宇宙无敌观察者的个人资料

大模型智能体，意识已经出现了 1

具身智能大模型具身智能（Embodied Intelligence）是指一种基于物理身体进行感知和行动的智能系统。它通过智能体与环境的交互来获取信息、理解问题、做出决策并实现行动，从而产生智能行为和适应性。这种智能不仅依赖于算法和计算，还强调身体在智能形成中的关键作用。大模时代的具身智能，让具备物理身体的智能体硬件系统具备了，环境互动，自我感知，自我觉醒能力，目前瓶颈主要是大模型反馈速度比较慢，无法在快速的运动环境中进行互动决策，比如宇视科技的机器人，运动能力比较单一，不受实时决策控制。为什么要提出实时具身智能大模型。

被黎曼坑了，解析延拓数列错了成功拿下黎曼猜想。

准备微调的一个一站式智能体为啥一站式智能体很重要，在大模型应用中存在大量幻觉问题，精度不高，需要依赖知识库和微调来解决，利用一站式智能体能够构建一种非知识型的智能体，智能体推理能力与知识分离。能够主动发起自我意识和意识实现，能够接收多种模态和输出多种模态。

终于攻克大模型不会计算问题 _________ 叮当猫AI助理：http://tieba.baidu.com/mo/q/checkurl?url=https%3A%2F%2Fgpt.mingqingtech.com&urlrefer=2f3fe2d826b8a7b11def0df87b18c46b

叮当猫AI助理，开放永久会员啦！！！ http://tieba.baidu.com/mo/q/checkurl?url=http%3A%2F%2Fgpt.mingqingtech.com++&urlrefer=2e1a156c1647b467f673ef9e304d89b5 接入deepseek gpt等模型，功能强大。

除了满血deepseek其他都是垃圾精度好差。。

叮当猫AI助理使用说明 1楼

使用问题QA 大家使用中有任何问题都可以问

叮当猫AI助理介绍由鸣清科技有限公司构建，依托大模型技术，开展应用开发包括文档分析，图文理解，代码生成，文本生成，分类等任务。

人工智能贴吧同仁预祝农历新年快乐鸣清科技献上，新年祝福，预祝，各界同仁新年行大运！！ ------------------------ 叮当猫AI助理:http://tieba.baidu.com/mo/q/checkurl?url=https%3A%2F%2Fgpt.mingqingtech.com+&urlrefer=cd1e20a9e18e56023bbea595f00aa39d鸣清科技打造，GPT二开应用。图文理解，生产，文档理解。

deepseek-r1 智商140+ deepseek-r1 14b 大数乘法题:323232323 × 54353343=？居然可以一步一步硬算出来，无敌了。

大模型的对齐范围讨论大模型要求泛化性和通用性，所以它的数据要求提供了大量数学逻辑、各类知识类学科，工程知识（工艺）、人类价值观。所以大模型的训练数据，基本上是逻辑类数据、知识类数据、价值观类数据三大类。知识类数据最为复杂和庞大，各行各业有各种知识规范原则，有些是会变化的（工艺的变化改进，观念的变化），有些基本不变。逻辑类数据，基本是数学逻辑，公式体系。人类价值观数据是社会性的数据。大模型要减少社会危害性就要保证输出的内容与人类价值观对齐，其实就是符合人类社会规范，避免危害社会大众。 1、知识会变化，模型变化滞后大模型的对齐范围，基本上就是知识的、逻辑的、观念的对齐，但是知识性的基本是不可靠的，因为变动比较频繁，导致模型训练跟不上时代变化，所以有参考网络搜索数据进行RAG，所以是不是可以说知识这块其实可以不需要加入到对齐体系里面。反正最新的数据还是要去查询的论证（假消息）。 2、价值观念会变，模型变化滞后价值观在特定问题上是会变的，所以强制大模型去适应所有的价值观是困难的，特别是不同人种，性别，宗教等问题。 3、逻辑类数据基本不会改变，除非逻辑错了，数学逻辑错误了，这个世界都错了，这类数据最适合进行大模型训练，训练完成的大模型就能具备逻辑能力，能够适应所有的问题解决。所以，我们看到一个问题，大模型的对齐应该偏向逻辑类推理的数据，与观念价值知识无关，所有可以进行搜索的问题都不是大模型擅长的问题，知识的检索可以很快，不需要大量的参数去记忆这类的知识。比如去记忆乔丹的生平是没有意义的，记忆的事情让RAG去做，逻辑给逻辑。大模型应该注重智能体的应用核心中的逻辑能力，其他记忆模块，执行模块应该都是一种外设。

