浅谈反射算法
反射算法，是我在截获算法网友提问大脑算法的提醒下认识到的一个问题。在此以前，我在“反射意味着什么？”一文中实际已经将反射作为一种大脑的算法来探讨。但是那时还没有把反射提高到大脑算法的这样的高度来认识。认识到反射是一种大脑的算法，认识到大脑的反射算法与计算机各种算法截然不同的区别，是我在最近的讨论中的一种重要的收获。
下面就向网友们用浅谈的方式，介绍一下我对反射算法的认识。
我们首先要解决的是，反射算法与反射机制、反射现象有什么联系和区别？
其次要解决的是，反射算法与计算机算法有什么截然的不同？
然后是讨论反射算法是如何完成各种运算功能的。 先来看一看反射算法与反射机制、反射现象有什么联系和区别？
反射现象是由生物实验总结出的。最初是巴甫洛夫的条件反射实验，后来是斯金纳的工具性条件作用实验。然后又有缺省的工具性条件作用、多刺激反射等反射现象的揭示。反射现象基本是由反射的建立和反射的实现两个阶段完成。不同反射类型仅仅是由于建立反射的神经部位或个数的不同形成的。
反射机制是由反射现象总结出来的大脑机制。由于反射被定义为神经间的联系，反射机制也是可以由生物神经网络实验和相应理论推论出来的机制。反射机制确定了神经元间建立起反射链的联系，而反射链就是一个局部神经网络。因此整个神经网络，又可以描述为由反射链组成的网络。
反射算法，则是指依据反射机制的大脑处理信息的方式。其具体内容我们将在以后的浅谈中详细介绍。
由上述的三个概念的介绍中，我们可以看出，反射现象偏重于反射的过程。反射机制偏重于反射的结构。反射算法偏重于信息处理的方式。 我们下面再来看看反射算法与计算机算法有什么截然的不同？
计算机的所有算法，都建立在数据的传递的基础上。图灵机的纸带移动和读写头的移动，就是在进行数据传递工作，因此图灵定义的算法实际是在数据传递基础上的算法。目前计算机的主体模型――冯.诺伊曼型，也是用中心处理器和存储器件交流数据来执行算法的。
而反射算法则不需要传递数据，它仅仅传递传递神经元间的兴奋，就可以实现运算。由于人们太熟悉计算机的数据传输了，我们就必须从多个角度来为人们建立反射算法的结构思想。
我们先看一看，脑神经能否运用类似计算机的数据传输方式构建其结构。
我们知道，目前神经学已经能够证明神经元具有兴奋态和抑制态，因此这两种状态可以与计算机代码“０”和“１”相比。于是很多人便由此想象大脑一定会有与计算机类似的信息形式。但是人们想象得太简单了。
为什么呢？我们先假定人们想象的正确，那么会出现什么事情呢？稍有些计算机知识的人都会知道，一个具有双态的神经元，仅仅相当于计算机存储器的一位（bit），那么组成一个字节的信息，就要有八个神经元。目前计算机２５０Ｍ内存，就需要２０亿的神经元来组成。于是，按这个计算方法，目前的计算机不是不够模拟人脑，而是远远超过人脑。
更不用说，人脑没有类似计算机信息传输的总线，神经元们不能直接挂在总线上，而是要通过一些传输信息神经元来连接，来传输信息。传输信息的神经元要比存储信息的神经元多几倍到几十倍。如此，与２５０Ｍ内存相当的人脑，就需要几倍、几十倍于２０亿的神经元来组成。这种人脑结构显然是与事实不符的。
实际上，人脑的信息容量和处理能力，除去处理速度慢一些外，其它方面都是远远高于目前具有２５０Ｍ内存的电脑。要解释为什么人脑会优于电脑，则必须否定，人脑具有与电脑类似的信息表示结构。也就是说人脑的神经元，是利用与计算机截然不同的方式表示信息和传递信息的。 在突破计算机算法带来的思想瓶颈方面，人工神经网络理论是有着突出贡献的。我虽然多次批评人工神经网络是不可能实现模拟人类智能的。那是针对它的缺点而言。但是出于对科学负责的态度，我们也必须承认，人工神经网络理论在突破计算机算法瓶颈上的积极意义。
学习过人工神经网络理论的人们都会知道，在介绍了神经元和神经突触的基本性能后，如果按计算机算法考虑，也还会把神经元与门电路比较，把被阈值限定的神经信息与电脉冲比较，依此构建以后的理论。但是人工神经网络理论并没有这样做，它开始构建人工编造的神经网络模型。该理论在上世纪六七十年代，正是因为这种奇特的做法，受到人们的狠狠批判，也因此被冷落了二十多年。
人工神经网络的构建网络模型的做法，实际意味着它承认了，神经算法（真正的脑神经算法）不是以脉冲信号和门电路为基础的，而是以神经元的多向连接为基础的。这种接近“脑神经算法”的“人工神经网络算法”取得很大成功的原因，也就在于它的算法比计算机算法更接近大脑算法的实际。
在学习人工神经网络的初期，我也还持有计算机算法的传统思想方法，无法理解人工神经网络中训练的结果保存在哪里？依传统的计算机算法，一定要为训练结果的保存，专门构建一个神经网络模型，使它们像计算机的存储器一样。但是人工神经网络训练信息的保存就表现为权值的改变。而这个权值在神经网络中是不移动的。因此“人工神经网络算法”也是一种没有先取值再计算的算法。
但是，它的神经网络模型毕竟是人工编造的，有很多连接形式与大脑实际不符。而且在人工神经网络理论最出彩的地方，恰恰是它的败笔。那就是它引入了输入信号的函数，并给出了网络模型的传输方程。它在后面的精彩推证，获得计算机界和数学界的一片喝彩，完美、系统、逻辑、深奥、令人惊叹，等等赞扬声不绝于耳。但是因此它却从正确的起点走上万劫不复之路。
这是因为，智能体系，包括模拟人类智能体系（强人工智能）和人工智能体系（弱人工智能）都不会是一个形式逻辑体系。把人工神经网络理论沟造成完美的形式逻辑体系，大量的应用数学表达式，就使人工神经网络理论进入“哥德尔定理泥潭”，使它永远不可能摆脱哥德尔定理的阴影。这个阴影使它永远发展不出能够解释自身的智能体系。 不过我们要感谢人工神经网络理论在算法上的突破。它的主要贡献就在于，它强调了神经元的连接形式的作用，给神经元间的联系以高度的重视。而不是死守作为计算机算法基础的“０”和“１”的信息编码形式，以及死守ＣＰＵ向存储器取值后再处理的计算方式。 数据挖掘实验室
虽然人工神经网络理论最后又皈依到传统数学的形式逻辑体系中，但是它的突破在引导人们对大脑算法的认识上是功不可没的。也许几十年以后，人工神经网络理论作为一种过时的东西，已经毫无价值，但是它在计算机科学史上的贡献是不会被人们忘记的！ 我想，像上贴这样的对人工神经网络理论的提前悼念，以及我的类似观点，也是一些人看着不顺眼的原因。 我们从人工神经网络理论，已经可以看到“脑神经算法”与“计算机算法”的截然不同之处。它不是靠信息向系统各个部位的传递来储备信息，也就不需要靠取值后再计算的方式进行计算。人工神经网络理论已经很重视网络的组成，即神经元如何联结为网络模型。也注意到网络联系中的某些东西就是信息编码，例如它用模拟神经元的权值改变表示训练的结果，也以此作为识别的依据。它已经用不可移动的权值表示某种信息。
但是人工神经网络毕竟不是真正的大脑神经网络，它受到人类对神经网络认识的限制，它也受到人类主观构造的神经网络模型的限制。因此人工神经网络理论还不能使自己的算法（人工神经网络算法）进一步接近“大脑神经算法”。
为人们更方便的理解“反射算法”，我们介绍一种与大脑神经算法更加接近的算法――群魔殿算法。
这个算法的名称是我给起的，它来源于心理学的认知群魔殿的假设。
“认知群魔殿”设想大脑里有一群认知小鬼，每个小鬼负责识别某一种特征，当需要识别的时候，信息被传递到小鬼们那里，各个小鬼以叫声表示对信息的认知，其中叫声最大的被确定。如果几个小鬼同时叫声最大，那么传入的信息就是有着几个小鬼负责认知的特征的组合信息。
应该说，认知群魔殿的假设，并不完全符合大脑的实际，因此现在人们较少提到它。但是认知群魔殿设想体现出的算法，与大脑的实际算法有些类似。
