现在流行的人工智能技术，例如GPT技术，基本上是基于原有的大数据技术发展起来的，并不是我们所说的拟脑人工智能，拟脑顾名思义就是要模拟人类的思维方式，能够让人工智能按照人类的思维方式思考问题解决问题，拟脑人工智能也需要训练，就像孩子需要学习成长一样，即使找到拟脑计算模型，这种计算模型初期与GPT相比并没有优势，但是随着不断成长，拟脑人工智能会通过自主发展，未来会超越现有的GPT计算模型。也许，不久，OPENAI公司在GPT发展过程中发现问题，并勇于从底层计算模型发起变革，勇于颠覆性的尝试拟脑模型，那时就又会发生一个现象，大批国内的公司抄袭模仿GPT技术。
我们说的拟脑人工智能是指什么，简单说一点，就是人工智能在计算模型结构上要符合人类的信息存储方式和思维方式。很明显，现有的GPT模型不符合，不管是你的训练度到达2000亿的规模，依然不属于拟脑模型。后面我会发起拟脑计算模型的探讨，欢迎大家一起讨论。
但是什么是拟脑人工智能？能够理清楚脉络吗？
当然很多人会说就是神经元大模型呗，用名词解释名词，我们需要了解人工智能的真正含义，才能在人工智能领域成为思维原点的发起者，才能从原点出发，发现问题思考问题解决问题。
什么是人工智能？人工智能就是利用计算机系统，创建计算模型，模拟人类的思维。
神经元理论就是由两名科学家，发现了人类面对外部事物刺激神经获得反应的过程，后人根据神经元理论，构建了计算模型模拟这个过程，这就是以神经元理论创新的人工智能算法模型。实际上神经元理论是有缺陷的，西方机械教条思维，经常把现象归纳出的规律当做本质定义，这个暂时不讨论。
继续，人类不只是用图像感知，包括色声香味触法都是感知方式，语言信息的传递也是感知方式，所以，语言是感知层的工具，不是思维的工具。
人们看到语言，会自动搜索语言中关键字及其关联关系，然后分析含义，这就是大数据的理论依据，大数据模仿了人类对内容的感知。但是，这些都是感知层的技术，有些大模型是通过感知层直接对应内容，中间少了拟脑思维层。
关键问题来了，人类的思维是什么样子的，如果不知道人类思考的方式，怎么创造出模拟人类思考的计算模型，人类是用语言思考的吗？不是。
人类不是用语言思考的，每一个人可以自己做一下实验，人类思考是在概念信息及其关联关系中延展路径，概念信息是语言吗？不是，概念信息是独立的特定的信息，语言只是信息的描述方式，概念信息可以是一个词，也可以多个词，也可以是一段描述，但是，这些概念信息在思维的时候，不是语言，而是具备含义的信息元，人类思维的方式，是在具备独立概念的信息元及其关联关系中寻找有效的最优路径，输出的时候，才会转化为动作，语言属于动作的一种。
多元关联拟脑技术就是模仿人类思维的方式，通过定义信息元及其关联关系，创新的计算模型，专用于人工智能的拟脑思维层。
我文章中的计算模型的名字是“多元关联拟脑技术”，其中分为两大部分，多元关联拟脑模型部分及执行脑算法部分。
后面我会不定期地写一些关于我自己的发明文章，但是由于专利审查还悬着，而且最近事特别多，不能连续发，请谅解。
今天先从几个概念开始。
什么是信息元：
这个词是我先用的，也许有人用过，但是内涵定义及格式与我说的不一样。我们把当今人类所能实际涉及或者思维延伸涉及的概念，全部定义为信息元，实际涉及，例如你身边的具体事物，思维延伸，例如虚拟概念，方法及过程，乃至科学推导假想等。说明一点，信息元不是大数据中的关键字，虽然信息元创建需要关键字TAG组及关键字TAG关联模型辅助定义，但是，信息元不是关键字，更像是GPT中的内容对象，但是因为计算要求不同，所以又不同于内容对象，后期会写信息元格式及定义，以及在计算模型上参与计算的过程。
什么是相对关系：