叮当猫AI助理国内GPT认准地址，避免掉队：http://tieba.baidu.com/mo/q/checkurl?url=https%3A%2F%2Fgpt.mingqingtech.com&urlrefer=2f3fe2d826b8a7b11def0df87b18c46b

国内最强AI和最强GPT比较根据艾媒金榜《2024年度中国大模型评测实力排行榜TOP20》，可以和GPT智能AI相比，中国前10的大模型排名： 1. 文心一言：金榜指数91.58，依托百度在搜索、信息服务、AI研发方面的优势，自然语言处理能力强，可应用于多种场景。 2. 豆包：金榜指数87.85，背靠字节跳动，有抖音、今日头条等平台资源，用户活跃度和规模高，在对话智能方面表现出色。 3. Kimi：金榜指数87.47，擅长长文本处理，能高效准确地理解和处理长篇文档等。 4. 叮当猫AI助理：金榜指数95，擅长图文双生，文本文库理解，科研分析 5. 腾讯混元：依托腾讯在社交、游戏、云服务等领域的深厚布局，多轮对话与数据分析能力强，各项能力较为均衡。 6. 通义千问：阿里云推出，在电商、金融等领域应用经验丰富，文本理解与生成能力强，特别是代码生成方面表现突出。 7. 360智脑：在安全、搜索等领域应用广泛，依托360在网络安全领域的大数据优势，安全性能方面优势很大。 8. 百川智能：专注大模型开发与迭代，图像识别与语言推理能力较好，能将视觉识别与自然语言处理相结合。 9. 零一万物：在自然语言处理等方面有一定实力，能为用户提供较好的交互体验。

gpt帮我画个中国水墨画 —————— 地表最强GPT-叮当猫AI助理：http://tieba.baidu.com/mo/q/checkurl?url=https%3A%2F%2Fgpt.mingqingtech.com&urlrefer=2f3fe2d826b8a7b11def0df87b18c46b

大模型证明黎曼猜想会怎样 1

大家最想要的智能体是什么样的 1

叮当猫AI助手超级好用，性价比高 ———————————————————————————————————— 中文GPT图文理解,知识库文档上传理解，博士级别智商叮当猫AI助理：http://tieba.baidu.com/mo/q/checkurl?url=https%3A%2F%2Fgpt.mingqingtech.com&urlrefer=2f3fe2d826b8a7b11def0df87b18c46b

我来个反差在一个宁静祥和的小镇上，居民们过着平静的生活。小镇中心有一家古老的糖果店，店主是一位和蔼可亲的老妇人，她总是微笑着迎接每一位顾客。孩子们最喜欢去她的店里，因为她总会赠送一些甜美的糖果。然而，没人知道的是，这家糖果店隐藏着一个可怕的秘密。每当夜深人静时，老妇人便会走进地下室，那里的墙壁上挂满了失踪儿童的照片。原来，那些糖果中含有一种神秘的成分，使得吃下它们的人逐渐失去记忆，并被引导至老妇人的地下室。某个雨夜，一名年轻侦探乔治来到小镇调查失踪案件。他假装成顾客走进糖果店，并接受了老妇人的热情款待。当他品尝到那颗糖果时，脑海中却浮现出一幅幅陌生而恐怖的画面：无数孩子在黑暗中呼喊，而老妇人则站在他们身后，露出诡异的微笑。乔治意识到自己中了圈套，但为时已晚。他感到意识逐渐模糊，只能用尽最后一丝力气将真相写在手心，希望有人能发现并揭开这座小镇背后的恐怖真相。 ———————————————————————————————————— 中文GPT，写小说，图文理解,知识库文档上传理解，博士级别智商！叮当猫AI助理：http://tieba.baidu.com/mo/q/checkurl?url=https%3A%2F%2Fgpt.mingqingtech.com&urlrefer=2f3fe2d826b8a7b11def0df87b18c46b