那么，“群魔殿算法”的特点是什么呢？它与计算机算法有什么本质的区别呢？
从算法的角度看，认知小鬼们负担保存数据并兼有计算的责任。它们负责识别的特征，就是它们负责保存的数据。它们对传入信息的反应（发出叫声）就是它们进行的计算。但这只是计算的头一步。由叫声最响，或多个叫声最响的组合确认输入信息，是计算的第二步。由这两步计算得出最后结果。
认知群魔殿与目前计算机结构上的区别之一是，它立足于一个并行处理体制。每一个认知小鬼都能够独立计算，并且可以同时进行计算。
它与目前计算机处理方式的最大区别在于，它是把输入信息“洒”向认知小鬼们，而不是把认知小鬼们保存的信息取值到中心处理器。也就是它的计算方式与计算机取值计算方式截然不同。它的保存数据在计算中是不移动的。在“群魔殿算法”的计算中移动的是被处理的信息。而计算机从图灵机开始，到目前结构的计算机，数据在处理中都是移动的。图灵机的读写头和无限长纸带，就是为了保证数据移动的设计。而目前计算机ＣＰＵ的寻址周期和读写指令的设置，也是为了保证数据的移动的。 数据挖掘研究院
“群魔殿算法”的不取值、不移动保存数据的方式，就是与计算机算法截然不同的方式。它用把输入信息“洒”向保存数据区域的方式，取代取值后计算的方式。 我们说“群魔殿算法”与大脑实际不符，因为它是假设了一种大脑中实际上不可能存在的机制――认知小鬼。它没有把认知小鬼与大脑实际的结构联系起来，也就是它没有用神经元间的联系，来解释大脑的结构。
“群魔殿算法”没有做到的事情，恰恰“人工神经网络算法”做到了。后者的基本思路就是强调神经元间的联系方式。而“人工神经网络算法”也刚好没有把信息“洒”向数据保存区，作为自己的信息处理方式。显然，把“群魔殿算法”的信息“洒”向数据保存区方的信息处理式与“人工神经网络算法”的神经元联系方式结合起来，就可能产生一种更接近大脑实际的算法。 现在有一个问题，数据的移动和不移动，对算法的影响真得很大吗？
数据的移动，要经历一个信息传输的全过程。即由信源（数据保存区）通过信道（信息传输系统）到达信宿的过程。对于简单数据，例如像数学计算那样的简单数据（即便是微积分计算来说，其数据对于目前的计算机来说也算是简单数据），数据的移动没有太大的问题。
但是目前我们面临的数据是比数学计算复杂得多的数据。例如一幅图像的数据。它的移动就涉及到很多问题。首先是数据量太大。必须加以简化，于是便产生各种图像压缩技术。但是另一个问题又会随着数据的压缩而出现，就是信息的丢失问题，也可以叫做信息的失真问题。目前很多图像处理技术都是用最小的失真取得最大的压缩。尽管如此，一幅压缩的图像的信息量也比数学计算的信息量大得多。 数据挖掘实验室
由于数据要不断移动，数据保存区必须以规整的格式存在，它要与原数据所处位置的格式相对应，才能够保证数据移动后与传输前（但是在压缩后）的相一致。例如目前计算机的结构中，采用统一的存储格式，每个存储单元（字节）八位，每个位允许保存两个值中的一个，然后用为这些存储单元统一编配地址。这样的统一结构，使得计算机中的数字化数据，无论移动到什么地方，都是原来的样子。
但是这统一的格式是以消耗计算机的存储单元为代价的。
我们在前面曾经计算过，如果一个神经元相当于一个存储器的一位的话，大脑的存储容量还抵不上目前中等家庭计算机的内存量（２５６Ｍ）。而这个容量保存压缩图像，即便是一张张排得满满的，也不过几千张而已，而数据的移动处理方式还要为图像的移动预备出空闲的存储空间来。这一切都与人类的识别能力是不相符的。更不用说人脑还要处理比图像重要得多的大量的知识数据。
于是问题又来了：我们分析了那么多数据移动的坏处。那么数据不移动方式一定能克服这个缺点么？ ruiaijun 在搞反射算法的专题讲座啊.支持一下,有时间仔细看看! 数据不移动了，数据保存区就不必采用规整的形式保存数据了。这是节省系统存储空间的最大潜力所在。为了更加确切，我们把与大脑相关的存储空间叫做“神经元空间”。 数据挖掘研究院
对此人们可能疑问很多。不用规整形式，那是一种什么形式？它又是怎样节省神经元空间的？大脑能够形成这种形式么？
我们以最为形象的视觉数据为例来解答这些问题。
我们假设眼前出现一条斜直线，它构成一个图像的数据。这条斜直线在视神经上多次出现后，几个视神经元间建立了多刺激反射，形成反射链。就可以构成该图像的数据。表示这个图像数据的，不过是直线投射的那几个神经元间由神经突触构成的联系。涉及到的也仅仅是那几个神经元。
但是这种对图像信息的表示不能够移动。如果把它们向其它位置移动，就需要“举着”这几个建立联系的神经元，才能把它们移到别处。我之所以用“举着”一词，就是说移动的过程，不仅要保持神经元的数值不变，还要保持神经元间的相互位置不变。
有两种方式实现这种“举着”。一种是“沿途”设置一系列与之平行的神经元平面，一一向内复制它们的联系，实现数据的移动。另一种是为这些神经元所处平面设置坐标，把神经元数据和坐标一起传递，目前计算机算法采用的是类似的方式。这两种方式都会因为涉及到大量其它神经元，而占用大量神经元空间。
而如果数据不必移动，情况就大大不同了。视神经元之间的联系直接表示那条斜直线，参与表示数据的永远是那几个神经元和使它们联系起来的那些神经突触。所占用的神经元数量成几千倍（甚至更多）的减少。
我们这里说的“甚至还多”是这个意思。计算机的所有存储器在结构上是直接挂在总线上，在读写周期，ＣＰＵ按地址打开相应地址的读写门，数据就可以通过总线调到ＣＰＵ，或通过总线写入存储单元。人脑就没有这种总线结构，因此它如果采用移动数据的方式构造算法，就只有用传输神经来完成。神经突触虽然得很长，但是它还不能直接负担起类似计算机总线的任务。而传输神经也是由神经元构成的，因此在移动数据时不仅要占用大量表示数据的神经元，还要占用大量的传输神经元。这种放肆占用神经元的结构，是大脑所不能容忍的！
在上述讨论中我们提到大脑的反射功能，可见，大脑算法的不移动数据方式，正是神经间建立反射功能的“拿手好戏”。这也正是我们提出“反射算法”的依据。 我们上面说到，不移动数据的算法，可以不设置规整的保存格式。这一特点又会大大节省神经元空间。我们也可以通过一个简单的计算搞懂这一点。
比如，一个数据需要用１００位存储器表示，相当于１００个神经元，但是对于计算机规整的保存方式来说，这１００位存储器需要分成不到十三个存储单元，并且要按顺序地址排列，因此它仅仅能保存这样的一个数据。而对于数据不移动的神经元来说，它们是靠连接来表示数据，这１００个神经元的连接不必受地址和排列的限制。在１００个神经元间的每种连接形式，都可以表示一个数据，而且它们还可以同时表示这些数据。这样，这１００个神经元的可能联结方式的数量是它们的全组合量（因为连接没有方向性，数量比全排列量小）。这个数据表示量，显然远远大于１００位存储器表示的数据量。
由这个计算我们可以看出，不移动数据的算法结构，由于可以不采用规整的保存结构，数据的表示量就会呈现出几万、几十万倍的提高。但是这样表示的数据是不能移动的，在移动过程可能会使它标示的数据大部分丢失。因此这种数据表示方式。要以数据不移动为前提。
上述计算和分析过程，也就是在向人们讲述，反射链是大脑数据表示方式的过程。因为神经元间的联系，从生物神经网络的角度看，它是神经元通过神经突触联系的。从反射的角度看，它就是神经元间建立反射链的过程。神经元间用连接的方式表示数据，就是在用反射链表示数据。以这种结构作为算法的前提，数据不能移动。因此我们就会想到，反射算法，应该是一种不能移动数据的大脑算法。因此反射算法也是与计算机算法结构完全不同的算法。
