CN103473111A - 一种仿脑计算虚拟化的方法和*** - Google Patents
一种仿脑计算虚拟化的方法和*** Download PDFInfo
- Publication number
- CN103473111A CN103473111A CN2013103601439A CN201310360143A CN103473111A CN 103473111 A CN103473111 A CN 103473111A CN 2013103601439 A CN2013103601439 A CN 2013103601439A CN 201310360143 A CN201310360143 A CN 201310360143A CN 103473111 A CN103473111 A CN 103473111A
- Authority
- CN
- China
- Prior art keywords
- brain
- engine
- bce
- imitative
- imitative brain
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
- G06N10/20—Models of quantum computing, e.g. quantum circuits or universal quantum computers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Machine Translation (AREA)
- User Interface Of Digital Computer (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种仿脑计算虚拟化的方法和***。仿脑计算是仿效人脑而自动产生智能的科技,如何使用计算机软件方法和虚拟化技术来实现,是本发明所关切的。本方法利用无意识引擎和有意识引擎来定义人的左脑和右脑,使用软件虚拟化的技术运行在未来的硬件科技,例如量子电脑或分子电脑上。其应用的领域包含绝热量子模拟,无意识和有意识的自主计算应用,涌现通讯的应用,以及仿脑灾备***。
Description
技术领域
本申请涉及仿脑计算虚拟化的领域。
背景技术
专家***和业界问题
在80年代风靡一时的人工智能,开展了“专家***”的使用。这些专家***仰赖知识工程师输入规则,形成规则库,用以解答各种专家问题。例如企业灾备专家***可以有个规则“如果CPU长期处于95%忙碌的状态,则资源应该进行调整”。但这个规则必须仰赖知识工程师的人脑输入,而非自动产生的。此外,对于“如何处理银行***突然停机?”这样的问题,专家***可以预备答案,但永远没法自动产生如下创意性的回答:“昨天是长假的开始,是不是可能有人在返乡前匆忙修改了***设置,导致停机?”或对于“灾备***该怎么设计才不会导致停机灾难?”这类问题,传统的专家***也无法自动组织、输出企业灾备***的工程设计。所以,业界一直未能解决的技术问题是:
“计算机***如何自动产生有创意的智能?”
例如,找到问题原因;做一个设计;或产生一个能改进自己的***。
IBM从2000年开始推行的自主计算,模仿人脑的执行功能:监视、分析、计划、执行,也无能力产生创意智能。其间,机器学习如人造神经网络(Artificial Neural Net)或符号计算等人工智能科技,在吸收知识和少许有限的产生智能方面也并无突破。2006年,IBM的Watson专家***击败jeopardy的真人专家算是出色了。Watson输入了2亿网页内容,包括全部的***,所以能针对问题回答。我们认为Watson在建立语义网络上有很大进步,但Watson还是不能产生真正的创意、智能。即使如此,IBM在2012年推出的IBMPureSystem和ExpertIntegrated Systems已将Watson专家***融入了她的Smart Cloud产品中。这种现代专家***,能够辅助云计算复杂的资源部署,优化工作负荷。但是未必能产生智能,自动改进自己。同样,MIT的Bliss和Hoffman专利USA Patent US7983890,对于多核计算的性能问题使用智能方法观测、决定、行动(Observe,Decide,Act或ODA),也只是利用了预先设定的方法优化性能,而不能创意性的自改进。
量子意识
Kauffman 2011年的专利申请US 2012/0071333A1提到人脑的思维可以经由自组织和涌现方式产生,他并且认为传统计算机的速度并无法和人脑相比,必须用到分子电脑或量子电脑。所以“量子意识”的方法可能产生像人脑的思维,这是一个突破。Kauffman解决了困扰人工智能科学家的以下两个被认为是极困难的技术子问题:
绑定问题一(俗称Binding Problem 1或BP1):所有的专家知识或专家智能都会遭遇到下列问题:如何预测知识?如何将知识分类?和如何从“类似”的知识产生新概念?而一般认为这是不可能达到的事。Kauffman的解决方案是,既然我们无法预测所有的可能知识或智能,加以分类,从相似性得到新智能,解决方法就是仿效大自然的自组织定律,例如冬天的雪花飘落时,会形成美丽的六角形,是自组织的结果,由此假设智能也可以经由自组织产生。例如IBM美国专利,"Self-awareand self-healing computing system",US7484121,就是这类的数学理论,但与Kauffman一样,这些专利均未提出采用计算机软硬件实现的技术手段。
绑定问题二(俗称BP2):更基本的问题是,究竟肉体的人脑如何产生抽象的智能?电脑又如何仿效人脑产生智能?“量子意识(Quantum Consciousness)”解答了这个问题:传统的电脑(位元bit=0和1)产生智能的效率不彰,要靠量子电脑(量子位元qubit=向量和张量)或分子电脑才能产生。Kauffman在他的专利中将涌现论嵌入量子图灵机Trans-Turing System(TTS),这确实是一大进步。但近代量子计算机使用拓扑量子计算(topological quantum computing)的辫结(Braiding)方法来纠正错误,已使得TTS的重相干(recoherence)完全没有必要。再者,Kauffman也没提到用计算机软硬件的技术手段来实现。
Kauffman的其它问题:
(1)如何可以确定“红”,“蓝”,“三角形”,“正方形”的配对,例如为何是“红色的三角形,蓝色正方形”,而不是“蓝色的三角形,红色正方形”?这个问题Kauffman也没有明确解决方案。但一个新的领域“量子认知(Quantum Cognition)”解答了这个问题:一个思维概念其中的重要元素,可以用量子认知度量得知其合理性、该思维中的各元素组合之后的合理性,及其智能级别。请参考Aerts2012“Concepts and Their Dynamics:A Quantum-Theoretic Model ofemergence”一文。
(2)量子意识的另两位大师:Henry Stapp和Jeffrey Schwartz扩充Von Nuemann量子过程1,2为过程0,1,2,3(称之为vNs过程)时,提到自由意志如何影响量子的测量问题。他们认为,神经递质的是否释放,受到自由意志,或专注力的影响。请参考Schwartz2004“Quantum physics in neuroscience and psychology:model ofmind-brain interaction”一文。Kauffman对于自由意志的介入没有明确解决方案。
(3)神经递质的释放是否真的和智能有关?根据美国亚利桑纳大学意识研究中心副主任Stuart Hameroff的实验研究,必须要有同步振荡的Gamma射线传播,才有真正智能的传递和纠结。可参考Hameroff2010“The conscious pilot:dentritic synchrony moves through thebrain to mediate consciousness”一文。Kauffman和Schwartz所述的突触释放神经递质只是化学传递,传递的信息还不是真正智能。
其它方案
目前所谓的生物启发认知结构(biologically inspired cognitivearchitectures或BICA),几乎全部是在传统电脑上运行,并未考虑在分子或量子的硬件上运行所需要的技术手段,也未必支持量子意识的内涵。还有所谓有机计算(Organic computing)容或使用涌现模性,但均未考虑类似量子意识、量子认知以及最根本的量子图灵模型。我们认为这些结构如果不从根本着手,完全无法产生创新的思维。
以上所述理论,如涌现论、量子意识、量子认知,尽管在科学界多有辩论,但所提供方向的正确性仍然不变。只是,如何从计算机科学的工程角度使用技术手段融合他们却看不到,更遑论工程实现后的应用***了。实现量子意识工程方法其中的困难之一,就是量子电脑的硬件,至今多半还在实验室中,而纯量子计算图灵机方面,例如日本TanakaUS7400282 B2的专利,已经涉及工程方法,但也不能解决量子意识面对的问题。至于Yoder的已公开专利申请US2011/0140736A1“Systemsand Methods of Brain-like Information Processing”完全从逻辑电路的硬件角度作仿脑的设计,而不像本专利乃是从虚拟化、软件角度出发,硬件设计不是重点。
“仿脑”一词
最后,量子意识或量子认知理论只是被我们使用的实施例,而实际可能还有其它方法(譬如分子计算)。既然我们的方法是一般性的,此后我们就用仿脑涌现论、仿脑意识、仿脑认知三个名词来取代上述三个理论。“仿脑”一词,在本发明中有着宽广的意义:它可以是情感引擎、有意识引擎和无意识引擎的通称,也可以是传统计算、量子计算和分子计算的混合解决方案。
发明内容
本发明涉及仿脑计算虚拟化的领域。仿脑计算是仿效人脑而自动产生创意智能的科技。如何使用计算机技术手段和虚拟化软件来实现,是本发明所关切的。本方法利用无意识引擎和有意识引擎来定义人的左脑和右脑,使用软件虚拟化的技术运行在未来的硬件科技,例如量子电脑或分子电脑上。其应用的领域包含量子门和绝热量子模拟,无意识和有意识的自主计算应用,以及涌现通讯的应用。
对传统计算而言,所谓虚拟化是指在计算机操作***(OperatingSystem,或OS)和传统硬件之间,***一个虚拟层,也就是虚拟机监视器(Virtual Machine Monitor,或VMM)。这个概念在仿脑计算的情况,就是在仿脑OS和仿脑硬件之间,***仿脑VMM。在仿脑硬件之上运行仿脑VMM,在仿脑VMM之上,运行仿脑OS。由于仿脑硬件也包括了传统硬件,仿脑VMM既支持运行意识引擎的网状调度器,也可以支持传统的CPU平行计算调度器,所以,除了仿脑引擎OS,传统OS也可以运行在仿脑VMM之上。
仿脑VMM根据已有的主观经验,利用微观涌现模型产生新的思维,称之为仿脑思维体(Brain-like Concept Entity,以下简称BCE)。BCE经过意志力和仿脑仿真器的纠结运作,在有意识引擎的OS中被认知(区别、解释、得到语义和意义)、被判定其智能级别后,BCE的信息被存储在仿脑思维网络(Brain-like Concept Network,以下简称BCN)中,变成主观经验,并以虚拟仿脑状态机更新有关该BCE的元数据和状态值。这个主观经验可以再度被仿脑VMM利用微观涌现模型产生新思维,这个过程循环不已,逐渐发展成成熟的思维和一系列的思维。
本发明的方案涉及下述几个方面:
一种在流程运行环境中进行仿脑计算虚拟化的方法,其中所述流程运行环境具有纵向架构与横向架构,所述纵向架构包括情感引擎、无意识引擎、有意识引擎,而所述横向架构包括仿脑应用层、仿脑操作***/仿脑虚拟机监视器(OS/VMM)层、仿脑硬件层,其特征在于,所述方法包括:
在仿脑OS/仿脑VMM层上运行两类循环:
从无意识引擎OS酝酿混沌概念,之后进入仿脑VMM的第一类仿脑循环:执行BP1解决方案,其中,在仿脑VMM里,微观涌现模型利用所述混沌概念和/或外来刺激产生单一操作对象或近端/远端纠结对象,如果仿脑思维体(BCE)的状态仍为混沌,虚拟仿脑状态机(VBSM)创建元数据和无振荡网络模型节点,接受仿脑VMM平行运算调度器的指派,离开仿脑VMM,最后回到无意识引擎OS;
由有意识引擎提供主观经验,进入仿脑VMM的第二类仿脑循环:
步骤1,执行BP1解决方案,其中,在仿脑VMM里,微观涌现模型利用所述主观经验和/或外来刺激产生单一操作对象或近端/远端纠结对象,如果BCE的状态为有序或临界状态,进入BP2解决方案;
步骤2,在BP2解决方案里:(1)分解BCE,进入冯诺依曼循环;(2)在冯诺依曼循环里,若BCE为吸引子,经历冯诺依曼过程2然后冯诺依曼过程1,在强意志力坚持下,度量到纠结结果;否则,弱意志力介入,仿脑图灵机循环的冯诺依曼过程2然后过程1,但过程1的度量只有弱意志力的坚持,如果意志力允许,BCE离开冯诺依曼循环,继续仿脑仿真器循环;(3)执行纠错,消除并纠正可能发生的仿脑错误;(4)虚拟仿脑状态机(VBSM),创建元数据和同步的网络模型节点;(5)调度器接受VMM网络运算调度器的指派,离开仿脑VMM,进入有意识引擎OS;
步骤3,执行仿脑认知,在有意识引擎OS中,若输入是建立事件、或建立语义,则执行有意识引擎OS的仿脑认知;
步骤4,智能评估,进行涌现观念的智能等级评估;
步骤5,完成循环并存储BCE,包括可选择输出BCE的效应;可选择执行宏观涌现模型的涌现通讯,最后以新的BCE的主观经验再进入仿脑VMM。
一种在量子计算环境下实现量子门仿脑仿真的方法,其中使用绝热量子方法时,仿脑仿真器只是模拟器,其特征在于:
通过vNs过程0在有意识引擎OS形成主观经验,在情感引擎形成意志力,进入仿脑仿真器后,循环vNs过程2和过程1,不断形成BCN网络结点,把BCE信息分别出来后,送给有意识引擎OS,在引擎OS那里做量子认知的vNs过程3,过程如下:
步骤1:接受感情认知模型输出的主观经验与意志力;
步骤2:分解量子纠错成为逻辑量子位元及逻辑量子门;
步骤3:以物理控制顺序,保持逻辑量子位元和量子门;
步骤4:仿脑图灵机的循环,并执行以下子步骤:
子步骤41:存储物理量子信息;
子步骤42:冯诺依曼过程2:单一操作和/或纠结;
子步骤43:冯诺依曼过程1:物理度量;
子步骤44:由意志力判断是否继续仿脑图灵机的循环,若是,继续子步骤41,否则离开循环进入步骤5:
步骤5:逻辑度量,消错;
步骤6:辫结/纠错;
步骤7:透过仿真量子交换器,把信息送到有意识引擎;
步骤8:经过有意识引擎的量子认知模块,和/或无意识引擎的混沌酝酿,回到步骤1。
一种在量子计算环境下实现绝热仿脑仿真的方法,其中使用绝热量子方法时,仿脑仿真器只是模拟器,其特征在于:
在实施冯诺依曼过程2时,虚拟收缩理论下的网络同步快过“赢家全拿”,这是虚拟化对BCN网络的影响,当BL OS或BL VMM本身需要迁移时,已量子纠结的数据利用量子瞬移迁移量子位元,如果数据为传统数码数据,可以利用传统和量子数据之间的转换指令(3031),实行转换再迁移,如此,传统虚拟机镜像和量子虚拟机镜像可通过上述两种方式混合后的量子通讯法加速迁移;此外,绝热仿脑量子***重复使用资源,已纠结的量子必需去纠结,而意识引擎必需产生新的网络节点,类似于神经元的神经发生;
在实施冯诺依曼过程1时,用非绝热门作为探针并度量,节省量子计算资源,实施时,绝热模式将n个量子位元,K个体的互动的靶目标汉弥尔顿,映射为2个体的互动,因而计算时,还可采取绝热与非绝热的混合模式式:使用绝热寄存器为模拟寄存器,而使用非绝热量子门为探针寄存器,以节省量子门硬件资源;
绝热式演化在“再进入循环”中产生几何相位,对多个非线性耦合振荡器,可以度量其吸引子;
在智能提升器中,绝热式的简并使用多个特征(eigen)状态值,从ψ(t0)到ψ(tn),来强化***的鲁棒性和复杂性;
其中,仿脑VMM运行有关意识的量子算法时,若非使用新量子算法,则传统人工智能法必须转换成量子算法,此种转换工具也适用于非仿脑量子算法。
仿脑自主计算(Brain-like Autonomic Computing)***
仿脑计算虚拟化的方法,可以成为无意识和有意识引擎的基础。在这两个引擎上,分别建立多层应用体系。我们认为传统的的自主管理软件MAPE的元件就是无意识引擎的多个应用层:从底层的监视→分析→计划→到最上层的执行。但是这些无意识引擎应用层还可以在外循环、内循环、里循环的时候,从相应的有意识引擎应用层得到创意帮助。这些帮助包括:数据挖掘/意义分析模型、创意决策工程、创意执行等应用层。
多核计算集群(Multicore Computing Cluster)的仿脑性能服务
***
优化多核计算机集群的性能,可以在集群中一个机器上安装量子配件,实现量子绝热计算。优化性能的算法可以经过仿脑计算虚拟化逐渐从现有方法改进。仿脑VMM的特点是它可以被安装在集群中的每一个节点上,经过VMM之间的通讯将各机器的性能数据传至绝热量子配件上加以计算,及时、有创意地调整各机器的工作负荷。
仿脑软件开发和服务交付***
本发明将信息产业的服务交付***和软件工程***应用在仿脑计算虚拟化的技术上。两个***的子流程都具有强涌现、次强涌现、弱涌现、次弱涌现的特征,必须通过意志力在仿脑仿真器中强调。这样可以增进该两***的成功机率。微观涌现模型和宏观涌现模型都提供相应的BCE智能级别的评价。
仿脑灾备***
从相应的有意识引擎应用层得到创意帮助。这些帮助包括:黑天鹅理论模型、决策工程、临界执行等应用层。仿脑灾备***可以利用量子通讯在平时或灾难时迁移仿脑OS和仿脑VMM。仿脑OS包括传统虚拟机和量子虚拟机。由图18A和18B可以看出这个例子已能找到问题根本原因(图18B有关情节事件的记录、分析与自萌发);已能做一个设计(图18A方框181);或产生一个能改进自己的***(图18B方框18213)。所以,仿脑灾备***已是一例,能回答在背景技术一栏中业界无法回答的问题:
“计算机***如何自动产生有创意的智能?”
