[发明专利]一种模仿人类智能的机器智能实现方法

说明书

本发明申请提出的学习方法，是模仿人类学习过程，通过总结信息、重组信息、通过动机来寻找各种重组方案、并通过把一个过程分成多个中间环节来寻找可模仿的经验等手段，机器逐步获得从简单到复杂的从输入到输出的响应，并拥有和人类相似的情绪表达，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，目前在业界还没有与之类似的方法。

技术领域

本发明申请涉及人工智能领域，尤其涉及建立类似于人类智能的通用机器智能领域。

背景技术

当前机器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机器。比如深度学习中，多层神经网络通过反向误差传递来寻找误差函数最小的多层映射。机器并不理解输入信息的意义，也不能预测这些信息可能的后续发展过程。卷积神经网络，是通过对多层神经网络的数据做预处理而得到，它也有同样的问题。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推测信息发生的原因，来预测信息发生之后可能的结果。而人类通过学习，能够对输入的信息推测原因、预测结果并作出选择和响应。所以，目前的机器智能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提取，基于经验，而不应该基于数据处理方法，数据处理方法是为方便信息复用服务的。所以本发明申请提出的学习方法，是模仿人类学习过程，通过总结信息、重组信息、通过动机来寻找各种重组方案、并通过模仿来实施响应等手段，机器逐步获得和人类类似的通用智能。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。本发明申请提出的方法，是针对实现一个类似人类、甚至超越人类智力，并在情绪和动机等方面和人类类似的机器智能，目前在业界还没有与之类似的方法。

发明内容

人类的智力是一种进化的结果。我们的祖先，在没有语言符号产生之前，他们探索世界时，一定是使用图像、声音、气味等基础传感器获得的信息来认知这个世界，并通过这些信息来总结经验。在本发明申请中，我们采用同样的方法，把所有输入的信息，重新还原到我们祖先的思维方法上去，进行信息处理。然后使用语言来作为输入和输出。

人类是因为理解事物之间的关系，所以才能根据这些关系做出符合自己利益的选择，并实施这些选择。这就是人类的智力表现形式。在本发明申请中，机器也是一样，它对输入信息处理，利用关系网络来重组信息响应，利用评估系统来选择最优信息响应，利用逐步模仿来实现最优信息响应输出。下面我们来分别说明。

1，相似性的建立。

在本发明申请中，第一个基本假设是：“如果两个信息的部分属性相似，那么这两个信息包含的其他属性可能也相似”。这是机器学习的起点。很幸运的是，我们所处的世界正是这样一个世界。比如，两个苹果的纹理、颜色和形状都很相似，那么他们拥有的其他属性有可能也相似。比如味道、重量、价格或者硬度，也包括和发现这个信息之前的关联信息，比如都长在苹果树上，都在秋天成熟等；也包括预测这个信息之后的信息，比如它们在自然情况下会逐渐渐腐烂掉，在冷冻中可以长期保存。相似性还表现在动态过程中，比如对两段“一个人去买东西”的信息，我们可以合理推测它们之前的信息可能都是“她(他)需要这个商品，并且目前缺乏”，或者之后可能的信息都是“她(他)需要付钱，并把商品拿回去”。这种通过局部相似性来推测更大范围的相似性，就是我们学习的起点。本质上，“相似性”隐含了我们使用同样分辨率来对比这个前提。比如，我们不断增加分辨率，可以认为这个世界上没有两个苹果是同样的。但我们不断降低分辨率，可以认为这个世界上所有苹果都是相同的，它们都是“苹果”。甚至进一步扩展到，世界上所以物体都是相同的，因为它们都是“物体”类。所以，我们可以借助不同的分辨率下，寻找事物、场景和过程的相似性，并依据相似性，合理地推测它们在这个分辨率下的其他属性(比如产生的原因和带来的结果)也相似。这就是经验总结。

1.1 寻找静态相似性。