由上面的分析我们更可以看出，不移动数据的算法，它有很多优点，而且它的优点与我们大脑的优点很一致。 但是，人们可能无法理解这样一点，不移动数据，那么信息如何传输？一个系统总不能不传输信息吧？再有，就是大脑中的数据是如何形成的？它们总不会都是生来就有的吧？
这就要归功于大脑神经网络建立反射的这种形式了。我们就要从神经网络和反射的建立来讨论这个问题了。 数据挖掘实验室
我们还是以最明显的视觉信息传输为例进行讨论吧。在视网膜上，有几十万视神经在工作。但是向大脑传输信息的神经要比视网膜上的视神经少得多得多。面对这种结构，只有两种可能：要么是神经网络继续用并行机制向大脑传输少量的视觉信息，大部分信息不被传输。要么是神经网络把视网膜上视神经的信息编写成串行信息，由数量较少的传输神经传递给大脑。如果是后者，在视神经解剖中就应该发现特殊的编码神经元，在大脑里就应该发现特殊结构的解码神经元。但是目前生物神经学没有提供相应的实验报告。目前的大量实验反而表明，神经元的结构大体相同。这就意味着，后一种方式是不存在的。
因此，视神经信息传输最大的可能是。由数量元少于视神经的传输神经，传输很少的视觉信息到大脑。其余的视觉信息则不进行传输。
我们再就此进一步思索，这种传输方式意味着什么？它就意味着，神经系统的信息传输只能以不断简化的方式进行。这种简化，显然并不符合移动数据的要求。移动数据要求数据原样不变，这种传输信息的方式显然会使数据在移动中改变。
但是我们从大脑操作看，这种在传输中对信息的简化，正是大脑操作中抽象操作的特点。如果把抽象也看成是大脑的一种计算方式的话，那么，信息传输中的简化，正是抽象操作的结构基础。 数据挖掘研究院
由此我们得到了答案，神经网络是用简化信息的方式，由外层（感觉层次）向大脑传递信息的。大脑得到的数据不是外层（感觉层次）获得的数据，而是被简化改变了的数据。
然而，我们还需要解决的是，神经网络究竟传输得是什么信息？它对大脑中的数据形成有什么影响？ 我们还要回忆一下后天性反射的建立过程。后天性反射是一些神经部位同时受到刺激产生兴奋后，它们之间建立起的联系。生物神经网络理论指出，这些联系是由神经元的神经突触建立的。
完整的反射要经历两个主要过程，一个是反射的建立，即多次同时产生兴奋后神经元间联系的建立过程。另一个是反射的实现，即反射建立后，部分刺激出现引起有联系的神经元同时兴奋的过程。此外还有两个次要过程。一个是反射的巩固过程，即反射所需的刺激要多次出现，使反射得到巩固。另一个是反射的退化过程，一个已经建立反射的反射链，如果不进行巩固，其神经元间的联系就会消失。
由上面的过程看，反射的建立条件比较简单，只需要刺激和兴奋。刺激是神经元外产生的，兴奋是神经元自身产生的。当一个神经元产生兴奋后，它的兴奋也可以看成是刺激，作用与其它神经元，从而引起其它神经元的兴奋。因此，神经网络间传递的信息，仅仅是神经元的兴奋信息。只有那些外部（或内部）的感觉器官才真正接受刺激。 数据挖掘实验室
我们前面已经说过，大脑不能把神经元的兴奋编写成类似计算机的串行数据码，因此脑神经网络只能依靠反射（即神经元间的联系）来表示信息。我们在前四段举了一个眼睛看到斜直线的例子。脑神经网络不能像计算机图像处理那样，把斜直线变成图像文件，然后用串行文件数据把斜直线在大脑里传来传去。表示斜直线的信息编码就是那几个感受斜直线的光的视神经间的反射链，这是简单信息的编码方式。但是这种信息编码是不能够移动的。
更复杂一些的信息由更复杂的反射链来编码。例如，“狗看到食物就分泌唾液”这条信息，是比一条斜直线更复杂的信息。它是由看到食物功能、分泌唾液功能与神经部位联系共同表示的，而这两种功能在大脑中不是信息，而是具体功能。因此由反射组成的大脑信息编码，是由大脑功能和神经部位间联系共同表示的。
同眼睛看到的斜直线信息一样，狗看到食物就分泌唾液也是不能移动的数据。但是根据我们上一段所讨论的脑神经信息简化传递的原理，这些信息都可以用简化的方式向大脑传递。
例如，接受“斜直线”光感的视神经们，可以在简化传递中与一个内部神经元建立反射（假设），那么当斜直线再次出现时，内部的那个神经元也会随之兴奋。这样，那个内部神经元的兴奋，就代替了那条斜直线。 数据挖掘实验室
再例如，“看到食物”也是由一些视神经元间反射完成的工作，它也可以在简化的传输中与一个神经元建立联系（反射），从而这个神经元的兴奋便代替了“看到食物”。而“分泌唾液”也是由一些神经元共同完成的工作，它也可以在简化传输中与一个神经元建立联系（反射），从而使这个神经元代表了“分泌唾液”。然后，这两个分别代表“看到食物”和“分泌唾液”的神经元间再建立反射，它就是“看到食物就分泌唾液”这条信息。
通过以上两个例子，人们可以对“反射表示信息”有一个感性的认识。
这些信息也可以看成是脑神经网络中的数据，但是这样的数据同样是不能移动的。 在上段我们的讨论中，我们了解了，传输神经元们依靠建立反射的方式，就可以进行简化的信息传输。它不仅不需要移动数据，还会产生更为新奇的效果，即产生层层组合信息的效果。这就为脑神经网络容纳大量信息创造了条件。
对这个问题的说明还要从我们在前三段提到的“１００个神经元的全组合”说起。这里，１００个仅仅是为了计算方面提出的数字，实际上视神经是几十万个。我们假设只有１００个视神经元。
假设视网膜上只有１００个视神经元，那么它们每两个的联系就可以表示一个不同信息。由于这种用联系表示信息与方向的关系不大，因此它是组合，不是排列。在数学上要用组合来计算。而接下来，它们之间的任意三个的组合，也表示不同信息，而且与两个神经元的组合表示的信息不同。如此推下去，一直到１００个视神经元之间的联系。这从二到一百的各种组合的总数量（它们的和），就是这１００个视神经元的全组合数量，它也是这１００个视神经元能够表示信息的总数量。 数据挖掘研究院
如果把这１００个视神经元换成实际的几十万个神经元，那它们可以表示的信息量就会大得不得了。
然而我们上段讲到，在传递时，它们的每一个信息是靠于一个传输神经元建立反射传递的。因此，传输神经元间也可以进行组合，表示信息。这种组合又是它们各自代表的信息之间的组合，它们分别表示的是新的信息，但是与视神经信息又有关联。那种组合又是相当大的数量。但是，这只不过才是一层传输。
到更下一层传输，又是一个神经元与上一层之间的一种信息状态建立反射，代表上一层次的一个信息表示。这些神经元间又可以组合表示更复杂的信息。于是传输神经元的任务就不仅仅是起传输作用，它们的组合还起着表示更多信息的作用。这样的各层次组合的现象一直可以向大脑深层推进。
这些组合还不光是简单的组合关系。它们在信息上还有着很紧密地的联系。如果我们把视神经元表示的信息比喻成词汇（注意仅仅是比喻），它的下一层的组合就可以比喻成语句，再下一层则可以比喻成语段，再下一层次则可以比喻成短文章，更深一层次则可以比喻为长篇文章。
以上的关系并不是依靠意识或思维形成的关系，而仅仅是靠建立反射形成的关系。由此，我们不难想象，大脑为什么能够有那么强大的功能，那就是因为反射赋予了它极其强大的功能。进而，我们也可以知道反射在脑神经网络的重要意义。 数据挖掘研究院
在上面讨论过程中，还有一个问题：视神经的组合形式数量之巨大，是它的下一层传输神经所不能表示的了的。因此在传输过程中，只能有部分视神经状态（也就是它表示的信息）向内层传递，那些不能传递的视神经状态，就只能采用“合并代表”的方式传递。也就是相似内容的信息合并以一个内层神经元为代表。这种“合并代表”就使大脑联想功能成为必然。因为很多类似信息由一个内部神经元代表，自然反转操作会产生联想。 你看待问题的角度和思考问题的方式,能深入到现象的本质,让我深受感触!