附图说明
图1是仿脑计算的应用层、OS/VMM层、和硬件层的结构框图;
图2A是仿脑计算虚拟化方法的流程图,以流程方式说明图1;
图2B是两类仿脑循环;
图3是仿脑VMM的结构框图,说明图1里的方框1024的细节;
图4微观涌现模型的结构框图,说明图2的步骤204和图3的方框301;
图5是循环式仿脑思维网络(BCN)的构建图,以示意图方式说明图3在多次循环的各阶段所形成的BCE的网络;
图6是意志力/主观经验的操作模型的结构框图,说明图3的方框3013;
图7是虚拟仿脑状态机的流程图,说明图3的方框304;
图8A是发信与量子意识的类比图,以示意图方式说明两者之间的类似;
图8B是收信与量子意识的类比图,以示意图方式说明两者之间的类似;
图8C是智能级别提升器的流程图,是图8A与图8B的一个实施例;
图9A是仿脑仿真器循环和仿脑图灵机循环量子门***框图,是以仿真量子计算设备“量子门”来实现图8A,图8B,与图8C;
图9B是仿脑图灵机循环绝热模式***框图,是以仿真量子计算设备“绝热式”来实现图9A的方框921和922;
图10是仿脑计算的操作***(OS)的结构框图,说明图1里的方框1021,1022,和1023;
图11是仿脑认知的流程图,说明图10里的方框100241和100242;
图12是目标语言的流程图,说明图10里的方框100243;
图13是仿脑内存的流程图,说明图10里的方框200223和100224,以及图3里的方框308;
图14A是仿脑OS宏观涌现模型的架构框图,以架构方式说明图10里的方框100221和100222;
图14B是仿脑OS宏观涌现模型的流程图,以流程方式说明图10里的方框100221和100222,以及图2里的步骤218;
图15A是仿脑自主计算***的架构框图;
图15B是仿脑自主计算***的结构框图;
图16是多核计算机集群的性能服务***的架构框图;
图17信息产业涌现网络***架构图;
图18A是关键使命的灾备***的架构图;
图18B是灾备***工程设计架构图的一个样本;
图18C是灾备***的OS/VMM层的功能模块。
具体实施方式
在发明内容部分中所述的以上各种发明概念均可分为方法的发明和***的发明。详情见下表:
仿脑计算虚拟化的横向和纵向架构
图1所示是一个仿脑计算虚拟化的横向和纵向架构。
横向架构包括三个层次:102仿脑OS/VMM层、101仿脑应用层、和103仿脑硬件层。(1)仿脑OS/VMM层包含两个子层OS层和VMM层,以虚线分开,是本发明的重点,以白色方框表示。虚线的下方是方框1024仿脑VMM,接受可能的外界控制,方框1025。虚线的上方是三个操作***:方框1021无意识引擎OS,1022有意识引擎OS,还有1023情感引擎OS,同时运行在仿脑VMM之上。(2)仿脑应用层,包含4个“象限”:D(dominant)象限,I(informational)象限,S(stable)象限,C(compliant)象限,代表心理学上的四种人格,这些人格的造成是由于人脑的左右区分和所面对环境的“对人(社交)”与“对事(事实)”的态度。也就是说,D象限的人使用右脑处理抽象事实的能力强,I象限的人使用右脑处理抽象社交的能力强,S象限的人使用左脑处理细节社交的能力强,C象限的人使用左脑处理细节事实的能力强。本发明包含的“事实”实现例较多,以淡灰方框表示,“社交”的实现例较少,以深灰方框表示。(3)仿脑硬件层并非本发明的重点,以黑色方框表示,但仍与OS/VMM层的关系密切。例如,在硬件层中的方框1031包含了三种硬件:方框10311传统硅芯多核计算机硬件及其周边设备,方框10312量子计算机硬件及其量子设备,和方框10313人工合成分子计算机及其纳米设备。量子计算机和分子计算机将会有很大的商业用途,它们会与传统计算机形成一定的组合,一开始可能是松耦合,即传统计算机和量子/分子计算机分开为不同的计算机,而以快速通讯相连。后来也会有紧耦合,例如形成同一个CPU/周边设备,包含传统与量子计算使用合一的汇编语言指令集。OS/VMM的细节设计也会由于松紧耦合的硬件而不同,但在概念上大体一致。譬如下面提到的无意识引擎OS1021在近期内是运行在传统操作***10211上,看起来像是传统电脑的应用,但在未来无意识引擎的OS和传统电脑OS可以合而为一,合并后的OS上面既可以运行传统电脑语言应用1013,也可以运行无意识引擎的应用1011和1012。
纵向架构包含三种引擎:情感引擎,无意识引擎,和有意识引擎。(1)情感引擎乃是使仿脑***有别于其它生物进化***的突出组件。虽然有人认为它可以是有意识引擎的一部分,但我们将之独立出来,因为情感引擎的心理框架和情绪,与自由意志有关,而意志力既能影响无意识引擎的混沌概念酝酿,也能影响有意识引擎的主观经验的智能提升。纵向架构所包含的(2)无意识引擎和(3)有意识引擎,使用“意识(consciousness)”这个词而非自知运算里的“自知(awareness)“一词,是因为虽然两者意义相近,但“有意识”之事经常出现在我们日常生活里,例如我们每天做有意识的决定,行有意识的动作,每分每秒都在过有意识的生活。同样,“无意识”这个词也很容易从生活中理解:我们游泳、开车、骑自行车或任何常规性的工作,已经熟到一定程度而不必有意识的心来处理。这两个引擎的概念大致与诺贝尔奖得主Roger Sperry的左右脑区分(Split Brain)类似,虽然大致左脑专长于逻辑为主,右脑专长于创意,但又没有明确的分野(譬如右脑受伤后,其部分功能可以被左脑取代,虽然效率不彰),而也强调左右脑(或两个引擎)之间的通讯。在本发明中,这三个引擎通称为“仿脑引擎”。
所以,从纵向看,方框104是无意识引擎,属软件引擎,包括两种应用:方框1011社交基础及行为(逻辑社交,象限S),和方框1012分析、计划、决策、执行功能(逻辑事实,象限C),及及这两种应用所运行的平台,也就是方框1021无意识引擎的操作***OS。方框105是有意识引擎,也属软件引擎,包括两种应用:方框1014社交基础及行为(非逻辑涌现社交,象限I),方框1015分析、计划、决策、执行功能(非逻辑涌现事实,象限D),及这两种应用所运行的平台,也就是方框1022有意识引擎的操作***OS。方框1016其它目标语言的应用,也运行在有意识引擎的操作***OS。另外,方框106是情感引擎,属软件引擎,包含方框1017社交情感应用、方框1018个人情感应用,和方框1023情感引擎的操作***OS。
仿脑计算虚拟化方法
图1的架构要以仿脑计算虚拟化方法实现。此法依赖一个不断的循环达到产生新思维,也就是产生“仿脑思维体”BCE,的目的。图2A是该方法的流程。这个流程是一个自动、不断循环产生结果的方法。循环的概念有点类似诺贝尔奖得主Gerald Edelman在他“The Universe ofConsciousness”一书中的“再进入(Reentry)”观念,但再进入指的是神经生理的实际进入,这里的循环则是计算机软件的循环:BCE借着不断的循环得以更加丰富,更加智能。图中可见,有两种循环:(1)第一类循环,也是大多数的循环只是无意识的酝酿知识。由图2A可见,第一类循环经历的步骤大致为:步骤202→203→204→221→222→223→回到202。见图2B,此类循环以灰色线条表示。(2)第二类循环,也是少数的循环经历情感引擎的输入,多维仿脑状态机的处理,和仿脑认知的模型,产生有意义、有价值、有意识的新概念。由图2A可见,第二类循环经历的步骤大致为:步骤203→204→205→206→209→210→211→212→216→217→218→回到203。见图2B,此类循环以黑色线条表示。(请注意图2B只是为了以图表明所述的两类循环的大致样子,所以图2B里的大部分的方框只有数字没有文字说明,而该数字就是图2A的方框数字标记,或步骤号码。如果要知道图2B的方框的意思,可以回到图2A检视对应的方框里的文字说明,或者也可以将方框里的数字当作步骤号码,检视下面的步骤说明。)步骤201是这个循环的(可选)输入,步骤219是这个循环的(可选)输出。图15仿脑自主计算应用***进一步说明感应器如何将输入送入***,效应器如何将输出送出***,或在***内部产生效应。
流程如下:
步骤201:从外界感应到刺激。刺激可以包括文本、图像、声音、视频等。进行步骤202;
步骤202:无意识引擎OS驱动混沌酝酿,以对象识别处理外界刺激;有意识引擎驱动主观经验到VMM。进行步骤203;
步骤203:进入仿脑VMM。进行步骤204;
步骤204为BP1解决方案,亦即利用微观涌现模型产生单一操作对象或近端/远端纠结对象。判断BCE状态是否为混沌。若是,则为被动专注,进行步骤221。否则为主动专注,BCE状态为有序或临界,进入BP2解决方案,分解BCE。进行步骤205;
步骤205:判断BCE是否为吸引子。若是,进行步骤208。否则进行步骤207;
步骤206为BP2解决方案,亦即利用意志力改***件纠结结果。包含步骤207与步骤206。
步骤207:进入冯诺依曼循环冯诺依曼过程2然后过程1,但度量时,弱意志力坚持过程1。进行步骤209;
步骤208:进入冯诺依曼循环冯诺依曼过程2然后过程1,在强意志力坚持下度量到结果。进行步骤209;
步骤209:消除并纠正可能发生的错误。进行步骤210;
步骤210:VBSM虚拟仿脑状态机创建元数据和同步网络模型节点。进行步骤211;
步骤211:接受VMM网络运算调度器的指派,离开仿脑VMM,进入仿脑OS。进行步骤212;
步骤212:判断BCE是否为现有知识。若是,进行步骤213。否则进行步骤214;
步骤213:吸收知识、修改程序。进行步骤216;
步骤214:建立语义、建立事件情节。进行步骤215;
步骤215:实现意识引擎OS的仿脑认知。进行步骤216;
步骤216:意识引擎OS的智能等级评估。进行步骤217;
步骤217:存储涌现观念到语义,情节内存和网络数据库。进行步骤218;
步骤218:三分叉:若有需要对外界输出,进行步骤219。若需实现宏观涌现,进行步骤220。回到仿脑VMM循环,将主观经验传给步骤203;
步骤219:对外界产生效应。包括文字、声音、图像、视频的呈现,但也可以作用在***内部;
步骤220:实现宏观涌现模型,亦即涌现通讯。与步骤202互动;
步骤221:VBSM虚拟仿脑状态机创建元数据和无振荡网络模型节点。进行步骤222;
步骤222:接受VMM平行运算调度器的指派,离开仿脑VMM,进入仿脑OS。进行步骤223;
步骤223:存储涌现观念到程序内存和网络数据库。循环回步骤202。
注意图2A及图2B的虚线,分开了仿脑引擎OS的步骤和仿脑VMM的步骤。
仿脑VMM
图3是仿脑VMM(virtual machine monitor虚拟机监视器)的结构框图,说明图1里的方框1024的细节。仿脑VMM的循环以箭头粗线表示,经历数个重要VMM元件。此箭头粗线循环也是以另一个角度说明了图2的流程。VMM的循环是嵌套式的,表示循环里还可以有子循环(例如仿脑仿真器的循环,还有在仿真器里的仿脑图灵机的循环)。
本图的方框300表示运行在仿脑VMM上的上层OS,包含无意识引擎OS,有意识引擎OS,和情感引擎OS。其中,情感引擎OS向VMM输出心理框架和情绪的信息。心理框架表示在心理学上人对得失选择的一种认知偏向。情绪表示人的憎、惧、惊、怒、哀、乐。
方框301微观涌现模型是仿脑VMM的主要元件。该模型接受无意识引擎送来的混沌酝酿,或有意识引擎的主观经验,经过自组织临界(Self-organized Criticality,简称SOC)的模型,形成网络的节点BCE。包括方框3011微观输出接口,方框3012微观输入接口;和方框3013情感认知模型。微观输出接口是指从有意识引擎将信息传给无意识引擎的接口(“输出”或“输入”是从有意识引擎的观点来看);微观输入接口是指从无意识引擎将信息传给有意识引擎的接口;情感认知模型接受SOC模型送来的心理框架和情绪,以及微观涌现模型送来的BCE,经过该模型消化后,送往方框303,仿脑仿真器。
方框302是代理及价值***。包括方框3021中央控制***,详见图6中方框603,604,605的说明。方框3022是人际运算(inter-personal computing)管理,例如镜子神经元(mirror neuron)的管理,而其背后的多个方框,表示可管理多个“个人”或“自我”(方框300中的三个OS组合代表一个“个人”或“自我”)。方框3023是策略决定功能(Policy Decision Function,或PDF),策略执行点(Policy Execution Point,或PEP),Hyperbus资源消耗表,详见运软公司汤传斌的中国专利201010183844.6“通过总线架构构建虚拟机监控器的方法和性能服务框架”。
方框303仿脑仿真器包含下列元件:
(1)方框3031仿脑指令集:包括仿脑计算指令集、意识指令集、IO指令集:感应器+效应器。其中仿脑计算指令集包括分子计算机或量子计算机的CPU指令集,虽然当前这样的CPU还未标准化,但可参考Bettelli 2008“Toward an Architecture for QuantumProgramming”一文所列量子计算指令集。意识指令集则是在仿脑指令集之外,本发明特意包含的所有与仿脑意识相关的硬件指令,包括以下指令:
·动态增加BCE的指令:取代传统CPU的中断(Interrupt)。也就是说,中断没有必要,但必须立即增加BCN子网来处理BCE新思维。这样可以避免区分同步和异步的操作。这种“取代Interrupt的机制”是非常重要与传统电脑不同的地方;
·传统数据和量子数据之间的转换指令:传统数码0与1的数据可转换成量子位元(Qubit)的数据,或从量子位元转换为传统数码数据。若有必要,传统数码0与1的数据先转换成分子或原子计算的数据,再转换成量子位元数据,从量子位元转换为传统数码数据亦然。
·产生BCE的指令:这些指令配合高层OS产生BCE,当硬件为量子计算机时,可以与远端量子纠结,例如把“蓝色”和“正方形”两个概念(而非红色正方形)联起来。也就是关在盒子里的两个物件,能知道“盒子之上”是什么形状。在许多情况,主观经验就是这样产生的,至于这样的联结是否合理,乃是要看微观涌现模型的能力,以及被仿脑认知评估的结果;
·无意识混沌酝酿指令:这些指令配合高层OS混沌酝酿功能,实现放电和整合(Fire & Integrate)的无振动网络处理;
·主观经验输入指令:主观经验作为冯诺依曼过程1的一部分输入。记忆好像一个数据库,读出信息作为指令的输入,而OS运行完后再将结果写入该数据库;
·意志力输入指令:意志力/专注力作为冯诺依曼过程1的另一部分输入。意志力代表外界“量子实验度量者的特质”;
·纠结(Entangled)意识的指令;
·仿脑VMM和仿脑引擎OS之间的模式切换指令;
·微观涌现模型的接口指令子集:可以包括VMM内核与仿真器在多维网络上的切换,数学模型的接口(例如自相似),以及微观输入和输出接口等等。
(2)方框3032是仿脑仿真通讯。这是仿脑仿真器对于通讯硬件的仿真;
(3)方框3033是仿脑仿真内存管理单元。这是仿脑仿真器对于内存单元管理器的仿真;
(4)方框3034是仿脑仿真器循环,包括仿真图灵机,详见图9的说明;
方框304是虚拟仿脑状态机VBSM,详见图7的说明;
方框305是平行运算(无意识引擎)和网络运算(意识引擎SOC)调度器。如果无意识引擎只在传统CPU硬件上运行,平行运算调度器可以是一般传统硬件VMM的调度器(例如运行在x86上的Linux KVM的调度器(也就是Linux的调度器));换句话说,当仿脑VMM侦测到其硬件环境和OS环境均为传统环境,它也可以转化为传统VMM。其转化的方法为在图2的步骤204逻辑判断时,将“BCE不为混沌状态”的选择关闭。当仿脑VMM侦测到其硬件环境具备仿脑仿真器和有意识引擎OS可运行的条件(例如量子计算机或绝热量子计算的配件存在),图2的步骤204可以选择“BCE不为混沌状态”,而网络运算的调度器才能发挥作用。网络运算的调度器可以调度多个仿脑引擎OS组之间、多个传统OS之间对于仿脑硬件资源的使用;
方框306是虚拟仿脑交换机,以软件方式提供仿脑硬件的对外通讯的地址操作;
方框307是虚拟内存;
方框308是微观记忆***。该***接受情感引擎送来的心理框架和情绪作为输入,在多个执行过程中由此输入采取动态的简并(degeneration),实现复现;
图3反映了VMM的设计,若将微观涌现模型和代理/价值***的组合称为BL VMM内核,则松耦合设计是将所述内核置于仿脑仿真器之外,此时图2的BP2解决方案就是BL仿真器,而图2的冯诺依曼循环就是图灵机。中耦合设计是将所述内核置于仿脑仿真器内,而在仿脑图灵机之外。紧耦合设计是将内核置于仿脑图灵机之内。后两种设计都有类似图2的两类仿脑循环和图8的智能提升器。
微观涌现模型
图4微观涌现模型的结构框图,说明图2的步骤204和图3的方框301;
流程如下:
步骤401:首先,解决(BP1)绑定问题里的分类问题。涌现模型初始化;建立动态***的差分或微分方程式;接受从无意识引擎来的混沌概念或有意识引擎来的主观经验作为BCE。进行步骤402;
步骤402:判断是否有外界刺激,若有,进行步骤403。否则进行步骤404;
步骤403:接受外界刺激为动态***的搅动力,调整动态***。进行步骤404;
步骤404:利用自组织方式产生新的BCE信息。在初始第一循环中产生单独操作(Unitary operation)的对象。在其后循环中再产生与已有的BCE纠结的近程或远程的新BCE对象。进行步骤405;