多元关联顾名思义是研究关系问题的计算模型，举例说明，A与B有关联关系，B与C有关联关系，我们为这些关系建立三维向量定义，我们发现在ABC三者之间存在关联关系定义的向量，但是A与C之间，虽然通过向量转换可以计算A与C的向量关系，但是实际上A与C没有直接关系，ABC之间的关系就是相对关系。这是多元关联拟脑模型的一个关键概念。多元主要依据相对关系做思维计算，而绝对关系多用于统计归纳等抽象计算。
三维坐标系空间：
三维坐标系空间不是三维坐标系，是指在一个空间中有多个三维坐标系，且这些三维坐标系可以相互定义，那么，这些三维坐标系属于同一个三维坐标系空间。例如刚才的例子ABC分别以自身为原点建立三维坐标系，形成ABC三个三维坐标系，这三个坐标系因可相互定义，则属于同一个三维坐标系空间，为什么这样，因为多元计算模型的基础计算需要ABC的相对关系，且在这个模型中，ABC地位平等，都可以成为思维的发起点。同理，无法相互定义的三维坐标系，不属于同一个三维坐标系空间。
无法相互定义的三维坐标系属于不同的三维坐标系空间，但是有一个现象，两个不同的三维坐标系定义，却是重叠在一起作用于人类思维的，日用而不知，每一个人每天都在用，却不去关注而不知道，而这个特点就是人类思维的一个重要特点，也是多元关联拟脑模型及执行脑算法技术创新的依据。
这里说明一下，计算机应用科学不同于基础科学研究，计算机应用科学中的创新和技术应用，大部分来源于生产生活中的实际需求，以及随着生产生活中的实际需求不断深入，不断变化，不断复杂，应运而生出更多的计算模型和算法函数。
例如：用于准确定义内容的关键字TAG关联模型。TAG技术最早应用于大数据技术，是为了便于人们在海量信息中搜索出自己想要得到的信息。简单模式就是，关键字--TAG---对象内容。
这是在海量信息的现状下发展的技术，不过随着信息量的增加，以及人们对信息内容定位的准确性要求越来越高，简单的关键字TAG组，导致出现大量的重码问题。怎么办？
人们不断的发现问题解决问题，在研究过程中，发现关键字TAG组针对不同内容，即使关键字词组相同，但是，由于关键字TAG之间的关联关系不同，这种区别可以用来分别不同的内容，这就出现了关键字关联模型定义内容，即使关键字TAG组词元相同，但是关联关系不同，也可以识别不同内容。
又后来，进入更细微的领域，发现某些内容概念，不只是关键字组相同，粗关联关系也相同，但是，这两组内容又是不相同的内容，无法使用原有的方法分辨，怎么办？这就产生了向量定义，即使关键字组的粗关联关系相同，但是关键字之间的向量定义不同，例如，TAG1与TAG2在内容一中间隔了五个字，TAG1与TAG2在内容二间隔了七个字及一个标点符号，这就产生了距离定义，关联关系导入到向量模型中，就是向量的G（V，E）中的角度V与边E不同，也可以用来准确地区分不同的内容对象，这就产生了现有交互式人工智能的精确定义内容的算法模型，一直沿用到今天，某些大公司的GPT模型，通过后期训练，已经可以做到2000亿个内容对象，据说还能更多。
向量差异不只是在文字内容中出现，更是在神经元理论中被大量采用，当观察一个事物，例如一只狗，那么通过碎片化该狗的特征，形成多个关键信息，这些关键信息本身就会产生距离角度等向量关系，耳朵和嘴之间具备向量关系，前腿与后腿之间产生向量关系，以及某些向量关系在运动中的变化特性等，这些向量关系也是区别对象的方法。
但是，我们发现这都不是拟脑人工智能，依然属于基于大数据技术及神经元技术发展的，交互式人工智能技术，希望这些技术继续发展，看看什么时候可以发展到信息元关联计算阶段，多元关联拟脑技术。
本书首发来自17K小说网, 第一时间看正版内容！