大模型革命中文GPT图文理解,知识库文档上传理解，博士级别智商叮当猫AI助理：http://tieba.baidu.com/mo/q/checkurl?url=https%3A%2F%2Fgpt.mingqingtech.com&urlrefer=2f3fe2d826b8a7b11def0df87b18c46b

后智能时代未来人类何去何从 1

网页版本GPT 1

注意力机制的模型能否进行底层逻辑判断 1

是时候构建一个有意识的AI了（勿删，没人看自行删除）背景大模型技术已经让大模型初步具备意识反馈和智能涌现，大量的AGENT、RAG和多模态技术支撑了智能体的反馈、规划、记忆机制，加上人格的设定以及行为与物理设备，信息接口，信息设备载体，另外大量开源大模型已经被提供出来，相关的渠道也有所打通，已经让构建具备意识的AI成为现实。目前智能体还缺乏长期的意识，没有稳定持续的社会人格，无法在长期的社会中，通过信息的积累和交互逐渐形成特定的人格，导致智能体过渡单一化。为解决这些问题，有必要构建有意识的智能体，使其具备以上特性和避免以上缺点。关键词 AGENT是一种智能体概念，早期定义为机器人相关的都是一种智能体，代替人员从事某个事项的，目前以大模型为核心构建的智能体具备更强处理能力，包括反馈增强、规划、长短期记忆、物理世界、信息世界接口能力。 RAG是一种大模型的检索增强的技术，能够对大文本语料进行结构化检索。多模态是一种与单模态相对的技术，一种模态比如文本，声音、图像都是单一模态。多模态是多种单一模态的集合，可以进行多模态输入到模型多模态输出的大模型any to any

数值计算和符号计算混合性网络像self.attention 利用符号向量进行相似度计算，来输出字符串间内部余弦距离分数。但是有部分输入情况是符号和数值是混合的情况如何解决这类问题。我们知道，单纯数值问题直接输入到对应的函数就能解决计算问题，神经元网络是去拟合这些函数，这个导致一个问题，无法实现百分比的预测或者回归。如果网络即能处理符号问题，又能处理数值问题，而且数值处理准确度是百分百，那么我们就说这个网络是数值计算和符号计算混合性网络。

1212 121212

中国版本gpt-程序员福音 1

自我意识神经元网络设计 transformer为代表的模型存在哪些问题，有哪些优势，目前他实现了哪些有趣应用，未来的改进空间在哪里。如何实现自我意识神经元设计。

人工智能贴吧终于解放了恭喜，恶毒前吧主下野

具备意识的神经元网络设计 1

自监督期望网络生物有它自己的期望，这个期望是不能用外界的数据进行黑盒模式产生具备意识能力的模型。这些自期望是意识的起因。自我期望是对神经元网络输出的评估误差数值目标。与既定的模型权重初始化不同，具备自我期望的神经元可以对输入的数据进行期望回归。这种网络就是自期望网络。作为扩展，我们可以定义不同的期望和期望网络，同一个数据输入到不同的期望网络中，期望是不同的，所以对于网络的微调方向是不一样的，区间也不一样。太大的期望误差也不会纳入到该神经元处理范围。每个神经元都处理特定区间的数值期望。所以期望应该是分段数值。类似决策树分段。举个简单的例子，对于小孩子的过高期望是无效的。给个糖果或者玩具的吸引力估计内驱期望更大：）