步骤405:判断BCE是否为混沌状态。若是,进行步骤406。否则进行步骤409;
步骤406:情感认知模型(ACM)的意志力决定是否坚持度量方向(1)若坚持,在每次循环中逐渐积分(Integrate)动态***的方程式。(类似释放神经递质,释放时,神经元之间放电并整合(fire andintegrate),是化学神经递质释放离子的作用,长期而且缓慢)建立网络节点,在无振荡网络中延伸。(2)否则无意志力,(no fire,nointegrate)无作用。进行步骤407;
步骤407:若为(1),透过微观输入接口预备通知有意识引擎程序运行结果,状态改变和紧急情况。进行步骤408;
步骤408:最后在无意识引擎中释放预备好的信息;
步骤409:微观涌现模型预备近端或远端纠结对象(预备时,类似枝晶-枝晶间的整合逐渐形成同步振荡的集体整合的枝晶网,是电子突触(Electric Synapse)或伽马同步(gamma Synchrony)的作用,短期但迅速)。进入仿脑仿真器,分解BCE。进行步骤410;
步骤410:判断BCE是否为吸引子。若是,进行步骤412。否则进行步骤411;
步骤411:BCE状态为有序。类似神经元之间的横向同步(sidewayssynchrony),一开始只是两个神经元之间的枝晶打开缝隙连接,其后则形成集体整合(collective integration)。但智能级别可能一般。进行步骤413;
步骤412:微观涌现模型产生远端纠结对象,称为盆地吸引子(Basin Attractor),分为局部(local)和全局(global)两种吸引子。局部吸引子是正常临界状态,智能级别可能较高;全局吸引子也是临界状态,但对应到左右脑之间,甚至人脑与人脑之间的纠结,类似神经元之间的全局同步(global synchrony),智能级别可能极高。进行步骤413;
步骤413:透过微观输出接口,预备指挥无意识引擎接受命令,为无意识混沌BCE做可能的状态升级(为有序),并为通知无意识引擎任何紧急情况作准备。进行步骤414;
步骤414:接受情感认知模型(ACM)的意志力的输入;进入仿脑图灵机的循环。进行步骤415;
步骤415:最后在有意识引擎中释放预备好的信息。
循环式涌现思维网络
图5是循环式仿脑思维网络(Brain-like Concept Network或BCN)的构建图,以示意性方式说明图3在多次循环的各阶段所形成的BCE的网络。多个BCN是并发的,表示任意时刻都有许多的BCN同时运行。BCN和其它的BCN,在多个网络之间又可以横向联结(sidewaysconnection),亦即可以有多个“连接柱”连接在不同层次,不同维度的BCN网络。BCN也可以由涌现数学制模,网络中的每个BCE具有混沌(Chaos)、有序(Ordered)或临界(Critical)的状态。就人脑而言,混沌BCE还是各别的神经元放电和整合,不具备意识的思维。有序和临界的BCE则是逐渐有网络组织的有意识思维,靠同一频率振荡,类似在人脑中,通过缝隙连接(Gap Junction)达成与邻近神经元横向同步(sideways synchrony),最后达到跨左右脑、跨人际的全局同步(global synchrony)。例如使用适合同步动态网络(synchronizeddynamical network)的苍田(Kuramoto)数学模型就可以计算出所谓的“有序参数(order parameter)”,从而决定所述的三个状态。这个模型在实际为神经元制模时,还需要改进,以符合神经元的非线性行为。更实际且符合神经元行为的是专为神经元制模的Hodgkin-Huxley(HH)模型,可以涵盖振荡同步的神经元(有意识)网络,以及仅仅是Spiking的非振荡(无意识)网络。
本图强调BCN网络的渐进性扩张,由单个BCE的操作,到两个纠结(entangled)的BCE(501)组成的网络,到3个(502),4个,…10个BCE(503)节点的网络,每次节点的增加,都是一个或多个循环的结果。这些网络可以是三度空间,甚至是数学上的n度空间(504),其中N>=3。注意有可能循环时会再从单个BCE的操作开始另一个网络,而与先前产生的网络有在某些节点经由“连接柱”(505)连接。
这个网络的节点主要由涌现模型初始化产生,之后经由多个模型的验证,过滤,最后才能确定该节点的存在,以及如何与网络连接。
瞬时同步(Transient或Gamma synchrony)的重要:究竟一连串的涌现观念BCE之间如何连接,是否之间有共同频率,以及是否网络和网络之间的横向连接能造成更高级别的智能,而非垃圾想法,端赖瞬时同步来决定,类似人脑的神经元之间模块的瞬时同步。所述HH数学模型,为实际解决神经生理或临床问题,也需要改进。显然,这些数学模型的改进,可以辅助所述BCE状态的升级,从而提升BCE智能的级别。
意志力/主观经验的操作模型
图6是意志力/主观经验的操作模型的结构框图,说明图3的方框3013。
首先,从情感引擎OS601而来的情绪和心理框架,成为本操作模型的输入(此输入见图3的方框300的说明)。
意志力/主观经验的操作模型称为情感认知(Affective Cognition,或AC)模型602,此模型有一个架构,使决策者在不确定性6021(受到外界刺激的影响)、心理框架6022、和情绪6023影响下,以他的主观经验6024,和情感预测6025,来影响其决策选择行为6026。该架构扩充了诺贝尔奖得主、经济心理学教授丹尼尔·卡内曼的前景理论(Prospect Theory,或PT)以及其它文献里的强化学习理论(reinforcement learning,或RL)和有关情感如何影响决策及决策者的行为。
此模型把基于前景理论的主观价值函数,扩充为经验-实用函数,以及预测-实用函数。假设在持续不断的决策中,这些主观的价值函数的形状和参数是随着决策者的情感状态和对工作的信心而变。情感状态包括恐惧、害怕、经济忧心。详情见Hyung-il Ahn的2010MIT PhD论文“Modelingand Analysis of Affective Influences on Human Experience,Prediction,Decision Making,and Behavior”。
AC模型的输出是决策结果605,我们认为这是一种经过理性经验判断得出的意志力,它决定BCE单元操作或纠结的时空深化程度(类似神经元决定是否释放神经递质/离子,或伽玛同步的缝隙连接(GapJunction of gamma synchrony)的开或关,详见S.Hameroff,"The“conscious pilot”—dendritic synchrony moves,"Journal ofBiological Physics,p.71 93,2010(36))。
意志力/主观经验的操作模型还包括方框604的中央控制***。方框605的决策结果会受到中央控制***604的影响,这种影响是基于奖励功能,例如pavlovian的控制奖赏功能(reward function,详见P.Dayan,"Chapter2.Models of Value and Choice,"2010)。中央控制***还可以随选地(optional,以虚箭头表示)接受方框603的外界控制。如果无意识引擎,有意识引擎和情感引擎组成一个仿脑引擎的集合(相当于一个人脑),中央控制***可以控制多个运行其上的集合(相当于多个人脑/多个自我)。
主观经验6024,和意志力605,成为仿脑仿真器的输入606。
虚拟仿脑状态机
图7是虚拟仿脑状态机(Virtual Brain-like State Machine,或VBSM)的流程图,说明图3的方框304。虚拟仿脑状态机主要提供写入和读出功能:(1)BCE的***状态值:已初始化、已纠结、已专注、去纠结、失忆;以及智能状态值:不放电混沌、放电混沌、初始有序、高度有序、局部临界、全局临界,(2)如果是实现量子计算,度量BCE数据的可信度,(3)辅助BCE网络节点建立的数据和元数据,和(4)辅助BCE数据库搜索的数据和元数据。
流程如下:
步骤701:虚拟仿脑状态机初始化。进行步骤702;
步骤702:判断是否为状态数值接口。若是,进行步骤703。否则进行步骤704;
步骤703:取得或设定仿脑思维体BCE***状态值:已初始化、已纠结、已专注、去纠结、失忆;以及智能状态值:不放电混沌、放电混沌、初始有序、高度有序、局部临界、全局临界。进行步骤716;
步骤704:判断是否为错误纠正接口。若是,进行步骤705。否则进行步骤706;
步骤705:取得或设定仿脑思维体BCE可信度的(Fidelity)或然率。进行步骤716;
步骤706:判断是否为辅助建网接口。若是,进行步骤707。否则进行步骤708;
步骤707:取得或设定仿脑思维体BCE网络节点、元数据、网络状态、何处建立节点、微观涌现模型处理结果。进行步骤708;
步骤708:判断是何种状态机。若是无意识状态机,进行步骤709。若是有意识状态机,进行步骤710。若是情感/意志力状态机,进行步骤711;
步骤709:无意识状态机操作。进行步骤716;
步骤710:有意识状态机操作。进行步骤716;
步骤711:情感/意志力状态机操作。进行步骤716;
步骤712:判断是否为辅助搜索接口。若是,进行步骤713。否则进行步骤717;
步骤713:取得或设定仿脑思维体BCE网络地址、与其它BCEs的关系、快速接入网络方法。进行步骤714;
步骤714:判断是否辅助Grover搜索。若是,进行步骤715。否则进行步骤716;
步骤715:转换搜索辅助信息成为量子方法的向量或张量输入格式;
步骤716:正常返回;
步骤717:错误返回。
发信与量子意识的类比
图8A是发信与量子意识的类比图,以示意性方式说明两者之间的类似。
当某个司令员801要传达他的信息时,他将信息分发给许多信差802,每个信差携带许多信封803,每个信封里头有许多信息804。
同样地,当意志力伴随着混沌思维或过去的主观经验805(相当于上述的司令员801)要形成新的概念BCE来时,神经递质806a仍只能处理无意识BCE,不能进入仿脑仿真器,但微管蛋白806b则可进入仿脑仿真器(两者均相当于上述的信差802)。在仿脑仿真器中,微管蛋白的BCE会先将已有的经验或想法分解成多个离子或原子807(相当于上述的信封803),此时进入仿脑图灵机,每个离子或原子里有多个电子(量子),量子状态可以存储不同信息808(相当于上述的信息804)。
每个过程都由一个输入逐步分解成多个输出。“信息“或BCE可以是一个不可被分解的概念单元(节点),或一个可被分解的概念群(BCN整个网络或子网络),也就是一连串的单独思维(train of thoughts)或各个思维已被融合在一起的思维流(thought stream)。
本图不但说明了“分解”或“分类”这一概念,也说明了信息的丰富,有着不同的层次:图中横粗线的上方列举了4个层次:司令员、信差、信件、信息。图中横粗线的下方则是另4种层次:无意识的混沌概念或有意识的主观经验(加上意志力)、神经递质(无意识)或微管蛋白质(有意识)、离子或原子、量子或观念。按照量子意识学者的说法,一个人脑有1011个神经元,每个神经元有103个突触,每个突触每秒要传递神经递质102次。所以,处理整个人脑神经递质的计算速度为每秒最大1011x103x102=1016次。(“最大”的意思是处理最多量的信息。)然而,每个神经元却有108个微管蛋白,每个微管蛋白振荡频率为每秒107次。所以,处理整个人脑微管蛋白的计算速度为每秒最大1011x108x107=1026次(必须是量子计算机才能达到的速度)。图中显示,神经递质不进入仿脑仿真器,但进入仿真器的微管蛋白,却可以有1026/1016=1010倍于神经递质的计算速度,能进入仿真器。从这样的计算速度可以推知:被处理的有意识BCE信息量,可以是无意识BCE信息量的1010倍。
BCE的主要状态:混沌、有序和临界,每个状态还可再区分为两个二级状态:不连接混沌(相当于不放电的神经元)、连接混沌(相当于放电并整合(Firing and Integrate)的神经元)、初始有序、高度有序、局部临界、全局临界(最后四个二级状态相当于神经网络中同步振动的神经元状态)。如果要提升BCE的智能级别,其包含的信息量要成幂次级的增加,而增加时BCE必须超过每两个二级状态之间的阈值。
收信与量子意识的类比
图8B是收信与量子意识的类比图,以示意性方式说明两者之间的类似。
当信息被某个收信人收到(receive)809时,他首先要将信息区分(discriminate)810开来,然后要解释(interpret)811区分出来的信息,最后要对被解释的信息采取行动(act)812。
同样地,当某个离子或电子实现单独操作或与其它量子纠结(entangle)813时(相当于上述的信息被收到809),要判断度量的结果是否被接受、协议是否要改变、信息是否被选取814(相当于上述的信息被区分810),此时离开了仿脑仿真器和仿脑图灵机,信息结果被认知,得到语义和意义815(相当于上述的信息被解释811),最后信息被合并,转发,传播(合并+转发),或拒绝816(相当于上述的对信息有所行动812)。
图8B的BCE与图8A的BCE具有相同的性质。但要强调的是,被纠结的BCE必须是具有相同频率的量子,而越是相离遥远的网络中的量子被纠结,其高智能级别的可能性就越高。但形成完全不合理的BCE的可能性也相对高。
智能级别提升器
图8C是智能级别提升器的流程图,是图8A与图8B的一个实施例。图8A是发信,或发散信息;图8B是收信,或收敛信息。这里牵涉到简并(degeneracy)的设计原理,该原理是既发放又收敛的;既使多路讯号分离(demux),又使多路讯号聚集(mux);既分类(categorize),又区分而选择(discriminate and select)。
智能级别提升器对仿脑***而言,具有极大的商业价值。提升器可以利用(1)简并为***内部影响力。在简并原理下,与简并有关的***复杂性(Complexity)和***鲁棒性(robustness)是一般生物进化***的特性。复杂性意指树状结构的***,具有异构性,并且可以有嵌套的子***。它具有一定的扩容性,***既易整合又能分化。至于鲁棒性,一般工程***的全局可控、可预测的冗余设计只能称为纯鲁棒。生物进化***的鲁棒性则包含了许多组件,这些组件为实现***功能,并不拘泥于固定的指派任务:几个不同组件可共同为某***功能出力,而一个组件又可以为好几个***功能出力。而且,有的组件的功能性在某些情况下看起来很类似,但在其它情况则又非常不同。
更重要的是,仿脑***有别于一般生物进化***,因为它(2)具有自由意志力。意志力能促进***内部BCE的连接能力、同步能力、规则性、吸引子的形成、和多个吸引子的凝聚。意志力还能使***自适应(3)外界的刺激,即使刺激会增加***的不确定性并且会造成大的***搅动。
智能级别提升器的流程步骤如下:
步骤820:智能级别提升器初始化,意志力接受外界刺激的影响。进行步骤821;
步骤821:判断是否BCE状态为无连接混沌。若是,进行步骤822。否则进行步骤824;
步骤822:意志力增加BCE的网络连接力(相当于神经元的放电和整合能力)和相关BCE的数目,使BCE越过连接阈值。进行步骤823;
步骤823:BCE状态提升为连接混沌:复杂度从零变为低,鲁棒性从零变为纯冗余无功能可塑性,仅具有冗余的***缓冲器,意志代理只能参与响应与BCE有关的几个任务。进行步骤824;
步骤824:判断是否BCE状态为连接混沌。若是,进行步骤825。否则进行步骤827;
步骤825:意志力增加其它许多相关的BCE的网络连接力和网络同步力,使BCE越过同步阈值。进行步骤826;
步骤826:BCE状态提升为初始有序:复杂度从低增加,鲁棒性从纯冗余变为纯冗余但具有功能可塑性,意即具有多个意志代理,代理们可以简并,但只能被重指派相近的任务。进行步骤827;
步骤827:判断是否BCE状态为初始有序。若是,进行步骤828。否则进行步骤830;
步骤828:意志力增加BCE的规则性,使BCE越过有序阈值。进行步骤829;
步骤829:BCE状态提升为高度有序:高度同步,复杂度继续增加,鲁棒性从功能可塑性纯冗余,变为功能冗余鲁棒,意即不再被重指派任务而是开始资源重设置,某功能群的任务增加而另一功能群的任务减少。通过所谓“重指派通道”,第一功能群的资源受到(资源过剩的)第二群的支持。进行步骤830;
步骤830:判断是否BCE状态为高度有序。若是,进行步骤831。否则进行步骤833;
步骤831:意志力促成BCE的盆地吸引子,使BCE越过临界阈值。进行步骤832;
步骤832:BCE状态提升为局部临界:复杂度从低转高,鲁棒性从功能冗余鲁棒再加上功能可塑性,成为局部简并。意即通过许多不同的“重指派通道”有大量的资源被重设置。同时,意志力的奖励功能鼓励大胆创新。进行步骤833;
步骤833:判断是否BCE状态为局部临界。若是,进行步骤834。否则进行步骤837;
步骤834:意志力促成BCE的盆地吸引子聚合,使BCE越过全局阈值。进行步骤835;
步骤835:BCE状态提升为全局临界:复杂度从高转极高,鲁棒性从局部简并成为全局简并。意即多网络并发,分布式响应,具有一系列的彼此简并的多意志力代理。同时,意志力的奖励功能鼓励大胆创新,自动催化智能提升进行步骤836;
步骤836:正常返回;
