[发明专利]一种实现通用人工智能的方法

说明书

本发明申请公开了一种实现通用人工智能的方法。它提出只需要提取事物之间的相似性关系、时间关系和空间关系，在记忆和遗忘机制的优化下，就可以建立起事物之间的关系网络。它提出了把本能动机、收益和损失评估等信息也作为输入信息，并保持于记忆中。机器只需要整理记忆中的关系，用这些关系重组记忆，利用收益和损失评估系统来选择响应，并通过模仿来实现响应，就可以建立起类似于人类的通用人工智能。

技术领域

本发明申请涉及人工智能领域，尤其涉及通用人工智能的实现方法。

背景技术

当前人工智能还处于专用人工智能阶段。这样的人工智能只能应用于单一领域，难以把所学的技能应用于各种场景，也无法产生类似于人类的通用智力。当前人工智能的训练和响应过程和人类的学习、思考和决策过程存在巨大差异。比如深度学习中通过优化系数来寻找误差最小的多层映射。机器对中间层的特征是随机选择，通过误差函数来约束。为了确保机器能选出合理的中间层特征，需要极其大量的数据来训练，而且训练好的模型，难以迁移到训练领域之外运用。目前流行的深度卷积神经网络，虽然通过滤波的方式去掉了部分细节，从而帮助机器得到更加合理的中间层特征选取，但它依然需要大量的训练数据。机器最终的判断依据有可能是基于某些人类不会注意到的细节，所以训练的模型有可能很容易被欺骗。目前的知识图谱工程，通过在大数据中提取文本或者概念之间的关联，来帮助机器搜索时联系不同事物。但这些关系缺乏量化，缺乏一种方法来帮助机器利用这些关系来自我学习、自我总结，并通过所学知识在日常生活中应用，来达到自己的目的。这些方法和人类的学习方法差异很大，无法产生类似于人类的通用智能。

而本发明申请认为机器的智能应该基于信息理论，而不应该基于数据处理方法，数据处理方法是为信息理论服务的。所以本发明申请提出的学习方法，是模仿人类学习过程，通过记忆整理、记忆和现实重组和对重组后的信息模仿，在机器的动机驱动下，机器逐步获得从简单到复杂的从输入到输出的响应，从而表现出和人类相似的通用智能。这些都展现了本发明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，目前业界还没有与本发明申请相似的学习方法。

发明内容

本发明申请提出了一种新的学习方法和实现步骤，下面做具体说明：

语音、文字是人类后天的产物，语言之外的信息才是我们天然的学习工具。比如通过图像来认识世界，存在天然的优势。一，图像存在天然的相似性。通过相似度对比，机器可以对图像自我分类。二，图像在生活中存在天然的逻辑关系，比如水和河流。三，通过图像学习，存在天然的大数据可以利用。比如日常生活，图像无处不在。这样机器可以在通过日常生活，自然而然的学习，这个学习过程类似于人类的学习过程。尽管通过图像学习是进化带给我们的产物之一，但通过图像学习也存在天然的劣势。一，数据量过大。二，细节过多导致概括性差。三，没有和其他传感器输入信息联系起来，比如语音、文字、触觉、嗅觉等。四，很多概念没有图像来代表，比如热爱、恐惧、道德等抽象概念。

为了充分利用图像学习的优点，克服图像学习的缺点，本文提出了一种提取图像的特征图，并以特征图为基础的学习方法。类似于图像，我们对其他传感器也提取特征，并把这些特征和图像特征图同样对待。

为了描述事物之前纷繁复杂的关系，在本发明申请中，我们只需要提取3种关系：相似性、时间关系和空间关系。这就大大的简化了对事物之间纷繁复杂的关系的提取。机器认为相似的事物之间存在关系；同时出现在同一空间中的信息，彼此存在关系；同时出现在同一空间中的信息关系，构成一个横向的关系网络；不同的横向的关系网络之间，通过把相似的信息连接起来，就构成了整个关系网络。在关系网络中的关系，随重复出现的次数增加而增加；关系网络中的关系，随时间的增加而递减；通过这样的机制，我们就把那些能够重复出现关系总结出来，并形成认知。代表认知的就是关系网络。

所以，本发明中，处理信息的过程，就是把输入信息翻译成机器能够理解的特征图序列，然后使用关系网络和记忆库来处理这些特征图序列，然后把处理后的特征图序列翻译成需要的输出形式，比如语音、文字或者动作输出。