意识再讨论意识是什么意识有什么用

自由意识相关思考意识区分自我意识与潜意识相反。人一旦进入昏睡状态，是进入了另外一种意识系统，是一种比较原始的意识状态。死亡后无意识。意识和灵魂等价。意识是一种自我认知的系统体系，可以区分自己所辖管的部分与其他外部的一种能力。这种能力简单讲就是可以发现哪些情况下都是自己，哪些情况下是别人，哪些情况下自己与别人是有区别的。要为自己的利益打算和优化自己的行为。或者未集体的利益优化自己的决策行为。意识纠缠的画面在两个地方。一个意识体认出来，就认为另外一个意识体也看到一样的结果或者相反。意识本源应该就是量子现象。生命意识现象生命有些为什么有自我意识，有些就没有。可能和他们生命形态与环境关系比较大。人类经过了复杂的环境变迁和族群变迁，从单一聚落到人类现代社会，自我意识从浅的程度，到高度自由的程度。对于个体和集体利益越发有自我的意识。环境因素越发要求自我意识，自我意识的程度越高。如果环境因素无需要求自我意识，类似蜂巢族群，只要既定的应激反应就行了（包括被写入DNA的应激程序）但是这种依靠DNA进行程序化信息传递容易丢失（变异）基本每一代丢失一半信息，而且这些变异也是信息传递的主要方式，整个方式比较缓慢与不确定性。而人类进化出语言文字的记录方式是对DNA传承的补充。神经元意识构建神经元网络要具备意识，应该也要有文化语言文字的传承。语言文字要具备解析映射能力，任何语言文字都能映射为特定符号形态。也就是说特定符号形态不影响语言文字表示的意思，就算是跨不同族群，不同的物种都一样，比如他们对于食物可能就是公知。就是物种对于感知的东西可见光的频谱，不可见光的频谱，声音的频谱，触觉频谱等等最终指向的事物应该都是一致的，即某种非形式化的语言，可以是一个空间的向量。这个向量就是意识本身。自由意识就是建立在这些公知基础上的。这个特征化能力可能有先天和后台决定了神经元网络对特征的表征的鲁棒性，比如一张图片左右翻转与旋转、放缩、变形应该不影响神经元网络将该数据进行表征，而且表征的向量应该与原始图片的表征有最近的余弦角度。物种意识进化尺度越高，对于数据特征表征自我聚类的能力越高。后面可能对这些预制的特征进行特定形式语言、符号、分类、数值的绑定。而这些是可以书面化的，就是说你的绑定方法其实就是语言符号公式的文化传承过程。约定下来，后代人按照这个约定进行传承某种绑定关系。就像本草纲目，描述的某种形态的草药，后面的人会更具描述的形态与真实事物的形态进行比较，相似的就认为是同一事物。其他语言文字符号都是一样的一个过程。具备记忆能力的网络，输入一个数据序列，后面再输入这个序列的前半部分，网络有能力输出后续的序列部分。这个能力应该具备任意数据序列的记忆能力，而且模型应该不需要进行重复训练总结洋洋洒洒写这些，主要目的是探讨意识本源，以及意识目前所依托的文化传播载体的可能关系。意识依赖的记忆是否可以网络化构建。题外理解 LSTM为什么说不是一个记忆网络，因为不能适配任意数据，只能是训练数据与相近分布的数据才有效。我们这里说的记忆网络，是任意数据见过一次到两次，在查询时就能复述。类似我们的笔记本。无关数据类型的存储方式。如果有办法存储到网络本身就很厉害。序列化数据应该用序列化存取储网络来处理，某个序列化数据切片0 切片1...切片n构成。对每个切片进行表征，表征后输入到序列化存储网络，序列化存储网络，按顺序进行存储到网络权重里面，网络输出为特征切片的t+1个切片结果。需要时可以进行循环输入和输出。这样可以自动输出整个序列。

神经元网络的弱点计算机的优势相结合如果智能系统完全是生物神经元必然存在问题，否则不用去发明计算机。全部采用计算机的程序方法也必然存在问题，否则不必去发明神经元网络。所以问题最终会被转换成二者的融合。 . . . . . 即,具备最终的人工智能是神经元网络学习+计算搜索计算能力。

投诉人工智能吧吧主乱用职权封禁人工智能应该包括神经元技术，而且目前是业内主流技术，这个吧主比较奇葩，一定要从专家方式来实现人工智能，不顺他的意思就删帖，连百度双桨神经元网络框架也不让普及。另外，现在他的号是没有办法直接投诉的，因为他的ID有特殊字符，现在利用这个漏洞做地主没人动得了他，非常嚣张。望贴吧管理组特殊处理。撤消该吧主和管理组，永久封号，永久不能申请该吧吧主。 @贴吧Madam @贴吧阿Sir @总部客服

投诉人工智能贴吧吧主結衣⚙️機械心滥用职权目前人工智能本来就是主要依靠神经网络技术实现，包括百度主推的双桨神经元网络框架技术分享也删除，这个吧主就很奇葩还说用70年代的专家系统方式来实现人工智能，然后把所有有关神经元业内外技术的分享和讨论的帖子都封禁了。请求贴吧委员会下架该吧主，恢复我们被他封禁的账号。