步骤837:错误返回;
以上说明了仿脑***的智能提升器如何借助其自身的简并和意志力,应对外界刺激的同时,加强了智能级别。智能提升器步骤835还可以利用自动催化(autocatalysis)的原理,实现智能提升的自动加速,类似于“分子交换”,释放隐藏的基因多样性,使得长时间累积的观念,最终促成创新的快速爆发。
仿脑仿真器循环和仿脑图灵机循环量子门***
图9A是仿脑仿真器循环和仿脑图灵机循环量子门***框图和流程图,是以仿真量子计算设备“量子门”来实现图8A与图8B;
量子门(quantum gate)***是使用量子门来完成本发明所揭露的仿脑计算虚拟化的方法。量子门***使用量子计算机大量的量子门资源来实现计算。相对的量子绝热(quantum adiabatic)***则是将量子算法数学转换,而使用少数的量子门资源来实现计算。这两个***都只是是实施例之一,其它可能的实施例还可以包括传统计算***或分子计算***。另外,在设计上,本实施例也可以将微观涌现模型列入仿真器之内,然而这只是科技进展时设计的变动,例如当微观涌现模型使用传统CPU运行时成本较低,或量子计算资源太昂贵时,微观涌现模型可以在仿脑仿真器之外,但性能的考量也可以将微观涌现模型设计在仿真器之内。
使用量子门或量子绝热***的一个重要概念,就是由于Feynman在1980年就已提出的理论:量子算法无法在传统计算机上有效运行,而必须在量子计算机硬件上运行,也就是说,量子算法无法完全使用软件来仿真量子硬件。所以,严格的说,使用量子门或量子绝热时,仿脑仿真器只是模拟器。传统计算***或分子计算***则可以是完全的软件仿真。
加州伯克莱大学量子物理学家Henry Stapp将冯诺依曼的过程1和2扩充,加入了过程0和过程3,于是整个过程0到3称为vNs过程。图中的方框90是仿脑仿真器的循环(量子门模式),以4条粗箭头线表示。vNs的4个过程定义如下:(1)vNs过程0:仿脑***不断从无意识引擎得到混沌概念,或从有意识引擎找下一个主观经验,伴随方框91意志力,进入子循环,也就是步骤904,仿脑图灵机的循环;(2)vNs过程2:也就是冯诺依曼的过程2,量子单元操作或量子纠结,产生新的BCE;(3)vNs过程1:也就是冯诺依曼的过程1,仿脑***度量量子单元操作或量子纠结的结果;仿脑图灵机循环上述过程2和过程1,不断形成网络结点,把信息分别出来后,送给有意识引擎OS,在引擎OS那里做vNs过程3。(4)vNs过程3:量子认知,详见图11的说明。有关冯诺依曼的过程1和2的内容,详见Schwartz2004“Quantumphysics in neuroscience and psychology:model of mind-braininteraction”一文。但是这两个过程结果经由意志力判断,若过程1的结果不理想,则需尝试另外的BCE,再进入过程2然后使用度量的过程1,如此循环不断(称之为冯诺依曼循环)直到达到理想的结果,则是本发明的创见。
如前所述,方框921表示绝热模式:以传统电脑+少许量子门来进行模拟计算;方框922表示微观涌现模型和代理/价值***也可以设计在图灵机内,这是仿脑VMM的紧耦合设计。或在仿真器内但图灵机之外,这是仿脑VMM的中耦合设计(见图9B)。
仿脑仿真器的循环流程如下:
步骤901:接受感情认知模型输出的主观经验。进行步骤902;
步骤902:分解量子纠错成为逻辑量子位元及逻辑量子门。若BCE可以分解为分子、原子或量子级别,进行步骤903。若无法分解,则BCE为神经元级别,程序离开仿真器的循环;
步骤903:以物理控制顺序,保持逻辑量子位元和量子门。进行步骤904;
步骤904:仿脑图灵机循环,包括下列子步骤:
子步骤9041:存储物理量子信息。进行步骤9042;
子步骤9042:冯诺依曼过程2:单一操作和/或纠结(entangling)。进行子步骤9043;(注意是先过程2,再过程1)
子步骤9043:冯诺依曼过程1:物理度量(physicalmeasurement)。进行子步骤9053;
子步骤9044:由意志力91判断回到循环,继续进行子步骤9041,或跳出循环进行步骤905;
步骤905:逻辑度量(logical measurement),消错(errorcancellation);
步骤906:辫结/纠错(braiding/error correction)。进行步骤907;
步骤907:透过仿真量子交换器,把信息送到意识引擎的量子认知模型,进行观念的认知判断;
仿脑图灵机循环绝热模式
图9B是仿脑图灵机循环绝热模式***框图,是以仿真量子计算设备“绝热式”来实现图9A的方框921和922。图9B是紧耦合设计,将图3的仿脑VMM内核置于仿脑图灵机之内。这样的设计可以很容易将简并的设计原则使用于仿脑图灵机循环内的所有组件。图中没有显示绝热模式的纠错方法,此方法与量子门不同,绝热模式强调保持基态。绝热***的汉弥尔顿(在古典力学中汉弥尔顿是一种能量函数,见http://en.wikipedia.org/wiki/Hamiltonian_vector_field)在时间t+1是
H(t+1)=H(t)+V(t)
其中V(t)为在时间t的干扰函数。解薛丁格方程式(薛丁格方程式是一种微分方程,描述某种物理***的量子状态如何随时间而变,见http://en.wikipedia.org/wiki/Schr%C3%B6dinger_equation),得到时间t的特征(eigen)状态为
其中ψ(t)为时间t的特征函数。特征函数通常是线性代数里解特征值方程式的结果。在量子力学里,是解薛丁格方程式的结果。这个结果就是上述公式等号的左边项,通常以量子力学的特殊符号|ψ(t)〉来表示量子的特征状态。
其中cn(t)为t的复杂函数,称为振幅。
图9B中的P则是意志力施行于冯诺依曼过程1的概率,究竟为“是”或“否”:
ψ(t)→ψ(t+1)=Pψ(t+1)+(1-P)ψ(t)
上面的公式表示,若P为1(是),我们得到新的ψ(t+1),若P为0(否),我们得到旧的ψ(t)。意志力不仅对冯诺依曼过程1,对智能提升也有决定性的影响力。而P本身又受V(t)影响。P由ACM模型产生,其实也是随时间改变的函数。
方框94为绝热式仿脑图灵机循环,包括方框941的仿脑VMM内核、942的冯诺依曼过程2、943的冯诺依曼过程1、944的智能提升器、和95的意志力。绝热式仿脑图灵机循环接受三种输入:方框931的主观经验、方框932的心理框架和情绪、和方框933的外界干扰。注意外界干扰不只影响仿脑VMM内核,也影响意志力。
方框941的仿脑VMM内核包括自组织临界/复杂网络模型、情感认知模型、和代理/价值***。自组织临界/复杂网络模型接受主观经验和外界干扰的输入;情感认知模型和代理/价值***接受心理框架和情绪的输入。
由图中可见,从VMM内核到冯诺依曼过程2,再到冯诺依曼过程1,再到智能提升器,最后回到VMM内核,均以较粗的箭头线表示,也因而构成了绝热式仿脑图灵机循环。
方框96的陈述绝热虚拟仿脑量子***所具有的特征:
虚拟化/VMM对BCN的影响。方框961说明在实施冯诺依曼过程2时,(1)虚拟收缩理论下的网络同步快过“赢家全拿(winner-take-all或WTA)”(详见Rutishauser等人的2013论文“Competition ThroughSelective Inhibitory Synchrony”)。这是虚拟化对BCN网络的影响。作为传统人工智能的计算原理,WTA可用于人脑的学习理论,即在一个大脑皮质层内,对多个输入响应最强的神经元会被激活成为输出,而其它神经元则被关闭。但是基于虚拟化的收缩理论则将传统的WTA原则改进,也就是说,赢家全拿的神经元并不只是出现在某个皮质层,即使两个神经元在两个相距遥远的皮质层,透过量子同步和纠结,所形成的BCE也可以成为赢家,而且虽然距离遥远,响应速度反而更快。(2)当BL OS(虚拟机)或甚至BL VMM本身需要迁移时,已量子纠结的数据利用量子瞬移(quantum teleporting)迁移量子位元。若数据为传统数码数据,可以利用方框3031的传统和量子数据之间的转换指令,实行转换再迁移。如此,传统虚拟机镜像和量子虚拟机镜像可通过上述两种方式混合后的量子通讯法加速迁移。此外,(3)仿脑量子***重复使用资源,已纠结的量子必需去纠结,而意识引擎必需产生新的网络节点,类似于神经元的神经发生(neurogenesis)。
绝热式量子度量。方框962说明在实施冯诺依曼过程1时,用非绝热门作为探针并度量,节省量子计算资源。实施时,绝热模式将n个量子位元,K个体的互动的靶目标汉弥尔顿,映射为2个体的互动,因而计算时,还可采取绝热与非绝热的混合模式:意即使用绝热寄存器为模拟寄存器,而使用非绝热量子门为探针寄存器,以节省量子门硬件资源。利用这种优化方法,仿脑VMM的平行和网络调度器还可以保证使用最少量子门硬件,和最多传统多核资源。
绝热式再进入循环。方框963说明绝热式演化在“再进入循环”中产生“几何相位”,对多个非线性耦合振荡器(例如微管蛋白),可以度量其吸引子。
绝热式简并的影响。方框964说明在智能提升器中,绝热式的简并使用多个特征(eigen)状态值:ψ(t0),ψ(t1),…来强化***的鲁棒性和复杂性。
仿脑VMM运行有关意识的量子算法时,若非使用新量子算法,则传统人工智能法必须转换成量子算法。此种转换工具也适用于非仿脑量子算法。
仿脑计算的操作***(OS)
图10是仿脑计算的操作***(OS)的结构框图,说明图1里的方框1021和1022;
本图说明了仿脑OS层1002介于仿脑应用层1001和仿脑VMM1003之间。在底层还有硬件层1004,它接受外界刺激1005。仿脑OS共有三个OS:方框10021的无意识引擎OS,方框10024的有意识引擎OS,方框10023的情感引擎OS,以及这些OS的共同部分:方框100220的社区网络侦测模型,方框100221的强涌现通讯,方框100222的弱涌现通讯(这些涌现通讯的详情见图14A和14B的说明),方框100223的非陈述性内存,和方框100224的陈述性内存(这些仿脑内存的详情见图13的说明)。
无意识引擎OS的功能包含(1)心理酝酿100211,这是一个简单的驱动程序,在CPU不繁忙时,将现有的主观经验送入仿脑VMM的循环,得到一些智能级别略高的BCE(在无意志力催迫的情况下)。这相当于人脑在睡梦中,或长时期地酝酿知识。心理学家称之为心理的模拟(psychological simulation),也就是没有外界的刺激,由内部激发的智能产生的循环。(2)Markov和非Markov机器学习/对象识别方法库100212,这已囊括了所有的传统人工智能的算法。(3)传统电脑语言100213。
有意识引擎的OS包含(1)仿脑认知100241,详情见图11的说明,(2)智能级别度量100242,(3)目标语言100243,详情见图12的说明。
方框10023是情感引擎的OS。情感引擎OS提供心理框架和情绪的输入,通过仿脑VMM的情感认知模型,综合主观经验产生意志力,或专注力(attention)。心理框架和情绪的输入也同样会影响微观记忆模型。
仿脑认知
图11是仿脑认知的流程图,说明图10里的方框100241和100242。所谓认知,就是把仿脑VMM产生的BCE解释,从语义来区别其意义。步骤如下:
步骤1101:仿脑认知初始化;
步骤1102:定义智能级别。此定义与目标有关,可以使用图6中的奖赏功能,乘以一个分布函数,例如2的-K(μ)次幂,其中K(μ)为Kolmogorov的复杂函数,μ为概率分布函数,然后再将下述的各情况的乘值加起来,其总和即为智能的度量(见Shane Legg的2008年博士论文“Machine Super Intelligence”,第47页),可以被用来评比级别。视***作的BCE为单一、或被纠结的两个、或多于2个各种情况,分别执行步骤1103,1104,1105,1106;
步骤1103:单一操作的BCE被打分(合理性、智能级别,等等)。进行步骤1107;
步骤1104:已被纠结的BCE被打分(意义、相干性Coherence,贝尔不等式的违反性等等)。进行步骤1107;
步骤1105:已被干扰的BCE被打分(干扰图形解释,重叠等等)。进行步骤1107;
步骤1106:多于2个BCE被打分(身份、个别性,微观/宏观薛丁格猫)。进行步骤1107;
步骤1107:利用智能级别的定义,运行Graver算法:从数据库抽样比较智能级别。;
步骤1108:正常返回;
步骤1109:传统语义分析:语义分析;角色加标签(semanticlabeling),去语义不清(disambiguation)。进行步骤1110执行BCE数据库操作;
步骤1110为BCE数据库,提供数据以执行步骤1107。
目标语言
图12是目标语言的框架流程混合图,说明图10里的方框100243;
方框1202的目标语言是有意识引擎OS的语言,为编写有意识引擎应用1201的语言工具。目标语言本身可以用目标语言编写,但最终是基于方框1203的仿脑指令集。
目标语言具有类似传统电脑语言的句法和语义分析12021。该语言的运算主体12022含以下逻辑:步骤120221定义或接受应用所订立的目标;步骤120222向上编程:利用“向上调度(upcall)”检查当前的操作是否符合目标。若否,则作适当修正。
目标语言提供三种接口:
(1)方框12023的人机接口,包括程序员提供强化学习、天赋、经验(例如通过自然语言)120231;应用程序输入(例如用Prolog语言输入内容、内涵、结果)120232;自动输入(例如Batch脚本)120233;其它外界刺激输入120234。
(2)方框12024的OS元件库接口:提供涌现通讯接口120241、仿脑内存接口120242(与方框1205的仿脑内存交流,包括非陈述性内存12041和陈述性内存12042)、以及仿脑认知模型的接口120244(与方框1206的仿脑认知模型交流)。这样,有意识引擎的应用程序得以和这些OS元件模块交流。
(3)方框12025传统语言互动接口:借用“互动接口(InteractiveInterface或IIf)”与传统语言交流1207。IIf有三种形式:(a)利用Aspect编程***其向上编程的指令,扩充传统电脑语言如Prolog、Python或Java;(b)目标语言作为另一个语言,使用IIf与传统电脑语言互动;(c)目标语言和传统语言合并为一个语言,没有IIf的必要。
方框120241的通讯接口与涌现通讯模型1204交流。涌现通讯模型包含下列步骤:
步骤12041:判断是个体还是群体涌现。若是个体涌现,进行步骤12042。否则为群体涌现,进行步骤12043;
步骤12042:宏观涌现模型保持单一涌现思维,呈现代理、意义、价值、工作;
步骤12043:判断是否全部思维都有用。若是,进行步骤12044;否则进行步骤12045;
步骤12044:宏观涌现模型保持多个BCE向同方向移动;
步骤12045:利用打分法或What if法,择一。
上述宏观涌现模型的细节见图14A和图14B的说明。
仿脑内存
图13是仿脑内存的流程图,说明图10里的方框200223和100224;
这里借用模拟人脑的语义内存、情节内存和程序内存来说明其操作。注意在BL VMM中的操作,无论读写,都是由多个过程完成。多个过程的简并(degenerate),也可以实现联想的机制。
步骤1301:开始内存的存储和读取。进行步骤1302;
步骤1302:判断是何种内存。若是语义内存1303,进行步骤1304;若是情节内存1305,进行步骤1306;若是程序内存1307,进行步骤1308;若是相关内存1309,进行步骤1310;否则进行1311;
步骤1304:利用框架、块、网络、方案(Frame,block,network,schema)的模型来操作。进行步骤1319;
步骤1306:用Prolog进行符号读写。进行步骤1319;
步骤1308:利用无意识引擎读写。进行步骤1319;
步骤1310:用量子理论和神经网络读写。进行步骤1319;
步骤1311:错误返回;
步骤1312:判断是否读写BCE状态。若是,进行步骤1313。否则进行步骤1322;
步骤1313:判断信息是否存入VBSM。若是,进行步骤1314;否则进行步骤1315;
步骤1314:利用量子力学计算概率。进行步骤1319;
步骤1315:判断是否为模拟BCE思维流。若是,进行步骤1316;否则进行步骤1317;
步骤1316:利用量子相干性导致量子相干性的结果。进行步骤1319;
步骤1317:判断是否为模拟一连串单独BCE。若是,进行步骤1318;否则进行步骤1311;
步骤1318:利用扩散量子相干性状态导致一连串心理状态。进行步骤1319;
以下的步骤在VMM中执行,图13用虚线与以上在OS中执行的步骤分开。
步骤1319:进入微观记忆模型。进行步骤1320;
步骤1320:接受心理框架、情绪和价值***的影响,完成(1)写:信息分类及创造多个过程;(2)读:多个过程使用简并(degeneration)以重现信息。进行步骤1321;
步骤1321:正常返回;
步骤1322:错误返回。
仿脑OS宏观涌现模型
图14A是仿脑OS宏观涌现模型的架构框图,以架构方式说明图10里的方框100221和100222;
