LOP

(N4P1)神经网络-AILine
(N4P2)思维演化(#AI思维的本质)(17.07.14)
(N4P3)意识->需求
(N3P4)意识的主线程
(N4P5)第六感与感觉
(N4P6)Demand的解
(N4P7)抽象(归纳)常识的设计
(N4P8)意识(17.08.01)
(N4P9)常识知识表示的拆分(17.08.02)
(N4P10)神经细胞的算法:(17.08.02)
(N4P11)AIMindValue(17.08.02)
(N4P12)Demand(17.08.03)
(N4P13)LOP(Layer Oriented Programming)(17.08.03)
(N4P14)意识流冥想(17.08.09)
(N4P15)强化知识
(N4P16)意识思考
(N4P17)LightArea
(N4P18)内感觉
(N4P19)第4代知识表示(与神经网络贴合)

(N4P1)神经网络-AILine

Type
- 持续发送
- 普通连接
- 强度连接
- 静态连接(直接关联关系)
AILine的pointers是双向或多向的;
指针:AIPointer是单指向的;
- 指针只是具备"唯一性"的AIPointer实例;而真正实体在"现实世界";
- 调用"神经细胞算法"的时候,传参可以是"现实世界"的实体;

AILine的区域点亮:参考N4P17

AILine替代了AILaw和AILogic
???问题:“树形知识表示”结构越简单越好,复杂太高会导致数据迁徙中出现问题,甚至因为蝴蝶效应而导致大量的IO操作;
???思考:用AILine替代所有的逻辑;
- 如果成立:那么
  1. 所有"树形知识表示"要推翻;
  2. 例如:为什么我见到不认识的水果,就会想到可能能吃;
  3. A与B共同Interface;可以抽象为:由两条网络分别连接A can Interface;和B can Interface;
  4. A与B再有共同的Base;可以抽象为:由两条网络分别连接A isa Base;B isa Base;
  5. 如果此时出现C;并且C isa Base;我们会判断AB等与can Interface连接的概率很大;从而判断C can? Interface;

***

(N4P2)思维演化(AI思维的本质)(17.07.14)

he4o思维演化;(OOP2DataThink2AI)

概念:

把现有编程语言的所有类,抽象,属性等等存到db数据表;

把现有方法全改成泛型方法;

把现有方法的入参return 全记录到数据表;

使用数据分析出曾经调用的abcdefg方法过程;

抽象类比出当前新问题的解决方式;

执行曾经的abcdefg;

参考:LOP

Mind思考流程整理(17.08.13)
1. 意识ActPoint(激活点)(来自自我感知)
2. 激活意识
3. 作MindValue准入判断(if(abs(mindValue)!=0)){})
4. 意识主线程判断(false->stop true->next)
5. 调用浅思考
6. 以ActPoint为中心BaseLightArea(基础点亮区域) - 以AILine来纵向点亮;(nil->后台异步横向IO类比&stop mArr-> next)
  
  注:所有的AILine都是纵向的,不是横向的注:此处nil时的横向IO是抽象意识流的关键(发现AILaw)
7. 取LightArea的结果mArr作"无辐射思考"
```
> 注:无辐射思考"  1. 只在当前mArr下类比 2. 综合MindValue值等操作 3. 不扩散加载数据 4.NoWrite操作
```
1. 获取注意力: - 与当前Think.curTask对比;(false->stop true->next)
2. 调用深思考
3. 根据AIMindValueModel生成需求(-10则努力到0;10则努力重复的10) 2, ......

Input思考流程整理(17.08.13)

意识ActPoint(激活点)(来自感观)

固有输入,调用基础算法函数

激活意识
意识主线程判断(false->stop true->next)
调用浅思考
作唯一性判断
......
与预测作对比......
获取注意力;
根据AIObj生成需求(生成不了,则)
......
调用深思考

......

旧的(Input思考流程整理)--->无用,留存备份;
1. 区域点亮(根据不同IO性能点亮区域大小自定)
2. 预测与真实的变化引发的注意力;
3. 引起变化后的索引生成;(如:车灯)
4. 索引的搜索;(如:根据车灯搜索)
5. 搜索结果的数据处理(类比分析与抽象等);
6. "数据处理结果"的AILine生成与AILine.Strong;
7.