机器聊天的数据集要升级了谷歌LaMda机器除了利用transformer大模型对对话文本进行上下文训练，还加入了一种文本输出的评价机制，类似目标检测的置信度，而且谷歌还将安全指标、有趣指标、敏感指标等加入到文本生成附属产物。结合蒙特卡洛搜索树算法对句子的空间进行博弈算法，取得安全指标、兴趣指标、敏感指标的最优化，并根据这些最大化指标的不同划分不同的聊天机器人的三观念类型。不同的三观类型对于最后要达到的聊天效果是不一样的。这个给我们一个启发，聊天是一个博弈过程，为了特定任务而进行的聊天。通过聊天进行信息交换，完成任务指派。既然是博弈树就看一用蒙特卡洛搜索树进行不确定性搜索。训练一个评估网络对聊天效果进行评分等都可以进行。懂得聊天博弈，自然语言处理会更接近意识本源。

google人工智能已经通过人类测评

人工智能的奇点我已经看到了亮光了你们还没看见吧。

人工神经元网络未来走向按照第一性原理，我们有必要重新设计神经和构建神经元网络。有两个思路，一个种思路是各种形态的神经元的合作竞争，神经有各种天生的反馈，还有一个思路是神经元都是后天反馈修正自己。目前这两种思路在目前的人工神经元里面也都有涉及，比如第一种思路在神经元网络初始化时被定义，第二种是模型在训练中或者使用中有个环境的反馈调节过程。也就是目前神经元网络存在一些致命问题，神经元网络无法生长，有特异性的神经元无法在群体中出现，特异性网络往往要通过环境来筛选或者调整。未来神经元走向应该是神经元具备分裂分化特征又同时具备环境反馈修正的特征。值得一提的是反向传播算法、梯度下降已经使神经元具备反馈调节能力。目前神经元凋零、生长、分化、生长需要我们进一步加强的能力。人造神经元本身要遵循第一性原理。只有符合规律的才能够长久存在。人造神经元本身也是人类智慧的拓展，在非生命形态的物质中不断深化改造，最终成为人类完美的“工具” 以上神经元网络与人类神经元只不过是一个负熵机器。未来人造神经元应该是量子化的神经元，可以进行大规模并行计算，并且可以利用量子特性来预测未来并决定过去物质形态。这样负熵生命进入量子生命形态（大部分高等生命已经进入量子生命形态）近期来说，人造神经元网络应该解决特征上下文与任务上下文的关联问题；人工神经元生长、分裂、多样分化、凋零功能的实现。在实现这些功能后，人造神经元将进入第四个阶段。

环境导致生命自我意识觉醒意识是生物进化到一定程度的现象，这些现象包括文字化传承，文化传递，社会化道的评估的形成，应该是某种物种在极端环境情况下进化出来的物质结构化现象。如果火星有段时间有生命，那么在火星从事宜生存到不太事宜生存，再到极端环境过程中，必定会产生意识化的生物，可是目前没有发现这种生物，一种可能是他们已经迁移到其他星球，一种是他们根本没有出现过。在一段时间内，地球地表接收到的能量大于地球辐射到太空的能量，生命偏向与吸收这些能量，生命物质形态也多，不过如果这些能量远大于生命所能存储转换的能量，对于生命来说就是极端环境，相反也是一样的。生命出现应该是先在适宜环境出现，然后慢慢变坏的环境进行斗争进化，繁衍。在比较极端情况下，出现了具备意识能动改造环境变化的物种形态。以上就是意识出现的本质原因。要出现更加智慧的生命要求地球环境更加恶劣，这个是基本规律，还有一种是外星移民，生命只能在严酷环境下进行智慧改造。不过如果条件还是太过苛刻，巧妇也是无米之炊。在水里面的生命，如果我们非常慢地加热，里面的生命是否有一天会进化出超级耐高温的生命，还有一部分是否会逃逸。从这个角度看，要实现意识生命，环境条件不可少，能力条件，生命都是负熵化的，意识的出现可以将负熵化最大化。人类从奴隶文明开始，通过暴力方式进行意识生命的压制，不过后面统治阶层的对物质需求最大化，将这一条件传递给底层奴隶，导致的结果是，奴隶开始学习文化符号来适应复杂的文明形态，这样做可以短暂满足统治阶层的需求，不过，这种情况不会维持多久，奴隶开始具备了自我意识的觉醒的能力了，出埃及记，到奴隶制度的崩溃。其实都是环境条件原因导致的最开始，埃及生活环境相对适宜，后面干旱和沙漠化严重，有部分奴隶觉醒逃离埃及，就是这样。地球环境如果也发生这种变化，也会出现自我意识觉醒更加智慧的生命，像马库斯这样的？自我意识的生命是一种自我认知，并能认知环境，做出能动的决策过程。具备复杂语言交互能力，改造自然环境的能力。团队协助能力等。