类似于传统电脑的OS,仿脑引擎OS也管理通讯资源。宏观涌现模型让有意识引擎的OS可以和无意识引擎的OS交流,执行类似人的左右脑之间的通讯(interhemispheric communication)。然而如果考虑一个多人社群合作的项目,这种通讯还可以从个人延伸到多个人脑,也就是仿脑VMM上运行的多个OS组,每组由有意识、无意识、情感引擎的三个OS组成。有的人右脑发达,可以形成下述的强涌现,例如公司的远景,有的人左脑发达,形成下述的弱涌现,例如贡献于公司的流程或项目的一部分。
至于通讯的内容,可以由个别BCE到许多BCE组合成的程序(Routine)。按照图11步骤1102的智能级别,我们还可将BCE区分为强涌现(智能级别高)、弱涌现(智能级别低)、混沌涌现(智能级别极微弱)。在弱涌现情况,***寻找一个程序将弱涌现BCE***;在强涌现情况,***寻找数个程序合起来满足强涌现BCE。
图14A左边的方框14a1就是***找到的一个程序,可以被数个弱涌现的BCE14a41,14a42,14a43***;图14A右边的方框14a3就是***找到的程序组,其中包含多个程序14a31,14a32,…,用以满足实现强涌现BCE14a51。弱涌现BCE和强涌现BCE均来自14a21情节库或14a22。以上所述程序或程序组,均来自程序库14a23,若程序被修改后会再被置回该程序库。
图14B是仿脑OS宏观涌现模型的流程图,以流程方式说明图10里的方框100221和100222。步骤如下;
步骤14b01:初始化,评估涌现想法。进行步骤14b02;
步骤14b02:判断BCE是否为弱涌现。若是进行步骤14b03。否则进行步骤14b10;
步骤14b03:从程序库寻找可***的逻辑。进行步骤14b04;
步骤14b04:判断涌现思维是否合适***。若是,进行步骤14b05。否则进行步骤14b06;
步骤14b05:***旧逻辑,形成新程序。进行步骤14b18;
步骤14b06:判断涌现思维是否可修改再***。若是,回到步骤14b03。否则进行步骤14b07;
步骤14b07:进入Episodic库。进行步骤14b08;
步骤14b08:进入Semantic库。进行步骤14b09;
步骤14b09:正常返回;
步骤14b10:判断BCE是否为强涌现。若是进行步骤14b11。否则进行步骤14b18;
步骤14b11:从程序库寻找满足涌现思维的程序。进行步骤14b12;
步骤14b12:判断是否找到满意程序。若是,进行步骤14b13。否则进行步骤14b17;
步骤14b13:判断涌现思维可否分割。若是,进行步骤14b14;否则进行步骤14b07;
步骤14b14:进行分割征服(例如分析、决策等自主计算过程)。进行步骤14b15;
步骤14b15:判断被分割涌现思维找到满足程序。若是,进行步骤14b17;否则进行步骤14b07;
步骤14b16:整理旧程序,形成新程序以满足涌现。进行步骤14b17;
步骤14b17:进入Procedural库。进行步骤14b20;
步骤14b18:判断BCE是否为混沌涌现。若是进行步骤14b19。否则进行步骤14b21;
步骤14b19:存储BCE。进行步骤14b20;
步骤14b20:正常返回;
步骤14b21:错误返回。
仿脑自主计算***
图15A是仿脑自主计算***的架构框图;该图将仿脑计算虚拟化的方法再细分为由下至上的7层架构,其中无意识引擎和有意识引擎各有自己的7层。本图显示若以无意识引擎的7层为主,有意识引擎的各层只是通过自主计算的外循环、互循环、里循环,来辅助相应的无意识引擎的层。
与传统的自主计算不同,仿脑自主计算***是在传统自主计算的监视→分析→计划→执行(monitor→analyze→plan→execute或简称MAPE)的过程中,借助外循环、互循环、里循环,***了从有意识引擎而来的涌现思维。很显然,如果只是循规蹈矩的实现无意识引擎的4个MAPE过程,项目的管理就相当死板,没有创意,这是一般造成项目延误甚至失败的原因。有了有意识引擎的涌现思维加入,项目的成功率就会大大提高。
方框1501是无意识引擎,在应用方面包含方框15011的传统应用,方框15012的无意识引擎的第七层应用:微观管理,方框15013的无意识引擎的第六层应用:社交基础(个入关怀,师徒式领导),方框15014的无意识引擎的第五层应用:执行准备,方框15015的无意识引擎的第四层应用:计划,方框15016的无意识引擎的第三层应用:句法和语义分析。
方框1502是有意识引擎,在应用方面包含方框15021的有意识引擎的第七层应用:社交应用、财政工程,方框15022的有意识引擎的第六层应用:社交基础(广大群众信息),方框15023的有意识引擎的第五层应用:创意(涌现)执行备,方框15024的有意识引擎的第四层应用:决策(涌现)工程,方框15025的有意识引擎的第三层应用:意义分析(数据挖掘/建立规则)。
弧形箭头15031是仿脑自主计算***的外循环,外循环表示监视→分析→计划→执行后再回到→监视。弧形箭头15032是仿脑自主计算***的内循环,互循环表示任何两个过程都可以彼此循环(譬如分析→计划→分析),弧形箭头15033是仿脑自主计算***的里循环,里循环表示任何单独的过程可以自身重复(譬如无意识引擎的语义分析→有意识引擎的数据挖掘→(再回到)无意识引擎的语义分析)。
方框1504是第二层仿脑OS/VMM,包含方框15041的传统OS,方框15042表示无意识引擎OS(含方框150421的对象识别),方框15043的有意识引擎OS,和方框15044中的本发明的重点:仿脑VMM。
方框1505是第一层:硬件(传统、量子、分子计算机),包含方框15051中的I/O硬件感应器,和方框15052中的I/O硬件效应器。硬件层接受1506的外界刺激。
输入功能:
直线箭头①表示外界刺激进入硬件感应器,包括文字、图形、视频、音频。
监听功能:
直线箭头②表示原始刺激数据送入对象识别器。
分析功能:
直线箭头③表示对象识别器的结果(例如方块、圆形和其它几何图形)送给传统语义分析。
直线箭头④表示传统语义分析并无法完全导出意义,必须要仰赖有意识引擎OS的仿脑认知,而运行其上的有意识引擎第三层的应用可以取代人脑进行规则的创建,数据的挖掘,这样才能真正知道外界刺激的意义。
直线箭头⑤表示完全理解的语义/意义被送到无意识引擎的第四层应用:计划。
计划功能:
直线箭头⑥表示传统的计划只是循规蹈矩的办事,并无法融入决策所要的涌现思维。好比一个管理人员虽然知道计划过程,但没有专业知识,所以不懂在计划中适当任命有专业知识的下属。这个专业知识就是主观经验,是有意识引擎擅长处理的。所以,传统的计划还要有有意识引擎的第四层应用:决策(涌现)工程来辅助。
直线箭头⑦表示一个具有专业知识、又有创意的计划被送给无意识引擎的第五层应用:执行准备。
执行功能:
直线箭头⑧表示照章办事的执行准备固然使项目可以进行,但执行时没有创意的执行,也会成效不彰。譬如执行时遭遇未预期的困难,必须要成立专案小组,特别照顾,解决问题。所以,照章办事的执行准备还要由有意识引擎的第五层应用:创意执行来辅助。
输出功能:
直线箭头⑨表示一个完整的执行实现于硬件效应器。
上述6个功能在图15B中以功能模块表示。这些模块扩充了传统自主计算的功能,其结果为解决问题的方法更灵活且具创意。
多核计算机集群的性能服务***
图16是多核计算机集群的性能服务***的架构框图;
在量子计算机问世的初期,传统计算机已经到处充斥。所以量子计算机的一个任务就是如何辅助传统计算机,提高企业现有传统计算机的投资报酬率。其中一项不可避免的使命,就是如何利用仿脑计算虚拟化的方法加强多核计算机的性能。
多核计算机集群性能服务***的优势就是因为使用仿脑计算虚拟化方法,仿脑VMM可以安装在每个刀片服务器上,进行彼此之间性能信息的沟通(图14A和14B的宏观涌现模型也具有为不同服务器上的仿脑VMM沟通的功能)。从图15的仿脑自主计算架构的传统OS 15041,以及自主计算本质上仍将保持ACRA(Autonomic Computing Reference Architecture)自主***架构,仿脑VMM可以完全兼容传统OS和ACRA架构,因此传统应用和传统OS都无需做代码修改。此外,PMU(Performance Monitoring Unit)是一种在一般CPU(x86,ARM,SPARC,MIPS)上的收集性能统计信息的硬件,由数个控制寄存器和数据寄存器组成。由于PMU可以发掘传统硬件的底层健康和性能信息并可以被仿脑VMM捕捉,仿脑计算的涌现思维,以现有的性能方法当作主观经验,可以随时创造性地改善性能状况。
方框1601是运行在多核刀片服务器1605,以及绝热量子计算配件1606上的软件,包括仿脑VMM1604和三种OS软件:传统Linux虚拟机16011(其上运行传统应用160111),无意识引擎OS16012(其上运行无意识引擎应用160121),和有意识引擎OS16013(其上运行有意识引擎应用160131)。这台服务器具备了完整的仿脑计算方法的元件,是整个多核计算机集群的领头服务器。能够收集其它服务器的信息,以涌现思维实现整个集群的性能改进。
方框1602是运行在多核刀片服务器1607上的软件,包括仿脑VMM1604和两种OS软件:多核Linux16021(其上运行传统应用160211),和传统Linux虚拟机16022(其上运行传统应用160221)。这台服务器虽然运行仿脑VMM,但因为没有仿脑引擎,只能运行传统的多核性能工具,无法为领头服务器收集仿脑信息。
方框1603是运行在多核刀片服务器1608上的软件,包括仿脑VMM1604和两种OS软件:无意识引擎OS16032(其上运行无意识引擎应用160321),和传统Linux虚拟机16031(其上运行传统应用160311),16033(其上运行传统应用160331)。这台服务器运行仿脑VMM,而且运行无意识引擎,可以为领头服务器收集仿脑信息。
方框1604仿脑VMM通过虚拟网络交换机16041与其它服务器的虚机进行通信。该虚拟网络交换机最终必须有物理的网络交换机1611做物理连接。仿脑VMM也与IaaS云管理器1610连接。各刀片服务器将收集到的仿脑信息置于数据库1609,而仿脑VMM从数据库取得这些仿脑信息,当成主观经验,以进行整个集群的性能改善。
信息产业涌现网络***
图17是信息产业涌现网络***架构图。运营一个信息产业公司的管理流程,在业界有不少标准,例如对于软件工程管理有CMMI-DEV/SVC(Capability Maturity Model Integration for Development &Service),IPD(Integrated Product Development)等等。这些标准在使用本发明进行自动化后,除了流程本身的知识(流程模板、最佳实践、财富库等等),其最重要的知识在涌现网络BCN中包括:软件开发工程的开发知识,和软件服务交付的服务知识。开发知识又包括各种工程文件:观念文件、需求文件、设计文件、代码、测试文件。这些文件利用涌现网络产生。对于服务交付流程,强涌现是在服务策略管理和服务交付的流程里。对于软件工程流程,涌现思维BCE的智能级别由强涌现的观念文件到弱涌现的测试文件。说明如下:
服务交付流程:
方框17011服务策略管理阶段(Service Strategy ManagementStage)
在这个阶段服务经理要煞费苦心的思想各种服务策略,譬如通过网站如何可以达到自动化服务的目的。如果要进行销售,还要有策略如何表达说辞,如何利用人脉,如何在顾客公司的组织里发挥服务品质。都需要高智能级别的涌现创新思维。
方框17012需求管理阶段(Requirements Management Stage)
由于需求已经写好,只要管理修改的部分,所以需求的内容本身要求的智能级别并不高,算是弱涌现。
方框17013***过渡阶段(System Transition Stage)
***过渡表示在开发商的环境里做好的软件,现在要转到顾客那里的环境运行。通常如果已经有承诺使用的顾客,过渡就较容易,只要解决技术上的问题。但如果是“第一单”(也就是在某个市场区隔里的第一位顾客)的销售,所要考虑的事项就颇多,包括不易找到第一位“实验白老鼠”,软件缺陷现场的暴露,顾客的抱怨,开发商的名誉等等。但其中所包含的还算是弱涌现。
方框17014服务交付(Service Delivery Stage)
这个阶段是服务交付流程里最重要的一个阶段,复杂的情况包括与合约有关的品质保证。但如果是销售服务,最终就是要能签署合约:如何要顾客签约,包括内、外部公关,也就需要人际关系的强涌现思维。
方框17015服务延续(Service Continuity Stage)
这个阶段是所谓的技术支持和售后服务,一般不需要太多的创新,所以是次弱涌现。
软件工程流程:
方框17021概念形成阶段(Concept Formulation Stage)
观念形成犹如博硕士生在写论文,学者在写Paper,或作家在写作理论书籍,此时第一道过程就是先搜集信息。这或是文献搜索(Literature Search)别人的涌现思维(例如用Google),或是把自己的涌现思维写在卡片上。然后把这些信息加以“整理”,综合别人的和自己的,成就一番理论,推导出符合逻辑的“一片天”。但是这种传统方式的逻辑性整理,在使用仿脑计算虚拟化方法就不会丢失创意,特别是使用在企业中,最重要的工程文件是强涌现的观念文件,它是由市场情况和科技走向两种涌现网络结合而成。市场情况不断变化,使用科技回应市场的解决方案也可以不断翻新。这是两个BCE强涌现思维网络的结合。
方框17022需求与原型阶段(Requirement & Prototyping Stage)
原型通常适合弱涌现的情况。原型是一片逻辑代码,做好了可以接受别人批评(弱涌现),或将自己的想法不断***(类似心理学家说的Simulation(非前述的仿脑仿真Emulation),就是自己想法取代外界想法成为输入,这是一个持续不断的自动过程),因而原型可以不断修改。但在强涌现的情况,需要利用到不断累积出来的许许多多个别原型的集合体,称为原型库(Prototype Library,类似心理学家所说人脑中的Procedural Memory)。而这些库里的原型,还必须做合乎逻辑的组合以期达到强涌现的目的。
原型制作属于需求阶段:一边在写需求,一边在制作原型。这个阶段能够将“涌现”,或“创新思维”,最大程度***。所谓最大程度,是因为这个阶段的逻辑,可以大幅修改,以配合涌现思维。
方框17023敏捷开发阶段(Agile Programming Stage)
原型制作和敏捷开发是两个不同阶段:原型通常是一人(一个脑袋的内部运作)的行为。开发,则是一个团体行为(多个脑袋之间的沟通),需要管理、协作。所有的原型都在开发时可复用,甚至成为开发的一部分。有关软件本身的复杂性(Software Complexity),可以用ComplexNetwork来分析。例如Java的inheritance就能创造树状网络(Vertical Direction)。Class是Node,Inheritance是Arc。另外,Method(Node)和Method(Node)之间的调度Calling也是Arc(Horizontal Direction)。所以,软件复杂性也可以有自组织临界点。可以用上面的方法来判断软件产品本身究竟是一片混沌,仅仅有序的弱涌现,还是已达临界点的强涌现。
方框17024测试阶段
在测试阶段,涌现的***几乎为零。除了Beta测试(或称客户现地的验证Verification)时,为了符合客户需求,有一些小改动,小***。
方框1703是仿脑OS层,在这里仿脑引擎的宏观涌现模型会以社群网络过滤BCE宏观智能级别,所以上述个流程阶段如果自动化成为仿脑应用,可以与宏观涌现模型交流。
方框1704是仿脑VMM层的微观涌现模型以自组织临界点(SOC),吸引子(attractor)BCE过滤微观智能级别。方框1705是仿脑VMM层的仿脑仿真器:重要的是涌现BCE的强弱与意志力有关。类似负责软件工程的总工程师,知道把意志力加重在形成观念文件的阶段,负责服务交付的经理,知道把意志力加重在服务策略管理和服务交付的阶段。
关键使命的灾备***
图18A是关键使命(mission-critical)的灾备***(亦即BusinessContinuity/Disaster Recovery或BC/DR***)的架构图。银行的生产环境就是属于关键使命***,例如一个很小的***错误如果在短期间无法恢复,可以导致上亿元的损失;在军事信息***,一个错误的信息导致上万军人的捐躯。
方框1801是无意识引擎的应用,其中方框18011是企业现有的灾备模型,在新的仿脑计算虚拟化产品安装后,现有模型的价值体现在在该企业中具有一定对于该企业的适应性。方框18012其它企业的灾备模型,则是对一般传统的灾备的知识吸收。这两种模型或是非人工智能的传统应用,或是具有人工智能的算法,但都不具备仿脑计算的涌现创新性质。
方框1802是有意识引擎的应用。其中,方框18021是决策工程模型,该模型将传统的决策分析扩充成为工程流程,可以引用图17的软件工程几个阶段,把应对灾难情况的想法化为软件,利用各阶段涌现思维的强弱状态来控制项目的成功。决策工程的生命周期也同样包括观念文件、需求文件、设计文件和测试文件的编写。方框18022黑天鹅理论模型包括杠铃策略,凹凸模型、自相似模型、冗余、***脆弱性计算、和黑天鹅理论的第四象限模型(与本专利图1的方框1015D-象限是一致的)。有关黑天鹅理论,请参考N.N.Taleb2010年所著“The BlackSwan:the impact of the highly improbable”一书。.