你对神经网络的独特见解计算机算法的精辟分析“群魔殿算法”的设想使我受益良多啊!
好文章,顶一下! 作者：温尔刚 回复日期：2007-3-27 23:43:24
“神经元间的兴奋”如何表示？无论是采用数字信号还是模拟信号，其本质还是数据传递吧？
-----------------------------------------------------------
这个问题早该有人提出，兴奋是一种信号，但是信号本质还不是数据，传递信号也不等于传递数据。这应该是常识性的认识，但是对计算机越熟悉的人，越无法理解这一点。
用信号表示数据，必须赋予信号一定表示规则（例如计算的数据、指令、地址等），然后按这套规则表示数据。这实际就是信息的编码过程。用信号传递数据要保证信号按编码规则进行，并在传递过程中极大地避免干扰。这实际就是信息在信道的传递过程。接收到移动的数据后，信宿要能够把数据从传递状态转变为储存状态或处理状态。这实际就是信息在信宿的解码过程。 数据挖掘研究院
但是信号也可以不表示数据，而信号可以传递是不争的事实。不表示数据的信号就没有必要按一定规则编码，也不必按一定规则传递，更不必按一定规则解码。“不表示数据的信号”可以单独的，无组织的，无规则的传递，信宿根本不必知道它是什么。它们与数据可以毫不相干。
这个问题我在二楼讨论“大脑能否采用计算机的数据结构”时就已经涉及到了。
“不表示数据的信号”是存在的，只是很多人陷在计算机的“信号都是用来表示数据的”的封闭思维中，无法想象而已。
[parse]magic_217 wrote:[/parse]
你看待问题的角度和思考问题的方式,能深入到现象的本质,让我深受感触!
你对神经网络的独特见解计算机算法的精辟分析“群魔殿算法”的设想使我受益良多啊!
好文章,顶一下!
感谢支持，更希望听到质疑声和反对意见。 讨论到上一段，一个与计算机算法完全不同的算法体系――反射算法的雏形已现端倪，我们不妨把我们已经讨论到的总结一下。
反射算法，它符合图灵的算法定义：在有限的步骤内，完成计算任务。不过我们也知道，大脑所解决的任务，有时不能在有限的步骤内完成，有时我们无法无论如何也解决不了所要完成的任务，只能选择放弃，这是图灵定义的算法所不允许的。有时，一个任务需要几代人来完成，例如陈景润致力解决的歌德巴赫猜想，他用一生的时间，仅仅解决一部分，其余的只好留给后人解决了。这也是图灵定义的算法所不允许的。 数据挖掘实验室
反射算法，是立足于与计算机完全不同的算法结构上的算法。我们通常所说的算法，是指算法的形式，即完成某一个（或一些）任务的步骤。而这里我们所指的算法，是一种实现具体步骤的基本结构。计算机算法，是立足于数据移动，先取值再计算的算法结构。反射算法，则是立足于数据不移动，通过建立相互联系（建立反射）表示数据，通过传递中简化和再进行复杂组合的方式构成运算的算法结构。
因此反射算法与计算机算法是两种本质上不同的算法。它不是在计算机算法结构上可以执行的算法。我们提出反射算法的概念和对其进行粗浅的讨论，就是为了揭开大脑算法的秘密。
反射算法有反射算法的规则。它是以神经元（或神经部位）间的联系为基本操作手段的算法。建立反射和实现反射是反射算法的主要两个过程。反射算法的一切复杂的性能，都来源于这两个基本的过程。
反射算法有它自己的数据表示方式。它不是靠二进位数字信息来表示数据，而是靠神经元间的联系形式来表示数据。由于神经元的位置是不能移动的，它们的连接形式也就无法移动，因此反射算法的数据是不能移动的。
反射算法的这种数据表示方式（信息编码方式），使得与计算机存储位数量相当的神经元，可以表示远远超过计算机存储位几千、几万倍的数据。这也是大脑功能远远强过计算机的原因之一。
反射算法有它自己传递信息的方式。它在神经元间只传递兴奋，因此它接受信息后向内层传递，是用简化的形式传递的。因此在这种信息传递中，数据是改变的。它决定了反射算法不能以取值后计算的方式构建算法步骤。
反射算法的这种信息传递方式，却为大脑的抽象能力奠定了基础。抽象，究其实质，不过是信息的简化。如果把抽象也看成是反射算法的一种计算方式，信息传递中的简化，就是这种计算方式的技术原型。
反射算法传递信息的简化，使得前一层次的数据大量的不能向深层次传递，因此只能采用“合并代表”的方式。这种“合并代表”的方式，就成为反射算法的另一个计算――联想的技术原型。
反射算法在信息传递过程中，还可以以传递神经元为基础，建立它们间的联系（反射）。这个层次反射的建立，就形成信息的有组织的表达。层层简化，层层组合，即使信息表达呈万倍以上的趋势扩大，又使信息表达的复杂度越来越高。这种层层传递、层层组合的形式，是大脑的一种关键计算――言语活动的技术原型。
我们可以看出，由于反射算法区别于计算机算法的算法结构特征，也就造就反射算法与计算机算法不同的计算特征。 反射算法与计算机算法更不同的地方在于，计算机算法是一个基本封闭的算法。反射算法是一种基本开放的算法。 数据挖掘研究院
按计算机算法的某种具体算法编写出的程序，大部分时间处于自己运行之中，只有少数需要交换数据的时候，该算法才与外界联系。反射算法则不同，全部反射的建立，都是由外部刺激信息决定的。没有与外部信息的不断交流，反射则无法建立、无法巩固，无法实现。
我们还以视神经为例。理论上讲，几十万视神经的兴奋都可以成为不同的信息。但是人眼只选择其中的一些为它能够识别的信息。那么它凭什么做出选择呢？它凭的不是任何编程过程规定的原则，而是凭着“看”的经验的积累。例如在眼睛大量地看到一种花以后，这种花在一些视神经元的联系形式就被选择为花的数据。而其它乱七八糟的视神经元间的联系，就不会成为数据。
外层数据向内层的简化传递也是一样，只有大量外界信息的刺激，信息传递才能进行，外层数据与内层神经元的反射才能建立。
而内层神经元的组合也要靠外界信息来确定。例如，内层有三个神经元，分别与花、叶、茎三个视神经的数据建立反射，那么只有外界的花、叶、茎不断地出现，内层的三个神经元才会建立相互的反射，这个反射就构成一个完整的花的形象组合。
需要说明的是，我们上面的“一个神经元”“三个神经元”都是为举例说明方便假定的。并不是说视神经真正的就是以那么多神经元来传递、来组合。对于数量我们不必较真。究竟会有多少神经元来实现简化传递，还是将来生物实验说了算数。
反射算法的绝对开放性，表明反射算法构造的是一个可学习系统，它是靠学习获得数据的，它是靠学习确定高层次信息组合的，它是靠学习实现运算的。而这个学习是立足于开放性的学习。而不是计算机算法中立足在论域内搜索问题解的封闭性学习。 有理论paper可以学习一下吗？ "而对于数据不移动的神经元来说，它们是靠连接来表示数据，这１００个神经元的连接不必受地址和排列的限制。在１００个神经元间的每种连接形式，都可以表示一个数据，而且它们还可以同时表示这些数据。这样，这１００个神经元的可能联结方式的数量是它们的全组合量（因为连接没有方向性，数量比全排列量小）。这个数据表示量，显然远远大于１００位存储器表示的数据量。"
----- 从信息学的角度来看,这种"连接"应该也应该算是一种状态,也是需要存贮的,换而言之,其实也是一种数据吧? 你是如何超越在只有8bit时而可以表示多于256种状态的呢?