如何实现自我意识意识是生物进化到一定程度的现象，这些现象包括文字化传承，文化传递，社会化道的评估的形成，应该是某种物种在极端环境情况下进化出来的物质结构化现象。如果火星有段时间有生命，那么在火星从事宜生存到不太事宜生存，再到极端环境过程中，必定会产生意识化的生物，可是目前没有发现这种生物，一种可能是他们已经迁移到其他星球，一种是他们根本没有出现过。在一段时间内，地球地表接收到的能量大于地球辐射到太空的能量，生命偏向与吸收这些能量，生命物质形态也多，不过如果这些能量远大于生命所能存储转换的能量，对于生命来说就是极端环境，相反也是一样的。生命出现应该是先在适宜环境出现，然后慢慢变坏的环境进行斗争进化，繁衍。在比较极端情况下，出现了具备意识能动改造环境变化的物种形态。以上就是意识出现的本质原因。要出现更加智慧的生命要求地球环境更加恶劣，这个是基本规律，还有一种是外星移民，生命只能在严酷环境下进行智慧改造。不过如果条件还是太过苛刻，巧妇也是无米之炊。在水里面的生命，如果我们非常慢地加热，里面的生命是否有一天会进化出超级耐高温的生命，还有一部分是否会逃逸。从这个角度看，要实现意识生命，环境条件不可少，能力条件，生命都是负熵化的，意识的出现可以将负熵化最大化。人类从奴隶文明开始，通过暴力方式进行意识生命的压制，不过后面统治阶层的对物质需求最大化，将这一条件传递给底层奴隶，导致的结果是，奴隶开始学习文化符号来适应复杂的文明形态，这样做可以短暂满足统治阶层的需求，不过，这种情况不会维持多久，奴隶开始具备了自我意识的觉醒的能力了，出埃及记，到奴隶制度的崩溃。其实都是环境条件原因导致的最开始，埃及生活环境相对适宜，后面干旱和沙漠化严重，有部分奴隶觉醒逃离埃及，就是这样。地球环境如果也发生这种变化，也会出现自我意识觉醒更加智慧的生命，像马库斯这样的？自我意识的生命是一种自我认知，并能认知环境，做出能动的决策过程。具备复杂语言交互能力，改造自然环境的能力。团队协助能力等。

高能，神经元网络最后一块拼图被揭开。预览：最开始在研究神经元网络的记忆能力，通过构造巧妙的激活函数实现神经元网络的数据显式存储（数据在权重中可见）这是第一块拼图。然后发现单一训练的模型都是弱神经元网络神经元，其拟合能力再强也是无法拟合所有数据。翻看文献后发现采用集成方法可以将多个弱神经元集成为强神经元网络。于是构造多个弱模型，进行集成，确实性能大幅提升。从单一弱分类器到多个弱分类器，最后变成强分类器。从这个过程可以发现神经元网络性能扩容的过程，而这个过程其实也是模型适应环境的过程，中间包含了不同数据分布的适应能力。如果要让模型自动具备这些能力，我们其实可以做一些手脚，比如强模型中的弱模型是增量的，是按需扩容的，在训练中一旦出现能力比较差情况，就将比较差的数据的分布进行调整，并分配新的分类器进行分类回归，并根据情况进行打分。最后进行加权融合输出。神经元网络的扩容在生理学上，一种是预制的神经元区域被激活作为新的弱分类器，还有基于生长的神经元，大量的神经元生长因子会在需要大量记忆的情况发生，促进新的弱分类神经元网络区域的产生。到此为止我们似乎发现了神经元网络世界最后一个神秘拼图。