仿脑OS层则包括方框1803的无意识引擎OS(运行观念酝酿)、方框1804的宏观涌现模型、方框1805的仿脑内存(含情节库、语义库、程序库)、方框1806的有意识引擎OS(运行仿脑认知和传统语语义分析)。
仿脑VMM层在这里显示的是较为重要的方框1807的微观涌现模型,以及其适用于灾难复原的数学模型:方框18071的临界现象模型。临界现象以数学模型为灾难情况制模。另外,方框18072是仿脑VMM的迁移机制。仿脑灾备***可以利用量子通讯在平时或灾难时迁移仿脑OS和仿脑VMM。仿脑OS包括传统虚拟机和量子虚拟机。利用图9B的方框961所述混合量子通讯方法实现。
这当中有几个关键的流程(但各流程间并没有先后次序的关系)说明如下;
流程①,无意识引擎把企业现有的、其它单位的灾备方法进行仿脑计算虚拟化,也就是将其重要观念分析后加入仿脑内存,形成仿脑涌现BCE网络。之后,这些概念就会被观念酝酿;
流程②,在实现决策工程时,启用宏观涌现模型,对从观念文件到测试文件的流程,按照强涌现、次强涌现、弱涌现、次弱涌现的智能级别加以管理;
流程③,设计文件是方框181:灾备***改进方案及交付物之一,例如工程架构图,见图18B的灾备***工程设计架构图的一个样本;
流程④,意识引擎运行传统语义分析,并利用仿脑认知方法把黑天鹅理论的各式模型、和决策工程的知识,输入仿脑涌现BCE网络;
流程⑤,黑天鹅的自相似模型,可以透过仿脑仿真器里、仿脑指令集里有关灾备的临界现象数学模型指令来制模。
灾备***工程设计架构图样本
图18B是关键使命灾备***工程设计架构图的一个样本。由图可知,一个经由仿脑计算虚拟化方法所衍生出的灾备软件工程***,所得出的一个重要交付物—工程设计架构图。该灾备***182架构包含两个主元件:方框1821的预防***和方框1822的反应***。预防***又包括方框(1)黑天鹅子***18211,这是关键使命灾备***的理论基础;(2)演***时收集决策者心理框架、情绪数据,而在紧急突发事件时可以辅助决策的子***。方框1822的反应***包括(1)灾难触发再计划子***18221;(2)灾难触发及时响应子***18222,包括自动分析灾难根本原因和及时的响应动作;(3)预警子***18223,包括PMU在死机前一刻的灾难捕捉和通知及时响应子***。
图18B也同时说明了该实例是一个仿脑计算虚拟***从人工启动到自动化的“自萌发”过程,有以下三类:
(1)语义知识的吸收与自萌发:也就是吸收大量的专业事实知识,包括各种发表的专业论文、书籍、理论等。譬如黑天鹅的理论18211,如何从电子书的文字叙述变成仿脑思维网络BCN的一部分。细节的语义和语法分析不属于本专利的范畴,但自萌发的过程包括了使用手动方法将黑天鹅的知识,包括杠铃策略,凹凸模型、自相似模型、冗余、***脆弱性计算、和黑天鹅理论的第四象限模型化为网络节点输入***,而后逐渐把该方法自动化,尤其是利用自组织的数学理论来实现此种自动化。语义知识最终会转化为程序知识。
(2)程序知识的吸收与自萌发:吸收大量规则库的规则、有源码的程序、程序库,包括公司自己拥有、从外界购得、或从开源网站下载的程序、产品、规则库、公司的软件流程等。譬如决策者的手机应用18214,可以在开源网站获取,再从源代码变成仿脑思维网络BCN的一部分。细节的电脑语言分析或规则库里的规则分析不属于本专利的范畴,但自萌发的过程包括了使用手动方法将程序翻译成网络节点,而后逐渐把该方法自动化,尤其是利用自组织的数学理论来实现此种自动化。
(3)情节事件的记录、分析与自萌发:纪录与事件有关的多媒体信息,可以附在过程所形成的网络节点上。这些节点与一般BCN节点有些不同,就是加盖了时间戳。此外这些节点也会和语义节点、程序节点相连接。这些连接对于如何设计复杂事件的过程很有帮助。譬如灾难触发再计划的子***18221和灾难触发及时响应子***18222,都是复杂事件过程,并且牵涉到根本原因分析。此外演习子***18212的设计也会得益于情节事件的记录。最后,改进子***18213是最关键的子***,因为它可以从过去累积的纪录,反省未来的设计,如何精益求精。按照图8C的智能级别提升器的设计原则,灾备***的冗余、***脆弱性均可以借提升而改进为一个简并的***。细节的改进方法、如何设计复杂事件和根本原因分析不属于本专利的范畴,但自萌发的过程包括了使用手动方法使用过去的纪录,不断反省未来的***设计,以及如何从BCN里手动学习设计复杂事件过程和根本原因分析,而后逐渐把该方法自动化,尤其是利用自组织的数学理论来实现此种自动化。
图18C说明了仿脑计算的问题解决方案,该实例可用予任何仿脑灾备***,并不一定针对关键使命的仿脑灾备***。首先,仿脑***在建立时,分别建立了两种简并结构(Degenerated Structure,或DS),动态的简并结构和静态的简并结构。从图18C可以知道,仿脑VMM的中心工作就是建立一个庞大的BCN,而这个BCN的建立,具有简并能力、鲁棒性、和复杂性。每次再进入的循环使得这个BCN的建立成为动态的简并结构(Dynamic Degenerated Structure,或DDS)。VMM循环前后,仿脑OS一则在做传统的语义工作,或将VMM形成的BCN置入记忆中。在这个时候,我们认为BCN本身并没有发生变化,所以是静态的简并结构(Static Degenerated Structure,或SDS)。其次,当灾备***问题发生时,仿脑VMM首先述诸利用VMM的动态简并结构在当地解决问题。这时动态简并结构就会按照图8C的方法利用多个不同的途径来完成问题的解决。如果无法解决(例如硬件问题),才会述诸迁移过程。不仅迁移仿脑OS镜像,也迁移仿脑VMM。针对仿脑VMM,首先要从记忆中找到被还原的状态。仿脑计算虚拟化提供简并的记忆恢复方法(见图13的步骤1313和1320),至于传统虚拟机,则启用传统的虚机还原(Revert)方法。无论是仿脑记忆恢复,或是传统虚机还原,迁移时都会用到量子通讯方法(见图9的方框96的说明)。
详细的流程如下:
简并结构创建功能:
步骤1831:判断是否建立简并结构(DS)。若是进行步骤1832;否则进行1835;
步骤1832:判断是否为VMM操作过程。若是进行步骤1833;否则进行1834;
步骤1833:建立动态简并结构(DS)。进行步骤1842;
步骤1834:建立静态态简并结构(DS)。进行步骤1842;
灾难问题处理功能:
步骤1835:判断是否为处理灾难问题。若是,进行步骤1836;否则进行1843;
步骤1836:利用动态DS,以鲁棒性解决问题。进行步骤1837;
步骤1837:判断问题是否获解决。若是,进行步骤1842;否则(例如硬件问题)进行1838;
步骤1838:利用静态DS取回记忆:重新建立BCN状态。进行步骤1839;BCN状态成功重建立
步骤1839:判断是否传统虚拟机需要恢复。若是,进行步骤1840;否则进行1841;
步骤1840:利用传统快照来还原虚拟机。进行步骤1841;
步骤1841:利用量子通讯迁移BCN和/或VM。进行步骤1842;
步骤1842:正常返回;
步骤1843:错误返回。
仿脑计算虚拟化方法的技术效果
从以上所述可知,使用仿脑计算虚拟化的方法是一个复杂、基于循环、仿效人脑思维的引擎,对其应用***提供涌现和创新思维。当所述方法作用在其应用层,其技术效果包括更有创意的自管理、自监视、自修复。例如:仿脑自主计算的无意识应用层可以得到其相对应的有意识应用层的创意输入;仿脑多核云计算能使用仿脑性能数据自动改进主机、和整个云***;仿脑软件开发和服务交付现在可以更注重强涌现的过程域,因而增加成功率;仿脑灾备***则可以创意性的分析根本原因、交付工程结构设计、并能从目前公司已有***,以及其它灾备***的知识来实现自改进。但从仿脑计算虚拟化的应用层4个象限来看,上述应用***泰半只属于C象限,技术效果在其它3个象限的使用还远不止此。
以上结合附图对本发明的仿脑计算虚拟化的方法及***进行了说明。仿脑计算虚拟化仅是本发明在特定场合的一个实施。它充分证明了本发明的实用性。而本发明的方法也可以应用于其它更宽广的应用***,例如其它企业应用***。因而,仿脑计算虚拟化的某些细节不应构成对本发明的限定,本发明将以所附权利要求书界定的范围作为本发明的保护范围。
Claims (23)
1.一种在流程运行环境中进行仿脑计算虚拟化的方法,其中所述流程运行环境具有纵向架构与横向架构,所述纵向架构包括情感引擎、无意识引擎、有意识引擎,而所述横向架构包括仿脑应用层、仿脑操作***/仿脑虚拟机监视器(OS/VMM)层、仿脑硬件层,其特征在于,所述方法包括:
在仿脑OS/仿脑VMM层上运行两类循环:
从无意识引擎OS酝酿混沌概念,之后进入仿脑VMM的第一类仿脑循环:执行BP1解决方案,其中,在仿脑VMM里,微观涌现模型利用所述混沌概念和/或外来刺激产生单一操作对象或近端/远端纠结对象,如果仿脑思维体(BCE)的状态仍为混沌,虚拟仿脑状态机(VBSM)创建元数据和无振荡网络模型节点,接受仿脑VMM平行运算调度器的指派,离开仿脑VMM,最后回到无意识引擎OS;
由有意识引擎提供主观经验,进入仿脑VMM的第二类仿脑循环:
步骤1,执行BP1解决方案,其中,在仿脑VMM里,微观涌现模型利用所述主观经验和/或外来刺激产生单一操作对象或近端/远端纠结对象,如果BCE的状态为有序或临界状态,进入BP2解决方案:
步骤2,在BP2解决方案里:(1)分解BCE,进入冯诺依曼循环;(2)在冯诺依曼循环里,若BCE为吸引子,经历冯诺依曼过程2然后冯诺依曼过程1,在强意志力坚持下,度量到纠结结果;否则,弱意志力介入,仿脑图灵机循环的冯诺依曼过程2然后过程1,但过程1的度量只有弱意志力的坚持,如果意志力允许,BCE离开冯诺依曼循环,继续仿脑仿真器循环;(3)执行纠错,消除并纠正可能发生的仿脑错误;(4)虚拟仿脑状态机(VBSM),创建元数据和同步的网络模型节点;(5)调度器接受VMM网络运算调度器的指派,离开仿脑VMM,进入有意识引擎OS;
步骤3,执行仿脑认知,在有意识引擎OS中,若输入是建立事件、或建立语义,则执行有意识引擎OS的仿脑认知;
步骤4,智能评估,进行涌现观念的智能等级评估;
步骤5,完成循环并存储BCE,包括可选择输出BCE的效应;可选择执行宏观涌现模型的涌现通讯,最后以新的BCE的主观经验再进入仿脑VMM。
2.根据权利要求1所述的方法,其特征在于:
所述情感引擎是有别于生物进化***的引擎,主宰仿脑***的意志力;所述无意识引擎和有意识引擎仿效人的左右脑分离,无意识引擎具有传统电脑的逻辑思维,也就是仿效左脑,而有意识引擎具有量子电脑或分子电脑的非逻辑思维,也就是仿效右脑;
所述仿脑应用层包括4个象限:D象限有意识引擎的涌现事实,实现非逻辑分析、计划、决策、和执行功能,I象限有意识引擎的涌现社交,处理非逻辑社交基础及行为,S象限无意识引擎的逻辑社交,处理逻辑的社交基础及行为,C象限无意识引擎的的事实,实现逻辑分析、计划、决策、和执行的功能,此外仿脑应用层还包括感情引擎的个人感情应用和社交感情应用;所述仿脑操作***/仿脑虚拟机监视器OS/VMM层处理仿脑思维网络(BCN)中的节点,仿脑思维体(BCE);而所述仿脑硬件层包括传统电脑、量子电脑或其机件、分子电脑或奈米机件的共同组合。
3.根据权利要求1所述的方法,其特征在于,所述仿脑VMM包含下列组件:
(1)微观涌现模型;
(2)感情认知模型;
(3)虚拟仿脑状态机;
(4)微观记忆***;
(5)代理及价值***,包括中央控制***,人际运算管理模块,PEP/PDF/Hyperbus资源消耗表;
(6)仿脑仿真器,包含仿脑仿真循环、指令集、仿脑仿真通讯、仿脑仿真内存管理单元;
(7)仿脑调度器,支持无意识引擎的平行运算和有意识引擎的网络运算;
(8)智能提升器,借助外部刺激、意志力和内部简并架构来提升智能级别;
所述微观涌现模型和代理/价值***的组合称为仿脑VMM内核,仿脑OS/VMM层可以有三种设计:松耦合、中耦合、紧耦合,其中,松耦合设计是将所述内核置于仿脑仿真器之外,中耦合设计是将所述内核置于仿脑仿真器内,而在仿脑图灵机之外,紧耦合设计是将内核置于仿脑图灵机之内,后两种设计都有类似松耦合的两类仿脑循环。
4.根据权利要求2所述的方法,其特征在于:
多个BCN可以是并发的,任意时刻都有许多的BCN同时运行;
多个BCN之间可以横向联结,利用“连接柱”连接在不同层次,不同维度的BCN网络;
其中,BCN可以由涌现数学制模,网络中的每个BCE具有混沌、有序或临界的各主要智能状态,其中混沌BCE仿效各别的神经元放电和整合,不具备意识的思维,有序和临界的BCE则是有意识思维,靠同一频率振荡,智能级别的提升有赖于所述BCE状态的升级,使用并改进苍田数学模型或Hodgkin-Huxley数学模型,可以辅助提升BCE状态和智能。
5.根据权利要求3所述的方法,其特征在于,所述微观涌现模型执行下述步骤:
建立动态***的差分或微分方程式,接受从无意识引擎来的混沌概念或有意识引擎来的主观经验作为BCE;
接受外界刺激为动态***的搅动力,调整动态***;
利用自组织方式产生新的BCE信息,其中在初始第一循环中产生单独操作的对象,在其后循环中再产生与已有的BCE纠结的近程或远程的新BCE对象;
如果BCE的状态为混沌,情感认知模型(ACM)的意志力决定是否坚持度量方向:(1)如果坚持,在每次循环中逐渐积分动态***的方程式,建立网络节点,在非同步网络中延伸,最后回到无意识引擎;(2)否则无意志力,无作用;
如果BCE的状态为有序或临界,微观涌现模型预备近端或远端纠结对象,接受情感认知模型的意志力输出,进入仿脑仿真器;
其中如果BCE的状态为有序,实现横向同步,进入仿脑图灵机;
如果BCE的状态为临界,验证其为局部或全局的盆地吸引子,实现局部或全局同步,进入仿脑图灵机;
透过微观输出接口,有意识引擎可以传递指令给无意识引擎,为无意识BCE升级至有序状态,透过微观输入接口,无意识引擎可以将程序运行结果发给有意识引擎,并告知无意识BCE的状态。
6.根据权利要求3所述的方法,其特征在于,所述情感认知AC模型执行下述步骤:
接受从情感引擎OS而来的心理框架和情绪的输入;
AC模型把基于前景理论的主观价值函数,扩充为经验-实用函数,以及预测-实用函数,假设在持续不断的决策中,这些主观的价值函数的形状和参数是随着决策者的情感状态和对工作的信心而变;
AC模型的输出为一种经过理性经验判断得出的意志力,它决定BCE单元操作或纠结的时空深化程度,类似神经元决定是否释放神经递质/离子,或伽玛同步的缝隙连接的开或关;
所述意志力会受到中央控制***的影响,这种影响是基于奖励功能,中央控制***可以随选地接受外界控制,如果无意识引擎,有意识引擎和情感引擎组成一个相当于一个人脑的仿脑引擎的集合,中央控制***可以控制多个运行其上的相当于多个人脑/多个自我的集合。
7.根据权利要求3所述的方法,其特征在于,
所述虚拟仿脑状态机提供下列写入和读出功能:(1)BCE的***状态值:已初始化、已纠结、已专注、去纠结、失忆;以及智能状态值:不连接混沌、连接混沌、初始有序、高度有序、局部临界、全局临界,(2)如果是实现量子计算,度量BCE数据的可信度,(3)辅助BCE网络节点建立的数据和元数据,和(4)辅助BCE数据库搜索的数据和元数据。
8.根据权利要求3所述的方法,其特征在于,所述指令集包含如下仿脑指令:
(1)动态增加BCE的指令:取代传统CPU的中断,中断没有必要,但必须立即增加一或多个BCE或BCN的子网来处理BCE新思维,这样可以避免区分同步和异步的操作;
(2)传统数据和量子数据之间的转换指令:传统数码0与1的数据可转换成量子位元的数据,或从量子位元转换为传统数码数据,若有必要,传统数码0与1的数据先转换成分子或原子计算的数据,再转换成量子位元数据,从量子位元转换为传统数码数据亦然;
(3)产生BCE的指令:这些指令配合高层OS产生BCE,当硬件为量子计算机时,可以与远端量子纠结;
(4)无意识混沌酝酿指令:这些指令配合高层OS混沌酝酿功能,实现类似人脑的放电和整合的无振动网络处理;
(5)主观经验输入指令:主观经验作为冯诺依曼过程2的输入;
(6)意志力输入指令:意志力/专注力作为仿脑图灵机的输入,意志力代表外界“量子实验度量者的特质”;
(7)纠结BCE的指令;
(8)仿脑VMM和仿脑引擎OS之间的模式切换指令;
(9)微观涌现模型的接口指令子集:可以包括松耦合设计时VMM内核与仿真器在BCN上的切换,数学模型的接口,包括自相似,以及微观输入和输出接口。
9.根据权利要求1所述的方法,其特征在于,所述仿脑OS包含以下4个元件:
(1)无意识引擎的OS,包含马可夫和非马可夫机器学习的方法库、混屯概念酝酿模型的驱动、以及传统电脑语言;
(2)有意识引擎的OS,包含仿脑认知、评价智能级别的元件、以及目标语言;
(3)情感引擎的OS;
(4)各引擎的OS共享元件,包含仿脑内存和仿脑通讯,仿脑内存包含陈述性的语义内存和情节内存,和非陈述性的程序内存;仿脑通讯包括宏观涌现模型的强、弱涌现通讯,和社区通讯发现方法。
10.根据权利要求9所述的方法,其特征在于:
所述仿脑认知以下列方法定义智能级别:
(1)以合理性度量单一操作的BCE智能级别;
(2)以意义、相干性,贝尔不等式的违反性为被纠结的BCE度量智能级别;
(3)以干扰图形解释和重叠为被干扰的BCE度量智能级别;
(4)以身份、个别性,微观/宏观薛丁格猫,为多于2个BCE度量智能级别;
利用所述智能级别的定义,运行Graver算法,从数据库抽样比较智能级别;
将传统语义分析结果输入数据库,所述分析包含语法解析、语义解析、角色加标签、和去语义不清。
11.根据权利要求9所述的方法,其特征在于,
所述目标语言是OS产生并控制智能思维的高等语言;目标语言本身可以用目标语言编写,但最终是基于仿脑指令集;
所述目标语言具有类似传统电脑语言的句法和语义分析,该语言的运算主体含以下逻辑:首先定义或接受应用所订立的目标;其次向上编程:利用“向上调度(upcall)”检查当前的操作是否符合目标,若否,则作适当修正;
所述目标语言提供三种接口:
(1)人机接口,包括程序员提供强化学习、天赋、经验、应用程序输入、自动输入和其它外界刺激输入;
(2)元件库接口:提供涌现通讯接口、与包括非陈述性内存和陈述性内存的仿脑内存交流的仿脑内存接口以及与仿脑认知模型交流的仿脑认知模型的接口,这样,有意识引擎的应用程序得以和这些OS元件模块交流;
(3)传统语言互动接口:借用互动接口(IIf)与传统语言交流,其中所述IIf有三种形式:(a)利用Aspect编程***其向上编程的指令,扩充传统电脑语言如Prolog、Python或Java;(b)目标语言作为另一个语言,使用IIf与传统电脑语言互动;(c)目标语言和传统语言合并为一个语言,没有IIf的必要;
所述涌现通讯接口与涌现通讯模型交流,涌现通讯模型包含下列步骤:
步骤1:判断是个体还是群体涌现,若是个体涌现,进行步骤2,否则为群体涌现,进行步骤3;
步骤2:宏观涌现模型保持单一涌现思维,呈现代理、意义、价值、工作;
步骤3:判断是否全部思维都有用,若是,进行步骤4;否则进行步骤5;
步骤4:宏观涌现模型保持多个BCE向同方向移动;
步骤5:从打分法或What if法二者之中选择一种方法进行。
12.根据权利要求9所述的方法,其特征在于:
语义内存使用Frame,block,network,schema制作模型;
情节内存使用Prolog语言进行符号的读写;
程序内存利用无意识引擎读写;
相关内存使用量子理论和神经网络读写;
BCE状态写入虚拟仿脑状态机时,利用量子力学计算概率;
利用量子相干性导致量子相干性的结果模拟BCE流;
利用扩散量子相干性状态导致一连串心理状态模拟一连串BCE思维;
仿脑内存的基础读写操作,透过仿脑VMM里的微观记忆***,接受心理框架、情绪和价值***的影响,完成:
(1)写操作:信息分类及创造多个过程;
(2)读操作:多个过程使用简并以重现信息。
13.根据权利要求9所述的方法,其特征在于:
所述仿脑引擎OS也管理通讯资源,宏观涌现模型让有意识引擎的OS可以和无意识引擎的OS交流,执行类似人的左右脑之间的通讯;社群通讯可以在多人之间,或仿脑VMM上运行的多个OS组之间,每组由有意识、无意识、情感引擎的三个OS组成;
通讯的内容:可以由个别BCE到许多BCE组合成的程序,按照智能级别将BCE区分为智能级别高的强涌现、智能级别低的弱涌现、智能级别极微弱的混沌涌现,其中在弱涌现情况,***寻找一个程序将弱涌现BCE***;在强涌现情况,***寻找数个程序合起来满足强涌现BCE。
14.根据权利要求4所述的方法,其特征在于:
所述BCE状态升级的过程有多个阶段,每个阶段是由一个BCE逐步分解或纠结成多个BCE,“信息”或BCE可以是一个不可被分解的概念单元(节点),或一个可被分解的概念群(BCN整个网络或子网),也就是说,一连串的单独思维或各个思维融合在一起的思维流;
BCE的三个主要状态:混沌、有序和临界,每个状态还可再区分为两个二级状态,共有六个二级状态依序为:不连接混沌、连接混沌、初始有序、高度有序、局部临界、全局临界;如果BCE的智能级别要晋升,其包含的信息量要成幂次级的增加,而增加时必须通过每两个二级状态之间的阈值;
当信息被收到时,信息首先要被区分开来,然后要解释区分出来的信息,最后要对被解释的信息采取行动;这些信息行为依赖携带信息的离子或电子,当它们实现单独操作或与其它量子纠结时,在BL VMM中必须要判断度量的结果是否被接受、协议是否要改变、信息是否被选取;若离开了BL VMM,信息结果被认知,得到语义和意义,最后信息被合并,转发,传播(合并+转发),或被拒绝;
被纠结的BCE必须是具有相同频率,其中越是相离遥远的网络中的BCE被纠结,其智能级别高的可能性就越高,但形成完全不合理的BCE的可能性也相对高。