我对于ANN也有同感,觉得它和真正的智能还是有较大的差距.
期望楼主对贴子中的许多问题给出更加详细一点的,系统化一点的论证.或者能不能就其中任意一点做详细一点的,严格一点的分析,可能本人程度比较低,希望可以看到解决具体问题的实例. 分析反射算法与计算机算法的区别，是一件十分吃力的工作。因为我们都太熟悉计算机算法的特点了，对于一个与它全然不同的算法结构，简直是难以想象。这种对分析结果无法想象的状况，不仅仅看到此帖的网友会有所感觉，而且有时我自己都有无法理解的感觉。 数据挖掘研究院
但是，我还是决心把这个以浅谈形式出现的讨论进行下去，让我们以最离谱的、最脱离计算机算法传统的、最具有想象力的方式，来研究大脑的算法特征。
在这个分析过程中，因为很多内容都是现想现写的，因此它不会是无懈可击的。我只能是力争使它完美和严谨。 为什么说需要“以最离谱的、最脱离计算机算法传统的、最具有想象力的方式，来研究大脑的算法特征。”呢？
例如，有人会难以想象，视觉看到的数据不向大脑内层移动，大脑怎么知道看见了什么呢？
这个问题可以以神经网络的并行操作和一体性来解释，也可以从计算机和神经网络的不同来考虑。
我们可以这么说，这个问题是从计算机的结构角度提出来的。因为计算机只有一个中心处理器，它对图像的处理都要把图像数据调到ＣＰＵ来处理。也就相当于图像的一切都必须由ＣＰＵ看到。
而神经网络的每个神经元都具有处理信息的功能。视神经本身就可以解决“看到了”图像的问题。视神经只要向脑神经内层传递“看到了”的信息就够了。如果内层神经需要再仔细看一看，就向视神经发一个信息“再看看ＸＸＸ”，就可以了。这种信息的传递，只需要用神经元的兴奋传递就可以了，不必把视觉数据传递给内层神经网络。 数据挖掘研究院
有些人可能从内省的角度提问：我在看东西的时候，确实感觉到自己真真切切的看到了，怎么可能图像数据传不到大脑呢？
这是因为你的视神经和大脑内层神经本来就是一体的。你的视神经看到了，就是你看到了，并不是图像数据传到你的大脑，你才感觉看到了。我们在前面举过一个有夜视能力人的例子。它就很有说服力的表明这个问题。
那个具有夜视能力的人，因为视力很差，视神经只能获得模模糊糊的图像，他的视神经就是凭着模模糊糊的图像数据，不断向大脑内层传递“看到了”的信息，大脑深层也就因此认同视神经已经看到了。在光线很暗的时候，视神经仍然把看到了模模糊糊的图像认作是“看到了”，大脑深层也受到了“看到了”的信息，于是就表现出他这个人特殊的夜视能力。
如果图像数据必须传递到大脑内层，那么大脑深层就需要“看到”清清楚楚的图像，才能够确认“看到了”，才能够使那个人感受到真真切切的看到了。
由于神经系统的一体性，只要在内层神经向视神经发出“看看ＸＸＸ”的时候，视神经执行这条信息，在确认自己“看到了”后并返回信息，大脑内层神经就会认为是确实“看到了”。
正因为如此，在眼睛发生问题时，它就会向大脑深层发挥错误的信息。其中最明显的就是错觉。例如通灵术就采用催眠的手法制造视觉错觉。在催眠状态下，你的大脑深层会在眼睛没有看到死去的人的时候，获得视神经传递来的“看到了”信息，于是你便认为是真真切切的看到了死去的人。通灵术是骗人的，但是造成它能够骗人的原因，却是因为视神经的图像数据并不像大脑传递。 数据挖掘研究院
以上解释还有什么不恰当的地方？请人们不客气地指出！ （补充）有关夜视人的介绍。
不久前电视上介绍了这样一个新闻。传说某人可以有夜视功能，在房间里没灯的时候，这个人可以看清扑克牌，可以读出文字。于是人们请医生来对这个人进行鉴定。在医生的检查下，如果房间一点光线都没有，那个所谓可以夜视的人也是什么也看不到，但是当医生忘记把一架仪器关掉时，借助仪器的微弱光线，那个人确实就读出了测试的文字，这也是常人所办不到的。
进一步检查那个人的视力，竟然发现那个人的视力非常之差，是先天性高度近视。原来那个人生活在高度近视的条件下，又非常贫困，没钱矫正视力。就这样凑合。久而久之，习惯了在他人看来模模糊糊的视觉效果下看东西，这种模模糊糊的视觉，对于光线的要求很低，因此在光线很弱的情况下，其他人习惯的图像看不到了，就无法识别。但是他已经习惯于模模糊糊的扑克图像和文字图像，所以他还能够识别。
这个人“夜视”能力的揭秘结果令很多人吃惊，原来这个人不仅不是视力非常好，而是视力非常差。只是他的视觉经验中积累了大量识别模糊物体的经验。所以在常人不能识别物体的光线下，他才能够识别出物体或图形。这个事例发现后，人们又发现几个因为高度近视，而在低光线下能够识别被人不能识别的物体或图形的人。因此这个例证不是孤证。
我讲述这个例子，并不是为了研究夜视，而是为了指出个体的“看”绝对与个体的视觉经验有关，视力差的个体，由于积累经验，竟然获得了常人办不到的视觉能力。其根本原因就是视力差的人积累了识别模糊物体或图形的经验。
由这个人类“看”的特殊例子，我们就可以设想，计算机如果用自己的方式积累自己的视觉经验，就不必去追求与人眼看得同样效果，凭自己的视觉经验，一样可以准确地分辨物体和图形。 hellent:按照你的视觉反射理论，近视眼的人在经过特殊的训练（神经网络训练）后，应该可以不用带近视眼镜就能矫正视力了？
-------------------------------------------------------------
你说不用“矫正视力”这句话有些过头。因为近视眼的眼不经过校正还是近视眼，看东西还是比正常人模糊。只是他在长期的模糊情况下已经习惯了，还可以按这样的视觉能力生活罢了！
产生类似“夜视”的现象，只是他的视觉习惯，在特殊情况下的特殊表现吧。 作者： 124.79.128.* 2007-3-9 09:35
我的意思是你能否将目前研究的成果用图表形式或一些其他更直观的方式表示，毕竟算法是为计算机而设计的，很难通过语言表达或理解
-------------------------------------------------------------
对于你的这个问题，我还需要补充回答的就是：反射算法的结构是与计算机算法结构完全不同的。目前而言，我们首先要确立这个不同性。如果在这个“不同性”确立以前，过多涉及到“计算机如何做到”，人们又回到计算机算法的结构上。人们就会感觉它的计算机程序设计，仍旧是不可理解的。
涉及到计算机程序设计问题，我在尚未发完的“模拟智能的整体思路”“模拟人类智能的整体设计””反射意味着什么？”中已经谈得很多了。但是很多网友无法理解，有些网友甚至斥之为胡思乱想，胡说一气。