例如:

 点名的时候,获取到注意力;
 从 "浅思考" 到 "深思考";

***

(N4P3)意识->需求

Awareness->Demand->ThinkTask & 或旧资料Demand

N4P4意识的主线程

代码
- 链接
笔记
- Understand/MainThread链接
- MainThread

(N4P5)第六感与感觉

成因:
- 意识->需求间:(mind第六感)
  - 感性Awareness生成Demand时;会读取到很多mindValue.value;两者之间就会形成强化的关联;
  - 而这种强化是很难在今后说清楚原因的;
  - 所以感性者第六感更准确;
- 认知->意识流:(感觉)
  - A与B经常有出现规律;
本质:
- AILine
使用:
- AILine的Strong值,影响到"权重";从而影响结果;但其是无因的;因为AILine不是AIObj存储;

总结 >>


数据的不对劲的感觉，两个抽象的不容易想像力。。。
对两个抽象absNote所关联的具象节点,可以由 `感觉` 判断其正确与否,而此时,并没有将所有具象数据进行读取并交由想像力;

***

(N4P6)Demand的解

链接~>Understand/ThinkDemand的解
//ThinkDemand的解;
1. 依赖于经验等数据;
2. 依赖与常识的简单解决方案;(类比)
3. 复杂的问题分析(随后再写)

//4. 老旧思维解决问题方式
//A. 搜索强化经验(经验表)
    //1),参照解决方式,
    //2),类比其常识,
    //3),制定新的解决方式,
    //4),并分析其可行性, & 修正
    //5),预测其结果;(经验中上次的步骤对比)
    //6),执行输出;
//B. 搜索未强化经历(意识流)
    //1),参照记忆,
    //2),尝试执行输出;
    //3),反馈(观察整个执行过程)
    //4),强化(哪些步骤是必须,哪些步骤是有关,哪些步骤是无关)
    //5),转移到经验表;
//C. 无
    //1),取原始情绪表达方式(哭,笑)(是急哭的吗?)
    //3),记忆(观察整个执行过程)

***

(N4P7)抽象(归纳)常识的设计

算法;
视觉算法
听觉算法
直接的数据输入;
运行方式: - "通行算法"直观体验
- 只要数据进来立马会执行的算法; - "扩展算法"用心体验
- mind驱动执行的算法;帮助人们更好的处理某事的细节;
  - 例如:欣赏音乐;
数据来源:

自我感知
外界输入

抽象因子:

用于执行某一抽象任务;
- 如:取颜色;
- 如:将can eat存下来;
  1. 先知道吃了会饱,
  2. 才明白"can eat"是什么意思;
  3. 再去理解"xxObj"实物是可以吃的;
- 饿时会烦,和意识知道饿时会烦是两回事;
- 打时会痛,和意识知道打时会痛是两回事;

***

(N4P8)意识(17.08.01)

参考:[自我->意识](../框架/自我.md## 意识)

意识的养料

意识流

//1,查询当前未处理的需求;看有没被解决掉;
//2,思考充电状态与电量增加的逻辑关系;
意识流是一种"埋点"

将代码产生的数据,进行收集;

"意识"将意识流数据进行归纳,类比,统计;

"意识"会使用反射的方式调用runtime的方法来帮助"意识"执行任务;

//从意识流Demand的解决到"抽象出常识";
"苹果可以吃"是有意识抽象还是潜意识抽象?

肯定是有意识思考(?)

驱动“意识”的也是Mind引擎吗?
两层

第1层在Mind中,作意识心跳机制;
第2层在Think中,作"有意识思考"、调用runtime方法等操作;

***

(N4P9)常识知识表示的拆分(17.08.02)

逻辑关联AILine;

形成方式:
- 通过"MindValue" & "类比" 的方式来达到AILine的强度与准确;
细节:
- 通过五观达到对现实的细节理解(如:勺子可以盛水(只有使用过工具,才知道其作用))
AILine强度的共享继承
- Obj的抽象类;继承了AILine的"逻辑关联"时,同时继承其AILine强度;

归纳:

Is a:
- 抽象出A是ABase;
分支结构:
- ABase具有A1,A2,An...个子Obj;

***

(N4P10)神经细胞的算法:(17.08.02)

算法的值定义:
- x算法得出的值是精确的,不可解释的;
- 值域定义可以给算法定义值(如:红橙黄绿青蓝紫黑白棕灰...)

***

## (N4P11)AIMindValue(17.08.02)

关键字

细腻的感觉 感觉的敏感

节前阅读:

简单性:

只有Mind直接影响的意识数据才具有MindValue;

问题

所有意识流的新数据都会引起"意识"吗?还是只有MindValue的意识流数据才会引起意识;

答:这属于"意识思考";所以必然引起"意识";但如果意识主线程忙时不引起"思考";

MindValue.Type

mindValue感觉更细腻到附加值，而不是mindValue.Type。

例如

难以下咽的感觉(去索引搜索AILine点亮区域)

强迫症的人(就是想转笔)

开发计划:

MindValue的从意识流移出,改用神经网络连接到Law(如Hunger)