15.根据权利要求3所述的方法,其特征在于,所述智能提升器执行下述方法:
仿脑***经由外界刺激、意志力、和内部简并结构提升智能级别;
意志力受到外界刺激的搅动,促使内部架构自适应;
意志力增加BCE的网络连接力和BCE的数目,使BCE越过连接阈值;意志力增加其它许多相关的BCE的网络连接力和网络同步力,使BCE越过同步阈值,意志力增加BCE的规则性,使BCE越过有序阈值,意志力促成BCE的盆地吸引子,使BCE越过临界阈值,意志力促成BCE的盆地吸引子聚合,使BCE越过全局阈值;
简并原则使用在仿脑***的内部结构提升智能级别,有下列的情况:
(1)BCE状态提升为连接混沌:复杂度从零变为低,鲁棒性从零变为纯冗余无功能可塑性,仅具有冗余的***缓冲器,意志代理只能参与响应与BCE有关的几个任务;
(2)BCE状态提升为初始有序:复杂度从低增加,鲁棒性从纯冗余变为纯冗余但具有功能可塑性,意即具有多个意志代理,代理们可以简并,但只能被重指派相近的任务;
(3)BCE状态提升为高度有序:高度同步,复杂度继续增加,鲁棒性从功能可塑性纯冗余,变为功能冗余鲁棒,意即不再被重指派任务而是开始资源重设置,某功能群的任务增加而另一功能群的任务减少,通过所谓“重指派通道”,第一功能群的资源受到(资源过剩的)第二群的支持;
(4)BCE状态提升为局部临界:复杂度从低转高,鲁棒性从功能冗余鲁棒再加上功能可塑性,成为局部简并,其中通过许多不同的“重指派通道”有大量的资源被重设置,同时,意志力的奖赏功能鼓励大胆创新;
(5)BCE状态提升为全局临界:复杂度从高转极高,鲁棒性从局部简并成为全局简并,包括多网络并发,分布式响应,具有一系列的彼此简并的多意志代理,同时,意志力的奖赏功能鼓励大胆创新,自动催化智能提升。
16.一种在量子计算环境下实现量子门仿脑仿真的方法,其中使用绝热量子方法时,仿脑仿真器只是模拟器,其特征在于:
通过vNs过程0在有意识引擎OS形成主观经验,在情感引擎形成意志力,进入仿脑仿真器后,循环vNs过程2和过程1,不断形成BCN网络结点,把BCE信息分别出来后,送给有意识引擎OS,在引擎OS那里做量子认知的vNs过程3,过程如下:
步骤1:接受感情认知模型输出的主观经验与意志力;
步骤2:分解量子纠错成为逻辑量子位元及逻辑量子门;
步骤3:以物理控制顺序,保持逻辑量子位元和量子门;
步骤4:仿脑图灵机的循环,并执行以下子步骤:
子步骤41:存储物理量子信息;
子步骤42:冯诺依曼过程2:单一操作和/或纠结;
子步骤43:冯诺依曼过程1:物理度量;
子步骤44:由意志力判断是否继续仿脑图灵机的循环,若是,继续子步骤41,否则离开循环进入步骤5:
步骤5:逻辑度量,消错;
步骤6:辫结/纠错;
步骤7:透过仿真量子交换器,把信息送到有意识引擎;
步骤8:经过有意识引擎的量子认知模块,和/或无意识引擎的混沌酝酿,回到步骤1。
17.一种在量子计算环境下实现绝热仿脑仿真的方法,其中使用绝热量子方法时,仿脑仿真器只是模拟器,其特征在于:
在实施冯诺依曼过程2时,虚拟收缩理论下的网络同步快过“赢家全拿”,这是虚拟化对BCN网络的影响,当BL OS或BL VMM本身需要迁移时,已量子纠结的数据利用量子瞬移迁移量子位元,如果数据为传统数码数据,可以利用传统和量子数据之间的转换指令(3031),实行转换再迁移,如此,传统虚拟机镜像和量子虚拟机镜像可通过上述两种方式混合后的量子通讯法加速迁移;此外,绝热仿脑量子***重复使用资源,已纠结的量子必需去纠结,而意识引擎必需产生新的网络节点,类似于神经元的神经发生;
在实施冯诺依曼过程1时,用非绝热门作为探针并度量,节省量子计算资源,实施时,绝热模式将n个量子位元,K个体的互动的靶目标汉弥尔顿,映射为2个体的互动,因而计算时,还可采取绝热与非绝热的混合模式式:使用绝热寄存器为模拟寄存器,而使用非绝热量子门为探针寄存器,以节省量子门硬件资源;
绝热式演化在“再进入循环”中产生几何相位,对多个非线性耦合振荡器,可以度量其吸引子;
在智能提升器中,绝热式的简并使用多个eigen状态值,从ψ(t0)到ψ(tn),来强化***的鲁棒性和复杂性;
其中,仿脑VMM运行有关意识的量子算法时,若非使用新量子算法,则传统人工智能法必须转换成量子算法,此种转换工具也适用于非仿脑量子算法。
18.一种仿脑自主计算***,其特征在于,它包括:
无意识引擎;
有意识引擎;
其中,通过细分仿脑计算虚拟化方法的3层结构由下至上生成7层架构,其中无意识引擎和有意识引擎各有自己的7层,如果以无意识引擎的7层为主,有意识引擎的各层只是通过自主计算的外循环、内循环、里循环,来辅助相应的无意识引擎的层;
无意识引擎的应用包含传统应用,无意识引擎的第七层应用:微观管理,无意识引擎的第六层应用:社交基础,无意识引擎的第五层应用:执行准备,无意识引擎的第四层应用:计划,无意识引擎的第三层应用:句法和语义分析;
有意识引擎的应用包含有意识引擎的第七层应用:社交应用、财政工程,有意识引擎的第六层应用:社交基础针对广大群众信息,有意识引擎的第五层应用:创意涌现执行准备,有意识引擎的第四层应用:决策涌现工程,有意识引擎的第三层应用:意义分析/数据挖掘/建立规则;
输入模块:外界刺激进入硬件感应器,包括文字、图形、视频、音频;
监听模块:原始刺激数据送入对象识别器;
分析模块:对象识别器的结果(例如方块、圆形和其它几何图形)送给传统语义分析;而传统语义分析又必须要仰赖有意识引擎OS的仿脑认知以导出意义,而运行其上的有意识引擎第三层的应用可以取代人脑进行规则的创建,数据的挖掘,真正知道外界刺激的意义;
计划模块:完全理解的语义/意义被送到无意识引擎的第四层应用:计划;专业知识的主观经验必需经由有意识引擎第四层应用:决策(涌现)工程来辅助融入决策所要的涌现思维;
执行模块:一个具有专业知识、又有创意的计划被送给无意识引擎的第五层应用:执行准备;传统的执行准备必须要有有意识引擎的第五层应用:创意执行来成立专案解决方案,辅助创意的执行,避免成效不彰;
输出模块:一个完整的执行实现于硬件效应器;
其中,所述仿脑自主计算***是在传统自主计算的监视→分析→计划→执行(简称MAPE)的过程中,借助外循环、内循环、里循环,***了从有意识引擎而来的涌现思维;
其中,所述仿脑自主计算***的外循环表示监视→分析→计划→执行后再回到→监视,仿脑自主计算***的内循环表示任何两个过程都可以彼此循环,仿脑自主计算***的里循环表示任何单独的过程可以自身重复。
19.一种提供多核计算机集群的性能服务***的方法,其特征在于,包括:
仿脑VMM安装在每个刀片服务器上,进行彼此之间性能信息的沟通,仿脑自主计算本质上仍将保持自主计算参考体系的(ACRA)自主***架构,仿脑VMM可以完全兼容传统OS和ACRA架构,因此传统应用和传统OS都无需做代码修改,PMU发掘传统硬件的底层健康和性能信息可以被仿脑VMM捕捉,仿脑计算把现有的性能方法当作主观经验,随时创造性地改善集群性能;
为了优化量子计算机硬件资源的使用,在集群中选取一台多核刀片服务器,配以绝热量子计算配件,并在其上运行下列软件:仿脑VMM和三种OS软件:传统Linux虚机,无意识引擎OS,和有意识引擎OS,这台服务器具备了完整的仿脑计算方法的元件,是整个多核计算机集群的领头服务器,能够收集其它服务器的信息,以涌现思维实现整个集群的性能改进;
集群中其它多核刀片服务器上则可以运行下列软件:仿脑VMM和各式OS:无意识引擎OS,多核Linux OS,或传统Linux虚机,如果服务器没有运行无意识引擎OS,则该服务器虽然运行仿脑VMM,但只能运行传统的多核性能工具,无法为领头服务器收集仿脑信息,而运行无意识引擎的服务器,可以为领头服务器收集仿脑信息。
20.一种信息产业的仿脑服务交付***和仿脑软件工程***,其中:仿脑服务交付***和仿脑软件工程***的流程运行环境具有纵向架构与横向架构,所述纵向架构包括情感引擎、无意识引擎、有意识引擎,而所述横向架构包括仿脑应用层、仿脑操作***/仿脑虚拟机监视器层、和仿脑硬件层,其特征在于,
所述仿脑硬件层包含传统电脑、量子电脑和/或分子电脑;
所述仿脑OS/仿脑VMM层运行两类循环,包括无意识的第一类循环和有意识的第二类循环,在仿脑OS层里,宏观涌现模型通过社区网络,过滤得出宏观智能级别高的强涌现BCE,在仿脑VMM层里,微观涌现模型通过自组织临界性和吸引子,过滤得出微观智能级别高的BCE;
所述仿脑应用层包括偏重社交应用的仿脑服务交付***和偏重事实应用的仿脑软件工程***,这两种***的特征在于,
运营一个信息产业公司的管理流程知识,所述管理流程知识在涌现网络BCN中包括:仿脑软件开发工程的开发知识,和仿脑软件服务交付的服务知识,开发知识又包括各种工程文件:观念文件、需求文件、设计文件、代码、测试文件,这些文件利用涌现网络产生,对于服务交付流程,强涌现是在服务策略管理和服务交付的流程里,对于软件工程流程,涌现思维BCE的智能级别由强涌现的观念文件到弱涌现的测试文件;
涌现BCE的强弱与所述情感引擎形成的意志力有关,对于软件工程,仿脑VMM把意志力加重在形成观念文件的阶段;对于服务交付,仿脑VMM把意志力加重在服务策略管理和服务交付的阶段。
21.一种关键使命的仿脑灾备***,其特征在于,包括四部分:
(1)无意识引擎,把企业现有的、其它单位的灾备方法进行仿脑计算虚拟化,也就是将其重要观念分析后加入仿脑内存,形成仿脑涌现BCE网络,之后,这些概念就会被当成混沌观念酝酿,或主观经验处理;
(2)宏观涌现模型,在实现决策工程时,启用所述宏观涌现模型,对从观念文件到测试文件的流程,按照强涌现、次强涌现、弱涌现、次弱涌现的智能级别加以管理;
(3)意识引擎,运行传统语义分析,并利用仿脑认知方法把黑天鹅理论的各式模型、决策工程的知识输入仿脑涌现BCE网络;
(4)黑天鹅的自相似模型,可以透过仿脑仿真器里、仿脑指令集里有关灾备的临界现象数学模型指令来制模;
其中所述仿脑灾备***可以利用量子通讯在平时或灾难时迁移仿脑OS和仿脑VMM,仿脑OS包括传统虚拟机和量子虚拟机,以混合量子通讯方法实现。
22.根据权利要求21所述的***,其特征在于,所述OS/VMM层包括以下功能模块:
简并结构创建模块:仿脑灾备***在创建时,建立了动态和静态的简并结构;
灾难问题处理模块:当仿脑灾备***处理灾难问题时,仿脑VMM先利用VMM的动态简并结构在当地解决问题,动态简并结构利用多个不同的途径来完成问题的解决,如果无法解决,才会述诸迁移过程,不仅迁移仿脑OS镜像,也迁移仿脑VMM,针对仿脑VMM,要从记忆中找到被还原的状态,仿脑计算虚拟化提供简并的记忆恢复方法,至于传统虚拟机,则启用传统的虚机还原方法,无论是仿脑记忆恢复,或是传统虚机还原,迁移时都会用到量子通讯方法。
23.一种软件***的仿脑计算自萌发过程,其特征在于,它包括三部分:
(1)语义知识的吸收与自萌发:也就是吸收大量的专业事实知识,包括各种发表的专业论文、书籍、理论等,变成仿脑思维网络BCN的一部分,自萌发的过程包括了使用手动方法将软件***理论模型化为网络节点输入***,而后逐渐把该方法自动化,利用自组织的数学理论来实现此种自动化,部分语义知识最终会转化为程序知识;
(2)程序知识的吸收与自萌发:吸收大量规则库的规则、有源码的程序、程序库,包括公司自己拥有、从外界购得、或从开源网站下载的程序、产品、规则库、公司的软件流程等,自萌发的过程包括了使用手动方法将程序翻译成网络节点,而后逐渐把该方法自动化,利用自组织的数学理论来实现此种自动化;
(3)情节事件的记录、分析与自萌发:纪录与事件有关的多媒体信息,可以附在过程所形成的网络情节节点上成为附件,并加盖时间戳,所述网络上的附件可被用于设计复杂事件过程、根本原因分析、演习子***,改进子***为最关键的子***,可以反省过去累积的纪录,改进未来的设计,当使用自萌发的过程时,首先使用手动方法使用过去的纪录,不断反省未来的***设计,然后从BCN里手动学习设计复杂事件过程和根本原因分析,而后逐渐把该方法自动化,利用自组织的数学理论来实现此种自动化,部分情节知识最终会转化为语义知识。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013103601439A CN103473111A (zh) | 2013-08-16 | 2013-08-16 | 一种仿脑计算虚拟化的方法和*** |
CN201910110061.6A CN109871259A (zh) | 2013-08-16 | 2013-08-16 | 一种仿脑计算虚拟化的方法和*** |
US14/097,377 US9892364B2 (en) | 2013-08-16 | 2013-12-05 | Method for virtualization of a brain-like computing system |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013103601439A CN103473111A (zh) | 2013-08-16 | 2013-08-16 | 一种仿脑计算虚拟化的方法和*** |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910110061.6A Division CN109871259A (zh) | 2013-08-16 | 2013-08-16 | 一种仿脑计算虚拟化的方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103473111A true CN103473111A (zh) | 2013-12-25 |
Family
ID=49797980
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910110061.6A Pending CN109871259A (zh) | 2013-08-16 | 2013-08-16 | 一种仿脑计算虚拟化的方法和*** |
CN2013103601439A Pending CN103473111A (zh) | 2013-08-16 | 2013-08-16 | 一种仿脑计算虚拟化的方法和*** |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910110061.6A Pending CN109871259A (zh) | 2013-08-16 | 2013-08-16 | 一种仿脑计算虚拟化的方法和*** |
Country Status (2)
Country | Link |
---|---|
US (1) | US9892364B2 (zh) |
CN (2) | CN109871259A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105626377A (zh) * | 2015-12-23 | 2016-06-01 | 安徽理工大学 | 一种基于记忆的分散式直驱风电机组控制方法 |
CN105936047A (zh) * | 2016-07-06 | 2016-09-14 | 厦门快商通科技股份有限公司 | 仿脑机器人控制与学习*** |
CN107633292A (zh) * | 2017-09-29 | 2018-01-26 | 长春理工大学 | 一种基于量子结构的机器人情感空间建模方法 |
CN107679720A (zh) * | 2017-09-20 | 2018-02-09 | 北京安怀信科技股份有限公司 | 一种基于金字塔模式的虚拟样机构建方法 |
CN108447487A (zh) * | 2018-03-27 | 2018-08-24 | 中国科学院长春光学精密机械与物理研究所 | 基于文本输入与输出训练模拟人脑思维的方法及*** |
CN108510051A (zh) * | 2018-03-29 | 2018-09-07 | 重庆柚瓣家科技有限公司 | 基于人工智能的虚拟人模型应用方法 |
CN108647229A (zh) * | 2018-03-29 | 2018-10-12 | 重庆柚瓣家科技有限公司 | 基于人工智能的虚拟人模型构建方法 |
CN108701251A (zh) * | 2016-02-09 | 2018-10-23 | 谷歌有限责任公司 | 使用优势估计强化学习 |
CN109346172A (zh) * | 2018-09-19 | 2019-02-15 | 江苏金惠甫山软件科技有限公司 | 基于人工智能的评价*** |
CN109376866A (zh) * | 2018-09-17 | 2019-02-22 | 合肥本源量子计算科技有限责任公司 | 元数据的记录方法及装置、量子程序的运行方法及装置 |
CN109472342A (zh) * | 2018-10-25 | 2019-03-15 | 中国人民解放军国防科技大学 | 一种自优化的仿生自修复硬件故障重构机制设计 |
CN111488975A (zh) * | 2014-03-07 | 2020-08-04 | 卡皮塔罗技斯Ip所有者有限责任公司 | 用于针对金融市场中的大数据交易将资本分配到交易策略的***及方法 |
CN116909676A (zh) * | 2023-09-12 | 2023-10-20 | 中国科学技术大学 | 一种二分量第一性原理计算***与服务方法 |
Families Citing this family (45)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8365075B2 (en) * | 2009-11-19 | 2013-01-29 | International Business Machines Corporation | Recording events in a virtual world |
US10339466B1 (en) * | 2013-09-11 | 2019-07-02 | Google Llc | Probabilistic inference in machine learning using a quantum oracle |
WO2015175427A1 (en) | 2014-05-11 | 2015-11-19 | The Regents Of The University Of California | Self-organized critical cmos circuits and methods for computation and information processing |
US9892192B2 (en) | 2014-09-30 | 2018-02-13 | International Business Machines Corporation | Information handling system and computer program product for dynamically assigning question priority based on question extraction and domain dictionary |
US20160140216A1 (en) * | 2014-11-19 | 2016-05-19 | International Business Machines Corporation | Adjusting Fact-Based Answers to Consider Outcomes |
US10839302B2 (en) | 2015-11-24 | 2020-11-17 | The Research Foundation For The State University Of New York | Approximate value iteration with complex returns by bounding |
US9430337B1 (en) | 2016-01-07 | 2016-08-30 | International Business Machines Corporation | Disaster recovery as a dynamic service |
US10200308B2 (en) | 2016-01-27 | 2019-02-05 | Oracle International Corporation | System and method for supporting a scalable representation of link stability and availability in a high performance computing environment |
US9760344B1 (en) | 2016-02-23 | 2017-09-12 | Bank Of America Corporation | Rules engine having an interactive, dual, side-by-side display |
US9711056B1 (en) * | 2016-03-14 | 2017-07-18 | Fuvi Cognitive Network Corp. | Apparatus, method, and system of building and processing personal emotion-based computer readable cognitive sensory memory and cognitive insights for enhancing memorization and decision making skills |