反射算法的数据不移动结构，可以说是一种最离谱的想法。人们从小学习计算时，当父母或阿姨交给你伸出几个手指计算，那就是告诉你，数据是可以移动的。你可以把苹果的数据移动为你手指的数据。 [ 当人们对计算机做最简单的普及时，首先告诉你的是，你平时计算时要用一张纸，要拿一支笔，在计算机上，那张纸就是它的存储器，那个笔就是它的处理器等等。这里的拿笔、拿纸也都意味着数据是可以移动的，计算是以移动数据为前提的。
不知你注意到这个现象没有，我的这个主题的提出是由截获算法网友的“关于大脑如何取值和计算的问题”引起的。而截获算法网友在这个主题中却始终没有露面。而最近他在本网吧跟过别的帖子。我想，他对“不移动数据”的算法结构也正在感到匪夷所思。依他对学术讨论的严谨态度，很难说些什么。 数据挖掘实验室
因此，我以为，我们还是集中精力考虑一下，“‘不移动数据的计算方式’是否能够存在？”这个本质性问题。其余的问题才能够谈得到。 分析的很有深度
很欣赏！ 也许有人会怀疑，我们看东西时那种真真切切看到细节的情景是怎么实现的呢？难道它们也没有被传送到脑内部神经吗？
这虽然是个问题，但是却是个不难解答的问题。你可以做个小小的实验，先看一下周围的情景，然后注意看某一个细节，接下去闭上眼睛回忆。你就会发现刚才清清楚楚的情景和细节全没有了。如果，情景的图像和细节的图像被传递到大脑，大脑就应该能够回忆出来，把传递到大脑的数据调出来就是了。但是我们一闭上眼睛，就无法把图像数据调出来，表明图像并没有传递到脑神经内层。
有人可能以为这是我们看情景的时间和次数较短，传递大脑神经内层的图像数据没被挤住。你可以继续进行这个实验，按照记忆巩固的规律，不断看那个情景，看那个细节，你可以把记忆的巩固分多次进行，直到你以为可以记忆住那幅图像为止。但是你闭上眼睛，仍旧无法做到让那情景的图像和那细节的图像出现在你的面前。这表明我们无论如何，也不能把根本没有传递到脑神经内部的图像数据记忆住，回忆出来。
那么，我们清清楚楚看到周围的情景究竟是怎么回事呢？我把这种现象叫做“当前感觉”。“当前感觉”相当于人们怀疑自己是在做梦时，咬自己一口看看是否是做梦。这个动作的实质就是，内层神经发出指示，启动注意，让感觉器官注意到信息的细节，通过对感觉信息细节的收集，获得真实感。因此真正真实的感觉并不是数据传递到大脑神经内层，而是内层神经与感觉神经的互动。这种互动就是“当前感觉”。 你所说的不就是现在的人工神经元网络吗?
至于说到的二进制表示极限的问题.2的8次方是256但在人工神经元网络理论里面根本没有这个问题,因为突触的人工神经元表示是用实数来表现的.一个实数可以表现无限个状态(当然不可能每个状态都是可以识别的,因为同样需要考虑信噪比,但肯定比2多就是了),而无限个状态的8次方是多少?大脑有10^11次方个神经元,假设平均每个神经元的突触数量是10^2,那么10^13,每个突触能够分辨的信号数量有n个等级,n保守估计大于1000把,那么1000^(10^13)=10^3^10^13也是一个恐怖的数字.所以不要怀疑大脑的存储能力.
尽管很佩服你的思维广度,但是其精细程度和深度远远无法提出有效率的解决方案.
提两点:
1.你只说信息的存储,(其实实际上人工神经网络已经是这样在表示数据,所以没有开创性)
2.再说智能建立的算发,你这里说的反射,如何建立反射?用什么样的方法来建立反射?
3.建立了反射后,又怎么办?信息如何觉醒,如何统一的形成思维并形成行动指令.也就是说信息综合的机制和算法如何去实现?(群魔殿算法只是挑选除了主流信号)但是这些信号如何去综合到一起,如何去引发新的思维?形成持续反馈的和活动的过程? 其实我可以就这个提出一个算法:
ANNS(人工神经元网络的信息场算法):
基本点:
1.人的认知信息是一个整体.(人的思想和行动有唯一性意识或者叫注意力的主导)
2.人的思维是不停息的.(生物学实验即使是睡眠或昏迷时候意识也是连续不断的,即使是没有外界刺激的情况下,意识主题也是连贯的过程)
3.生物神经系统由多个神经元构成,未发现一个中心神经元是主体.(神经神物学证据)
4.神经元通过生物电和化学物质传播信号,主要是生物电(Na+,Ca2+,Cl-等离子的电细胞生理学和扩散作用是其产生的机制,类似于电容,电感,电阻和非线性元件构成的电路),信号和处理单元的交互作用是思维的内在机制,化学物质作用范围小,通常感知器通过化学反映或化学递质激发电信号,电信号也激发特定细胞产生化学物质控制细胞形态(比如作用于肌肉的乙酰胆碱),电信号和化学信号也作用于突触的生理性改变,如生长方向,突出的数据处理方式(产生长程记忆)
5.人脑不单单对不同输入的同时输入信号建立联系(空间模式联想),也对同一输入器官的不同时输入信号产生联系(时间联想模式) 6.记忆会衰退和加强
7.思维用不停止,意味着信号必须有反馈回路.
8.思维的信号能量增长有界稳定.否则自己就把自己烤糊了,这意味着信号的传递总体能量是不会无限增加而是有界.
9做梦的事实告诉我们,人体会通过随机性,在无信号输入的情况下,改变信号的输入和处理结果,但这种随机性保证在一定的范围内,否则生物体不会呈现有逻辑的思想和行为.源随机信号是保证一定的创造和泛化的能力,但不能同人的主流认识和学习能力像抵触,是能量和影响有限制的随机,在外界有输入的情况下,主流的输入信号应该感知而不是随机信号. 关于反射引申的一点点想法： 数据挖掘研究院
我想根据进化论，反射的物理结构基础是可以遗传的，可以想象，部分反射的物理结构是可以储存的，那么我有理由可以想象，我们人脑的神经结构经过了多长时间的学习（有生命之初，我们的神经系统就在学习，直到现在，学习还没有停止，我们学习的过程中有多少学习样本，在生命之初，距今为止有多少反射发生，我估计是无法计算了），想象我们的神经系统是多么的复杂了，现在的计算机是无论如何都无法做到的 如何从具体的感官信息 抽象出逻辑思维, 从而能够自我学习更加有意义 楼上的要是能够形成一个理论的话,计算机智能代替人脑就不远了 很有意思的一个想法，我想这可能又是智能的另一个方面，而不能否定神经网络等的形式存在性。
“但是，这只不过才是一层传输。
到更下一层传输，又是一个神经元与上一层之间的一种信息状态建立反射，代表上一层次的一个信息表示。这些神经元间又可以组合表示更复杂的信息。于是传输神经元的任务就不仅仅是起传输作用，它们的组合还起着表示更多信息的作用。这样的各层次组合的现象一直可以向大脑深层推进。”
这不就是神经网络的结构吗？
[parse]XCOOLCCY wrote:[/parse] 数据挖掘研究院
你所说的不就是现在的人工神经元网络吗?