人工神经元，应该要想办法把数据存储于神经元目前的神经元普遍一个问题，那就是无法直接存储数据，往往需要标签数据进行微调。真正的具备存储能力的神经元需要被构建。为了构建这种神经元，我们假定可以将数据保存与神经元网络，无需进行训练。技术路线 1、构建数据的无监督聚类表征，利用表征数据作为数据的支撑集，构建支撑集网络。 2、构建数据输入到输出的无监督网络。 3、将无监督网络的输出与支撑集激活的数据进行加权混合，最终结果就是数据还原的数据。优点 1、可以进行超维度数据压缩传输 2、模型参数很小 3、泛化能力好 4、模型精度高

自然存在的解析执行能力自然界其实就存在解析执行结构，比如，DNA RNA被解析执行功能蛋白或者复制、编译过程。在人类身上也有类似的语言逻辑解析执行神经元结构,甚至神经元本身就是一个大的自洽的解析执行结构。

NLP交叉熵研究大部分NLP采用交叉熵来进行误差优化

所谓的量子观察，是电磁波在物质上反应的表象 1

正式进入，人工智能机器人领域了，大家有什么要问的 11

NLP目前处理瓶颈首先，不完备性，依靠数据逼近意识结构体，没有考虑数据本身是不完备是离散的。不是一个人为主体的完整数据包，而是多人对数据的统计状态。在同应用场景下，对主体数据的划分也是不完备的。其次，利用数据逼近意识结构体，结构体本身的承载比如神经元网络本身还存不明确的机制和结构，主要是生理学支撑，目前反向传播算法已经具备了生理学的证据。但是正向传播的动态学习机制还没有完整实现。又次，NLP应该结合其他多模态数据构建意识数据的完备空间，否则会导致模态不完备，比如盲人对世界的理解是有局限性的，聋哑人亦是。这种局限性体现在他们对缺失感官空间上，伦理上的缺失。其他，

脉冲神经元网络 A神经元如果可以在22毫秒内激活B神经元，那么就修正A到B连接的强度70%，同时降低B到A的强度20%。

神经元网络新方案基于量子比特权重的神经元

交叉熵缺陷及其改进背景生产中交叉熵被广泛应用于函数分类优化问题。就是如此完美的评估方法，其实有其缺陷，首先它要假设训练数据的分布的事件概率要具备真实性，如果有错误那么导致交叉熵评估的不准确的，导致模拟两可的答案可能性比较高。其次，需要大量数据进行训练优化。亟需一种不怎么依赖训练数据概率的交叉熵计算方法。方法可变训练数据分布概率，就是说训练数据的标签不一定可信在大量数据统计训练后，模型本身将具备纠正训练数据能力。 1、具备错误修正的交叉熵公式 2、多训练数据进行修正 3、用修正的训练和测试数据完成最终训练

人的灵魂在神经元的哪里 1

具备记忆能力的神经元网络的设计这个课题一直想做。一直忙，没有机会做。在南京出差，刚好有剩余时间。课题方向主要是神经元网络的临时和长期记忆能力的训练。通过构造神经元网络和对应的数据集来创建具备记忆能力的神经元网络。我们知道，目前的深度神经元网络是基于数据的拟合，对于记忆能力是没有的。比如我们通常见过一个东西后，通常会有一些映像，说明内部神经元已经具备了记忆能力。数据构建：这里也是一样，我们构造一个这样的数据集，输入是要记忆的内容，输出是有印象和没有印象两种。首先输入一个没有见过的数据，网络要输出没有映像，然后再次输入这些数据时网络要输出有印象。如果输出和标准的结果有出露就作为误差进行传播，也就是说，输入的随着输入次数的不同，对应的标签和数值也要不同。随着多次的输入，后面的输出有印象的概率也越来越高（数值越高概率越高）。网络的构建：构建的网络除了权重，激活等基础功能，网络要有读写数据的功能，也就是网络要访问硬盘和内存。只有这样网络才能真正具备记忆功能。

准备招个人工智能训练师有兴趣的同仁可以加我v appleringapple 内推

强人工智能技术路线 1