US11893488B2 (en) | 2017-03-22 | 2024-02-06 | Larsx | Continuously learning and optimizing artificial intelligence (AI) adaptive neural network (ANN) computer modeling methods and systems |
WO2018175698A1 (en) | 2017-03-22 | 2018-09-27 | Larsx | Continuously learning and optimizing artificial intelligence (ai) adaptive neural network (ann) computer modeling methods and systems |
US10127825B1 (en) * | 2017-06-13 | 2018-11-13 | Fuvi Cognitive Network Corp. | Apparatus, method, and system of insight-based cognitive assistant for enhancing user's expertise in learning, review, rehearsal, and memorization |
US10101486B1 (en) | 2017-08-10 | 2018-10-16 | Datacloud International, Inc. | Seismic-while-drilling survey systems and methods |
US10072919B1 (en) | 2017-08-10 | 2018-09-11 | Datacloud International, Inc. | Efficient blast design facilitation systems and methods |
US10332023B2 (en) | 2017-09-22 | 2019-06-25 | International Business Machines Corporation | Hardware-efficient variational quantum eigenvalue solver for quantum computing machines |
US20190138924A1 (en) * | 2017-10-10 | 2019-05-09 | Olaf Cames | Quantum mechanical propabilistic apparatus to measure, forecast, visualize humanoid mental statuses |
US10572283B2 (en) | 2017-11-16 | 2020-02-25 | International Business Machines Corporation | Implementing requests on a model of a system prior to implementing on the system |
KR20190078292A (ko) | 2017-12-26 | 2019-07-04 | 삼성전자주식회사 | 뉴럴 네트워크 연산을 수행하는 장치 및 이의 동작 방법 |
US10697294B2 (en) | 2018-02-17 | 2020-06-30 | Datacloud International, Inc | Vibration while drilling data processing methods |
US10989828B2 (en) | 2018-02-17 | 2021-04-27 | Datacloud International, Inc. | Vibration while drilling acquisition and processing system |
CN109918752B (zh) * | 2019-02-26 | 2022-12-16 | 华南理工大学 | 基于迁移卷积神经网络的机械故障诊断方法、设备及介质 |
WO2020190897A1 (en) * | 2019-03-15 | 2020-09-24 | General Electric Company | Using graph patterns to augment integration of models into a semantic framework |
EP3738723A1 (de) * | 2019-05-17 | 2020-11-18 | Siemens Aktiengesellschaft | Verfahren, computer-programm-produkt und robotersteuerung zum kontaktbasierten lokalisieren von bei der manipulation durch roboter bewegbaren objekten sowie roboter |
US11526729B2 (en) * | 2019-05-22 | 2022-12-13 | International Business Machines Corporation | Discovering higher-level actions from expert's action demonstration |
US10922618B2 (en) | 2019-06-21 | 2021-02-16 | Beit Inc. | Multi-pass system for emulating a quantum computer and methods for use therewith |
CN110458328A (zh) * | 2019-07-11 | 2019-11-15 | 清华大学 | 基于主客观联合预测的黑天鹅事件决策方法及装置 |
CN110379040B (zh) * | 2019-07-12 | 2021-10-08 | 北京三快在线科技有限公司 | 一种汽车黑匣子***及其数据获取方法 |
CN110932405A (zh) * | 2019-12-17 | 2020-03-27 | 沈阳博来德滋电子科技有限公司 | 基于大数据的变电设备智能监控分析*** |
CN111260075A (zh) * | 2020-01-10 | 2020-06-09 | 厦门驿全智能科技有限公司 | 机器模拟待模拟目标学习和工作的人工智能方法及*** |
US11568267B2 (en) | 2020-03-12 | 2023-01-31 | International Business Machines Corporation | Inducing creativity in an artificial neural network |
CN111540037B (zh) * | 2020-04-17 | 2023-11-28 | 合肥量芯科技有限公司 | 一种用于量子光学教学的实景虚拟仿真方法 |
CN113688981B (zh) * | 2020-05-19 | 2024-06-18 | 深圳忆海原识科技有限公司 | 具有记忆与信息抽象功能的类脑神经网络 |
CN112465116B (zh) * | 2020-11-25 | 2022-12-09 | 安徽寒武纪信息科技有限公司 | 编译方法、运算方法、电子设备和存储介质 |
CN113220121B (zh) * | 2021-05-04 | 2023-05-09 | 西北工业大学 | 一种基于投影显示的ar紧固件辅助装配***及方法 |
CN113495930A (zh) * | 2021-05-21 | 2021-10-12 | 牟善军 | 一种基于***思维的全局脑图构建方法及*** |
CN113222134B (zh) * | 2021-07-12 | 2021-10-26 | 深圳市永达电子信息股份有限公司 | 一种类脑计算***、方法及计算机可读存储介质 |
CN113987980B (zh) * | 2021-09-23 | 2022-05-20 | 北京连山科技股份有限公司 | 一种图形物理phd流行仿真实现方法 |
US11748406B2 (en) * | 2021-11-01 | 2023-09-05 | Lucasfilm Entertainment Company Ltd. LLC | AI-assisted sound effect editorial |
CN114048848B (zh) * | 2022-01-13 | 2022-05-10 | 深圳市永达电子信息股份有限公司 | 一种基于记忆机制的类脑计算方法和*** |
US11842455B1 (en) * | 2022-06-20 | 2023-12-12 | International Business Machines Corporation | Synchronizing physical and virtual environments using quantum entanglement |
CN117130872B (zh) * | 2023-10-27 | 2024-01-30 | 中国民用航空飞行学院 | 一种基于网络的计算机硬件监控、处理*** |
CN117808040B (zh) * | 2024-03-01 | 2024-05-14 | 南京信息工程大学 | 一种基于脑图的低遗忘热点事件预测方法及装置 |
CN117909855B (zh) * | 2024-03-20 | 2024-05-10 | 南京鼎研电力科技有限公司 | 基于电力模型的数据监测与辅助治理方法 |
CN118075267A (zh) * | 2024-04-22 | 2024-05-24 | 青岛青软晶尊微电子科技有限公司 | 一种基于设计电路的数字后端服务平台构建方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4010362B2 (ja) * | 2003-09-09 | 2007-11-21 | 独立行政法人産業技術総合研究所 | 量子チューリング機械 |
US8655797B2 (en) * | 2009-12-14 | 2014-02-18 | Lane D. Yoder | Systems and methods for brain-like information processing |
-
2013
- 2013-08-16 CN CN201910110061.6A patent/CN109871259A/zh active Pending
- 2013-08-16 CN CN2013103601439A patent/CN103473111A/zh active Pending
- 2013-12-05 US US14/097,377 patent/US9892364B2/en not_active Expired - Fee Related
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111488975A (zh) * | 2014-03-07 | 2020-08-04 | 卡皮塔罗技斯Ip所有者有限责任公司 | 用于针对金融市场中的大数据交易将资本分配到交易策略的***及方法 |
CN105626377A (zh) * | 2015-12-23 | 2016-06-01 | 安徽理工大学 | 一种基于记忆的分散式直驱风电机组控制方法 |
CN108701251B (zh) * | 2016-02-09 | 2022-08-12 | 谷歌有限责任公司 | 使用优势估计强化学习 |
US11288568B2 (en) | 2016-02-09 | 2022-03-29 | Google Llc | Reinforcement learning using advantage estimates |
CN108701251A (zh) * | 2016-02-09 | 2018-10-23 | 谷歌有限责任公司 | 使用优势估计强化学习 |
CN105936047A (zh) * | 2016-07-06 | 2016-09-14 | 厦门快商通科技股份有限公司 | 仿脑机器人控制与学习*** |
CN105936047B (zh) * | 2016-07-06 | 2018-05-04 | 厦门快商通科技股份有限公司 | 仿脑机器人控制与学习*** |
CN107679720A (zh) * | 2017-09-20 | 2018-02-09 | 北京安怀信科技股份有限公司 | 一种基于金字塔模式的虚拟样机构建方法 |
CN107633292A (zh) * | 2017-09-29 | 2018-01-26 | 长春理工大学 | 一种基于量子结构的机器人情感空间建模方法 |
CN108447487A (zh) * | 2018-03-27 | 2018-08-24 | 中国科学院长春光学精密机械与物理研究所 | 基于文本输入与输出训练模拟人脑思维的方法及*** |
CN108447487B (zh) * | 2018-03-27 | 2020-09-25 | 长春市长光芯忆科技有限公司 | 基于文本输入与输出训练模拟人脑思维的方法及*** |
CN108510051B (zh) * | 2018-03-29 | 2020-12-22 | 重庆柚瓣家科技有限公司 | 基于人工智能的虚拟人模型应用方法 |
CN108647229B (zh) * | 2018-03-29 | 2021-02-19 | 重庆柚瓣家科技有限公司 | 基于人工智能的虚拟人模型构建方法 |
CN108647229A (zh) * | 2018-03-29 | 2018-10-12 | 重庆柚瓣家科技有限公司 | 基于人工智能的虚拟人模型构建方法 |
CN108510051A (zh) * | 2018-03-29 | 2018-09-07 | 重庆柚瓣家科技有限公司 | 基于人工智能的虚拟人模型应用方法 |
CN109376866A (zh) * | 2018-09-17 | 2019-02-22 | 合肥本源量子计算科技有限责任公司 | 元数据的记录方法及装置、量子程序的运行方法及装置 |
CN109376866B (zh) * | 2018-09-17 | 2021-03-12 | 合肥本源量子计算科技有限责任公司 | 元数据的记录方法及装置、量子程序的运行方法及装置 |
CN109346172A (zh) * | 2018-09-19 | 2019-02-15 | 江苏金惠甫山软件科技有限公司 | 基于人工智能的评价*** |
CN109472342A (zh) * | 2018-10-25 | 2019-03-15 | 中国人民解放军国防科技大学 | 一种自优化的仿生自修复硬件故障重构机制设计 |
CN109472342B (zh) * | 2018-10-25 | 2020-09-11 | 中国人民解放军国防科技大学 | 一种自优化的仿生自修复硬件故障重构机制设计 |
CN116909676A (zh) * | 2023-09-12 | 2023-10-20 | 中国科学技术大学 | 一种二分量第一性原理计算***与服务方法 |
CN116909676B (zh) * | 2023-09-12 | 2024-02-23 | 中国科学技术大学 | 一种二分量第一性原理计算***与服务方法 |
Also Published As
Publication number | Publication date |
---|---|
US20150052092A1 (en) | 2015-02-19 |
CN109871259A (zh) | 2019-06-11 |
US9892364B2 (en) | 2018-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103473111A (zh) | 一种仿脑计算虚拟化的方法和*** | |
Sheffield et al. | Systems thinking: Taming complexity in project management | |
WO2015179632A1 (en) | Methods and systems for neural and cognitive processing | |
Li et al. | Human performance modeling and its uncertainty factors affecting decision making: a survery | |
Lotzmann et al. | Simulating the emergence of norms in different scenarios | |
Loiko | Philosophy of digital technology | |
Kiv et al. | Second student workshop on computer science & software engineering | |
Adegoke et al. | A unifying framework for specifying DEVS parallel and distributed simulation architectures | |
Boy | What do we mean by human-centered design of life-critical systems? | |
Boy et al. | The machine as a partner: Human-machine teaming design using the PRODEC method | |
Peng et al. | Computational experiments: Virtual production and governance tool for metaverse | |
Yáñez-Valdés et al. | Determinants and impacts of digital entrepreneurship: A pre-and post-COVID-19 perspective | |
Sibertin-Blanc et al. | The entity-process framework for integrated agent-based modeling of social-ecological systems | |
Umans | On the edge of fluidity: international cooperation in turbulent times | |
Powell | An introduction to systems theory: from hard to soft systems thinking in the management of complex organizations | |
Akbas et al. | A model-based approach to modeling a hybrid simulation platform (work in progress) | |
Fonseca i Casas | Using specification and description language to formalize multiagent systems | |
Juma | Digital Speedway to Future Smart Cities | |
CN106104513A (zh) | 基于认知的知识处理***及方法 | |
Boy et al. | The making of complex systems | |
Nieves | Data Management Applied to Service Provision in Banking Environments | |
Wang et al. | What does the public think about artificial intelligence? An investigation of technological frames in different technological context | |
Corchado Rodríguez | Learning AI with deepint. net | |
Beebe | A Bibliography of Publications in IEEE Computer: 1990–1999 | |
Denz | Process-oriented analysis and validation of multi-agent-based simulations: concepts and case studies |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20131225 |
|
RJ01 | Rejection of invention patent application after publication |