至于说到的二进制表示极限的问题.2的8次方是256但在人工神经元网络理论里面根本没有这个问题,因为突触的人工神经元表示是用实数来表现的.一个实数可以表现无限个状态(当然不可能每个状态都是可以识别的,因为同样需要考虑信噪比,但肯定比2多就是了),而无限个状态的8次方是多少?大脑有10^11次方个神经元,假设平均每个神经元的突触数量是10^2,那么10^13,每个突触能够分辨的信号数量有n个等级,n保守估计大于1000把,那么1000^(10^13)=10^3^10^13也是一个恐怖的数字.所以不要怀疑大脑的存储能力.
尽管很佩服你的思维广度,但是其精细程度和深度远远无法提出有效率的解决方案.
提两点:
1.你只说信息的存储,(其实实际上人工神经网络已经是这样在表示数据,所以没有开创性)
2.再说智能建立的算发,你这里说的反射,如何建立反射?用什么样的方法来建立反射?
3.建立了反射后,又怎么办?信息如何觉醒,如何统一的形成思维并形成行动指令.也就是说信息综合的机制和算法如何去实现?(群魔殿算法只是挑选除了主流信号)但是这些信号如何去综合到一起,如何去引发新的思维?形成持续反馈的和活动的过程?
１、模拟反射与人工神经网络有本质区别。人工神经网络要一个一个神经元的构建模型。模拟反射只考虑建立反射的神经部位，它们可以是神经元，也可以神经元群，甚至可以是部分神经网络。
因此模拟反射是比人工神经网络简洁的多的系统。这难道不是一种进步么？
２、你的这个问题我另文讨论，已在本网站发出过。
３、建立反射后就是实现反射了。即在信息的刺激下复现反射链上的联系，使相关神经部位兴奋。后面有关如何形成思维的问题我另有文讨论。
有关又反射产生智能的文字有十几万字。
[parse]XCOOLCCY wrote:[/parse]
其实我可以就这个提出一个算法:
ANNS(人工神经元网络的信息场算法):
基本点:
1.人的认知信息是一个整体.(人的思想和行动有唯一性意识或者叫注意力的主导)
2.人的思维是不停息的.(生物学实验即使是睡眠或昏迷时候意识也是连续不断的,即使是没有外界刺激的情况下,意识主题也是连贯的过程)
3.生物神经系统由多个神经元构成,未发现一个中心神经元是主体.(神经神物学证据)
4.神经元通过生物电和化学物质传播信号,主要是生物电(Na+,Ca2+,Cl-等离子的电细胞生理学和扩散作用是其产生的机制,类似于电容,电感,电阻和非线性元件构成的电路),信号和处理单元的交互作用是思维的内在机制,化学物质作用范围小,通常感知器通过化学反映或化学递质激发电信号,电信号也激发特定细胞产生化学物质控制细胞形态(比如作用于肌肉的乙酰胆碱),电信号和化学信号也作用于突触的生理性改变,如生长方向,突出的数据处理方式(产生长程记忆) 数据挖掘研究院
5.人脑不单单对不同输入的同时输入信号建立联系(空间模式联想),也对同一输入器官的不同时输入信号产生联系(时间联想模式)
说几点看法。
１、我坚决反对注意引导理论。它是不符合人类智能事实的。
２、我同意智能活动不停息的说法。我的说法是：大脑是不停机的运行机制。顺便指出，使用智能一词比使用思维一词确切。
３、我同意神经网络无中心论。我依此认为神经网络是绝对并行操作的。并推论出并行活动的大脑不需要注意引导。
４、对于生物上还似是而非的东西，我不采信，让生物学家们先去玩吧。我只观望。
５、我认为反射机制有一个共时性反射向历时性反射转变的过程。这个过程可以实现你说的时间联想模式。它是一个过程，而不是一个原则。这一点在本文中有述。
[parse]XCOOLCCY wrote:[/parse]
6.记忆会衰退和加强
7.思维用不停止,意味着信号必须有反馈回路.
8.思维的信号能量增长有界稳定.否则自己就把自己烤糊了,这意味着信号的传递总体能量是不会无限增加而是有界.
9做梦的事实告诉我们,人体会通过随机性,在无信号输入的情况下,改变信号的输入和处理结果,但这种随机性保证在一定的范围内,否则生物体不会呈现有逻辑的思想和行为.源随机信号是保证一定的创造和泛化的能力,但不能同人的主流认识和学习能力像抵触,是能量和影响有限制的随机,在外界有输入的情况下,主流的输入信号应该感知而不是随机信号.
６、记忆是由反射机制构成的。它的衰退与加强可以由反射构建，不必另行讨论。
７、反馈是反射链建立与实现过程中的必然特征。不必另行声明。
８、思维不是信号能量增长过程，而是信息处理过程。因此思维相当于计算机的一些应用程序的运行。没有烤糊了一说（那是你虚构的）。思维程序可能不停机（与计算机程序不停机、不收敛类似），但是大脑有中止机制，在思维不收敛时，强行停机。
９、随机性不是由做梦证实的。证实随机性的是尝试错误学习（见西方心理学）。做梦证明无意识活动的存在。
大脑的随机操作是大脑的一个很重要的基本操作，它对于反射算法很重要，对于自主性算法也很重要。 老大拜托去看看:神经生物学,和获诺贝尔的大大写的著名的:神经科学原理
你就明白了.
我说的都是一些事实上的证据呵呵!有科学实验为基础的证据,别的我不多说了. １、模拟反射与人工神经网络有本质区别。人工神经网络要一个一个神经元的构建模型。模拟反射只考虑建立反射的神经部位，它们可以是神经元，也可以神经元群，甚至可以是部分神经网络。
因此模拟反射是比人工神经网络简洁的多的系统。这难道不是一种进步么？ 数据挖掘研究院
２、你的这个问题我另文讨论，已在本网站发出过。
３、建立反射后就是实现反射了。即在信息的刺激下复现反射链上的联系，使相关神经部位兴奋。后面有关如何形成思维的问题我另有文讨论。
有关又反射产生智能的文字有十几万字。
++++++++++++++++++++++++++
1.有什么区别?
2.3.没有看过你说的算法 １、我坚决反对注意引导理论。它是不符合人类智能事实的。
++++++++++++++++++++++++++
这个是事实,不论注意力是由随机现象引起的还是外界刺激引起的,都毕竟的产生了一个主导一系列神经活动的兴奋方向,而这个兴奋方向实际上就是在最小逻辑冲突原则的情况下,神经元网络的自适应过程.
４、对于生物上还似是而非的东西，我不采信，让生物学家们先去玩吧。我只观望。
+++++++++++++++++++++++++++
搞智能的两点原则:1.要不你就应该将人工智能看成黑盒子,通过对系统输入输出的模拟,在数学理论上去寻找建模人工智能的理论.2.要不就必须注重生物学证据,以生物学证据为依据去寻找解释生物智能的有效解释.不要在计算机程序设计上去找原因那是很可笑的.因为计算机程序设计实际上就是数学的延伸,没有数学抽象就没有将抽象落实成的计算机算法.