(N4P12)Demand(17.08.03)

参考:N3P11
描述:对N3P11的细化分析;
产生源:
- 由生理或Mind产生的硬性需求;
- 由当前场景,当前情况产生的决策性需求;(如:提交开聚会时,向大家告知一声的需求)

***

(N4P13)LOP(Layer Oriented Programming)(17.08.03)

引言:

1. 人类数据处理能力比当前计算机强大太多，运算力依赖却很小(封装到神经元)，而计算机也可以封装到算法中。
2. 人类意识不断感知其任务及数据的，而计算机只有简单的main方法并且不知道自身在运行什么。

he4o的三个代码层

函数层(只运算数据,不产生数据)

> 运行方式:
	- 定义好的method及流程算法等;
> 种类:
	1. 算法
	2. IO数据库操作

数据层(数据操作,不产生逻辑)

> 运行方式:
 	- 通过runtime来调用method;
> 种类:
 	1. 类比(提高准确),归纳(CommonSence),统计(AILine.Strong网络强度)
 	2. 增删改查

意识层

> 运行方式:
	- 通过"意识心跳"和"意识流激活"的方式run & 产生Demand和数据分析并解决问题;
> 种类:
	1. 意识持续
		- 持续循环
	2. 意识心跳
		- xx秒一次的自省
	3. 意识流激活
		- 自我感知
		- Input

LOP的特点:

- 以Data为核心的解释存储与逻辑;
- 更智能、更灵活、更通用、更有效率、封装、单一职责、个体多样化。

LOP
1. CodeLayer
  - 封装以单一职责method为基件(算法或IO或其它功能性的函数)(对应脑"神经元")
  - 效率可被反射runtime调用
  - 泛型params和value
2. DataLayer
  - 知识表示
  - 树形神经网络
  - 将OOP中的指针、继承、接口、属性、抽象、值、多态、block等以Data的形式表示。
3. AwarenessLayer
  - 参考:N3P20
  - 使Data产生逻辑;
  - 将OOP中的异步,多线程等以Awareness,Demand,Think等形式实现。MainThread状态

LOP与OOP对比:

1. CodeLayer
	* LOP的算法与函数：封装、灵活、通过神经网络反射调用。
	* OOP则将逻辑等运行规则全部写在代码中，不灵活、各种逻辑互相交互。

2. DataLayer
	* LOP通过抽象的方式处理数据，通过树形神经网络的方式实现抽象，定位，关联，多维等功能，对数据输入广泛容纳性高。
	* OOP通过硬盘存储数据，容量有限，数据死板，数据无关联，只能输入键盘鼠标等标准数据。

3. AwarenessLayer
	* LOP通过持续的意识，产生联想真实感受，情感、自我、等产生需求并激活任务。
	* OOP通过Main方法运行主线程并长期空置，通过键盘鼠标点按等操作产生运行任务，无法感知自身运行任务。

LOP白话简述:(LOP思想的核心)

1. 代码层CodeLayer是函数和算法;包括功能的分区分模块。
2. 数据层DataLayer是存数据和神经网络。让数据尽可能抽象、智能、性能优化，且作为数据中枢利于AI的使用。
3. 意识层AwarenessLayer，则感知自己的内心与需求，让数据活起来（思维思考、区域点亮、联想、预测），有了逻辑。

LOP图示2017.09.03

图示说明

1. `蓝色线`表示的是神经网络可以反射调用到算法的AIPointer;并且算法的返回值也会返回给神经网络;
2. `红色线`是神经网络可以调用到Input;并且把值传给他;也可以从Input取到值传回神经网络;
3. `黄色线`是神经网络的"节点"指向的真实数据
4. `绿色线`是Think层对神经网络的调取数据和存储调整;
5. `灰色线`是很多Input的数据必要数字化,例如摄像头数据转img,video,这些工作现在的系统api一般都已集成;

> 这里其实神经网络已经是一个数据中枢了;无论是数据流一下就遗忘也好;还是怎么;都会通去;

(N4P14)意识流冥想(17.08.09)

意识流冥想分析
- AILine.Strong的形成;只是单一规律为索引的搜索;得到了更多的值;
问:意识流的抽象处理是基于有意识的,还是潜意识的?或者是两者集合的?

