共有特征，并利用这些多分辨率局部共有特征来建立事物之间的连接关系，则属于本专利技术申请要求的权利范围。
[0008]在S102模块中，还包括提取多分辨率动态特征。类似于图像特征提取，S102模块也是提取局部共有动态特征。这里的局部共有动态特征是指基本的运动模式，比如摆动、圆周、直线、曲线、波动等广泛存在于我们这个世界中那些相似的基础动态特征。所以它也不是在大量的运动样本空间和具体表示动态的标签（比如舞蹈、跑步、游行、狂欢等标签空间）之间建立映射，而是输入样本空间到广泛存在于我们这个世界中那些相似的基础动态特征之间的映射。
[0009]特别指出，动态特征是知识泛化的基础。人类对于知识的类比应用（泛化）一定是基于某种相似性而建立的联想。而这种相似性可以是静态相似（比如外观相似、或者抽象特征相似），也可以是动态相似（比如运动方式相似、或者抽象特征的变化方式存在相似）。而动态特征本身可以采用抽象的质点或者体积来代表，所以运动特征可以作为不同事物的经验泛化之间的桥梁。
[0010]在S102模块中，机器也采用类似的方法对其他传感器输入数据做处理，包括提取静态多分辨率特征和动态多分辨率特征。比如对于语音，基础语音、语速部分可以作为一个静态特征，而音频、音调、语速的变化就是一种动态特征。机器按照不同长度时间窗口对语音滑动取样，就相当于不同的时间分辨率。机器需要在不同的时间分辨率和不同的细节分辨率下提取静态和动态特征。在我们提出的强人工智能实现方法中，采用多分辨率提取事物动态特征是至关重要的部分。而动态特征的多分辨率提取方法在申请号为202010400739.7，名为“一种模仿人类记忆来实现通用机器智能的方法”的专利专利技术申请中已有说明，这里不再重复。
[0011]S102模块是一种感知层特征提取，对输入数据进行多分辨率提取静态和动态特征
至关重要。因为事物之间的联系，在不同分辨率下是不同的。事物之间的相似性，在不同分辨率下也是不同的。所以机器需要建立事物在不同分辨率下的关系网络。两个在日常认知中并不相识的事物，在不同的分辨率下，可能存在相似的属性。而这些属性正是相关知识泛化的桥梁。
[0012]S102模块是一种感知层局部特征提取，但它并不是每次都提取所有的多分辨率局部特征。而是根据机器对传感器数据的搜索目标来确定使用那些分辨率和提取的重点区间。而机器对传感器数据的搜索目标来自于机器在之前活动中产生的预期目标。
[0013]S102是机器感知层信息的处理层，是对传感器输入数据做简化的软件层。S102的输入是传感器所采本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种建立信息之间连接关系的方法，其特征包括：认为在输入时间上相邻的信息彼此存在连接关系。2.根据权利要求1所述的建立信息之间连接关系方法，其特征包括：这种连接关系是通过记忆和遗忘机制来优化的。3.根据权利要求1所述的建立信息之间连接关系方法，其特征包括：信息本身是采用多分辨率特征来表示，包括代表其特征组合方式的特征来表示；这种连接关系是建立的信息的多分辨率特征的基础上的，信息之间的连接关系在不同的分辨率上是可以有差异的。4.根据权利要求1所述的建立信息之间连接关系方法，其特征包括：输入信息包括外部输入信息，内部监控信息，机器的动机和动机激活状态信息。5.根据权利要求1所述的建立信息之间连接关系方法，其特征包括：机器采用一种信息存储方法，其特征在于机器可以通过信息存储的方式来表达输入时间上相邻信息之间存在连接关系。6.一种机器预测、决策和执行方法，其特征包括：机器在外部或者内部信息输入后，机器在关系网络中，采用联想激活的方法激活相关的信息；机器通过统计每种被激活的动机发生的概率和对应的记忆值，来预测类似事件可能给自己的动机带来的影响；机器根据统计得到的事件可能给自己动机带来的影响，按照趋利避害的方式来选择和推动事件发展的路径，这些路径上的序列目标就是机器的行为决策。7.根据权利要求6所述的方法，其特征包括：机器把计划输出的响应，作为自己的虚拟信息输入，继续采用联想激活、信息重建和预测、决策和执行的方式，来评估自己的响应可能得到的反馈。8.根据权利要求6所述的方法，其特征包括：机器把预期得到的外界反馈，作为自己的虚拟信息输入，继续采用联想激活、信息重建和预测、决策和执行的方式，来评估外界对自己响应的反馈可能给自己带来的“利”和“害”。9.根据权利要求6所述的方法，其特征包括：机器可能通过降低激活阈值或者增加预测和评估的迭代次数来扩大搜索范围，从而从更大的搜索范围中寻找最优的响应路径。10.根据权利要求6所述的方法，其特征包括：机器在推动事件发展的路径的方法是一个动态的过程，在执行过程中，机器在新信息下不断按照同样的预测方法，把新信息纳入预测、决策和执行过程，并更新行为决策。11.根据权利要求6所述的方法，其特征包括：机器在执行序列目标的过程中，按照同样的机器预测、决策和执行算法，把序列目标中的单个目标分解成更多的底层目标，通过在执行中逐层分解，一直分解到机器可以直接执行的底层驱动命令为止；机器在系列的底层驱动命令下的行为构成了机器对输入信息的响应。12.根据权利要求6所述的方法，其特征包括：机器在做出预测时，不仅仅预测自己的行为可能给自己带来的动机状态影响，还会预测非我可能的行为以及这些行为可能给自己带来的动机状态影响；机器在预测非我可能的
行为时，依据的假设是（1）过去关于非我在类似状态下的行为记忆和（2）假设非我也是按照趋利避害的方式做出决策。...

【专利技术属性】
技术研发人员：ꢀ七四专利代理机构，
申请(专利权)人：陈永聪，
类型：发明
国别省市：