答:意识流抽象常识的"意识思考"与"潜意识思考"相结合;

***

## (N4P15)强化知识 1. 基于统计归纳 - 基于意识流的统计; - 以count和"关联mindValue"产生AILine的基础强度strong; - 归纳出"2"所需的:常识,规律,经验表; 2. 预测 - 基于常识,规律,经验表的预测 - 为强化提供了新途径(并非一次又一次的发生及统计;而是预测和反馈,带来的成就满足感,从而使mindValue多元化的强化AILine) - 使"1"的强化升华;

生物脑:

神经可塑性&LTP长期增益效应

***

## (N4P16)意识思考 - 分类 1. 意识思考

> 指(意识)注意力引发的思考

- 分类
  1. 基于[AIMindValue](#N3P19)

    > 以mindValue是区域点亮式索引搜索的.(快)(确定)

  2. 非[AIMindValue](#N3P19)

    > 而以其它关联的搜索是暴力与不靠谱的。(慢)(不确定)

- 发生时机
  - 意识流数据变化时:
    1. 区域点亮(根据不同IO性能点亮区域大小自定)
    2. 预测与真实的变化引发的注意力;
    3. 引起变化后的索引生成;
    4. 索引的搜索;
    5. 搜索结果的数据处理(类比分析与抽象等);
    6. "数据处理结果"的AILine生成与AILine.Strong;
    7. xxx


2. 潜意识思考

	> 指函数层的思考(每一次"意识思考"可能带动上万次"潜意识思考")
	> 意识思考必然伴随着神经网络点亮区域。(点亮区域的数据就是"潜意识思考"的对象)

3. 无意识思考

	> 在睡眠中/或者不存在的思考方式;(待验证)

***

(N4P17)LightArea

CreateTime 17.08.14

纵向点亮

依赖抽象

节点的AILine关联;

横向点亮

两种

类比点亮 - mindValue>0时的感觉; - 与前后发生的事件;(某时间跨度或意识流间隔)

暴力点亮 - 需要时间,只能后台去点亮

特性

根据关联点亮的数据区域;具有模糊性;因为网络的强化和关联,让模糊性的点亮具有了更高的有效率;

注:模糊性是指根据AILine的搜索具有数据未知性,即搜索时,并不知道结果是否有效;

注:点亮是指根据AILine的搜索具有强度导电性,点亮区域数据并操作;

注:有效率是指点亮的10000条数据中,有效解决了当前的数据需求;

***

(N4P18)内感觉

CreateTime 17.08.14

概念:

白话描述:

 指内心的感觉
 感觉只是思考数据不可描述的深度抽象（如a是红色，就是可描述的，感觉是值化的深层抽象，无法描述的抽象层级，可用于全局搜索索引）

参考神经网络的全局搜索：

he4o描述:

 对DataLayer神经网络节点的感觉

定义词

Name Desc 简

1 FeelTarget 感觉节点对象 FLT

2 FeelValue 感觉值 FLV

节前阅读

n5p10 横向点亮的时机与性能

概述

通用的感觉是神经网络的"感觉值化"维度

感觉化是为了更快速准确的理解或找到数据

正文

人

将量信息感觉化;

机

将数字信息图形化;

设计一个向量GenaralFeel;

动态dynamic

x轴是时间,y轴填值;

如:

音乐

抛物线

GF_dy是变速的点从A到B;是可以无限变化;

又可以无限叠加GF

静态static

贝塞尔曲线

如:

物体外形

GF_st是静态的曲线;

可各种叠加方式集成共同的感觉;

DataSense维度:

每一个节点(包括意识流和抽象节点和节点组)都有一个值化(AIPoiner || 其它编码值)，的网络纬度，帮助感觉系统迅速找到似曾相识的感觉。

感觉的知识表示

感觉的知识表示是表达一切的值或傅立叶变换值。(废弃)

感觉知识表示的要素

不可逆向(FLV不能逆向FLT) (类似md5)

可以逆向因为可以根据FLV搜索FLT,也就算是逆向了,但其实是不可靠的(例如音乐你不一定听出来是哪首,只知道听过)

与FLT按时间线对应性(如音乐,或抛物线)

FLV的值是每一位有限性的;如每一位有0-9十个数字,则每一维指向10个下层

难点:

时间拆分区间从哪到哪的问题 由思考决定,Think想了哪到哪,就存哪到哪

网络强度 重复 偏好

问题1：

感觉系统是否提供了一种在海量数据中快速检索的方式？(答:是)

分析实例:

人脑识别人脸的速度

似曾相识的感觉引发的横向搜索与类比

对音乐的记忆与检索

问题2：

为什么经常无法根据音乐快速找到音乐名? (答:在不同维度)

分析实例:

音乐的感觉存于独立维 (或感觉维) 的神经网络

对音乐感觉的检索是无法逆向的,就像数据与md5的关系

(N4P19)第4代知识表示(与神经网络贴合)

CreateTime 17.08.17

层级
1. 意识流
2. 神经网络参考:N4P1 使意识流立体化
3. 权重
  
  使数据升华,多样化
图下:

***

Files

Note4.md

Latest commit

History