数据挖掘研究院
６、记忆是由反射机制构成的。它的衰退与加强可以由反射构建，不必另行讨论。
７、反馈是反射链建立与实现过程中的必然特征。不必另行声明。
+++++++++++++++
首先你应该去定义"反射"是什么,如果你的反射是巴普洛夫的理论,那么可以这样说:如果是非条件反射,那么实际上解剖学证据可以证明这是一种生物构造成的自动机制.如果是条件反射,那么实际上可以说条件反射的机制实际上就是大脑活动的机制,不过同人脑思维一样,现在没有任何理论能够解释其产生的机制.所以我还是说你说的是很空泛的.
８、思维不是信号能量增长过程，而是信息处理过程。因此思维相当于计算机的一些应用程序的运行。没有烤糊了一说（那是你虚构的）。思维程序可能不停机（与计算机程序不停机、不收敛类似），但是大脑有中止机制，在思维不收敛时，强行停机。
++++++++++++++++++++++
系统的稳定性要求是必须考虑的,因为一个无限发散系统是没有道理的,不符合最基本的物理定律,即使是计算机其能量增长有限稳定的原则也是存在的,你见过功率无限上升的计算机系统,最后结果就是被烧毁而已,所以我说的这个原则是人脑的一个最基本原则,人脑的信号的功率必定是有界的,也就是说一部分神经元的信号能量被放大兴奋,必然有一部分神经元的信号能量被削弱,如果信号不衰减,意味着一个强的信号始终占据着神经回路,那么任何外界的输入信号就会被掩盖,这种情况下思维的信号传递最终会变成白盲信号. 数据挖掘研究院
９、随机性不是由做梦证实的。证实随机性的是尝试错误学习（见西方心理学）。做梦证明无意识活动的存在。
大脑的随机操作是大脑的一个很重要的基本操作，它对于反射算法很重要，对于自主性算法也很重要。
+++++++++++++++++++++++++++++++++++++
什么叫无意识活动?有神经活动就有意识,如果将大脑比喻成处理机的话,那么也就是说当处理机无外界刺激的情况下(做梦或昏迷),大脑的信号处理过程还在进行,意味着有随机信号充当了输入的情况,这些随机信号的来源,可能是一个小小的生物化学过程的随机性背景输入,也可能是原有残余信号背景.
[parse]XCOOLCCY wrote:[/parse]
１、我坚决反对注意引导理论。它是不符合人类智能事实的。
++++++++++++++++++++++++++
这个是事实,不论注意力是由随机现象引起的还是外界刺激引起的,都毕竟的产生了一个主导一系列神经活动的兴奋方向,而这个兴奋方向实际上就是在最小逻辑冲突原则的情况下,神经元网络的自适应过程.
这不是事实。对动物如何思维我们无法得知。人类思维平时是分散的无注意的思维。只有在解决那些强烈需要解决的问题时，才需要注意。
注意引导理论是上世纪初一些心理学家提出的。在行为主义的打压下，并没有市场。当人们重视意识的研究后，一些心理学家便拾起这个理论，它几乎成了目前心理学研究意识的重点课题。由于它不符合事实，危害极大！
[parse]XCOOLCCY wrote:[/parse] 数据挖掘实验室
４、对于生物上还似是而非的东西，我不采信，让生物学家们先去玩吧。我只观望。
+++++++++++++++++++++++++++
搞智能的两点原则:1.要不你就应该将人工智能看成黑盒子,通过对系统输入输出的模拟,在数学理论上去寻找建模人工智能的理论.2.要不就必须注重生物学证据,以生物学证据为依据去寻找解释生物智能的有效解释.不要在计算机程序设计上去找原因那是很可笑的.因为计算机程序设计实际上就是数学的延伸,没有数学抽象就没有将抽象落实成的计算机算法.
搞智能不能先制定什么原则，再去研究，那样做是以主观限制客观，无法进行实事求是的研究。
智能确实是在生物基础上产生的，但是它基本是心理活动。非要从生理学里找依据是方向上的错误。研究智能基础知识应该在心理学，但是我们可以扩充知识面，吸收生物学、脑科学、计算机科学、数学的知识。
计算机的设计是数学的延伸不假，但是你可能还不懂，计算机产生于离散数学的自动机理论（图灵机），这种数学与连续数学没有必然的联系。
算法是什么？依图灵的定义，一个程序流程就是一个算法。你也许不懂，程序流程是可以用文字描述的。
[parse]XCOOLCCY wrote:[/parse] 数据挖掘研究院
６、记忆是由反射机制构成的。它的衰退与加强可以由反射构建，不必另行讨论。
７、反馈是反射链建立与实现过程中的必然特征。不必另行声明。
+++++++++++++++
首先你应该去定义"反射"是什么,如果你的反射是巴普洛夫的理论,那么可以这样说:如果是非条件反射,那么实际上解剖学证据可以证明这是一种生物构造成的自动机制.如果是条件反射,那么实际上可以说条件反射的机制实际上就是大脑活动的机制,不过同人脑思维一样,现在没有任何理论能够解释其产生的机制.所以我还是说你说的是很空泛的.
你根本不懂什么是反射！
反射的定义是神经间的联系。它是巴甫洛夫提出的。但是反射的内容却远远超过巴甫洛夫理论。如果你仅仅知道巴甫洛夫的条件反射，那你对反射的认识仅仅属于家庭妇女水平。
建议你认真读一下西方心理学，对反射有一个全面的认识再来法帖。
[parse]XCOOLCCY wrote:[/parse]
８、思维不是信号能量增长过程，而是信息处理过程。因此思维相当于计算机的一些应用程序的运行。没有烤糊了一说（那是你虚构的）。思维程序可能不停机（与计算机程序不停机、不收敛类似），但是大脑有中止机制，在思维不收敛时，强行停机。
++++++++++++++++++++++
系统的稳定性要求是必须考虑的,因为一个无限发散系统是没有道理的,不符合最基本的物理定律,即使是计算机其能量增长有限稳定的原则也是存在的,你见过功率无限上升的计算机系统,最后结果就是被烧毁而已,所以我说的这个原则是人脑的一个最基本原则,人脑的信号的功率必定是有界的,也就是说一部分神经元的信号能量被放大兴奋,必然有一部分神经元的信号能量被削弱,如果信号不衰减,意味着一个强的信号始终占据着神经回路,那么任何外界的输入信号就会被掩盖,这种情况下思维的信号传递最终会变成白盲信号.
你的讨论远离了智能。你使用机械原理考虑智能。
你最好认真学习一下心理学再研究智能，否则会不断说出这类低智的话来。
人类思维兴奋到一定程度，就会产生疲劳，就要休息。在休息时，无意识思维――灵感、直觉就会代替有意识思维工作。人类很多重大的发明都是靠灵感和直觉产生的。这些都不在你分析范围。因为你太不了解什么是智能了！
[parse]XCOOLCCY wrote:[/parse]
９、随机性不是由做梦证实的。证实随机性的是尝试错误学习（见西方心理学）。做梦证明无意识活动的存在。 数据挖掘研究院
大脑的随机操作是大脑的一个很重要的基本操作，它对于反射算法很重要，对于自主性算法也很重要。
+++++++++++++++++++++++++++++++++++++
什么叫无意识活动?有神经活动就有意识,如果将大脑比喻成处理机的话,那么也就是说当处理机无外界刺激的情况下(做梦或昏迷),大脑的信号处理过程还在进行,意味着有随机信号充当了输入的情况,这些随机信号的来源,可能是一个小小的生物化学过程的随机性背景输入,也可能是原有残余信号背景.
大脑的大多数活动都是无意识的，意识控制的仅仅是一小部分。由于你的心理学知识甚差，一时半会儿也说不清楚，你还是好好学学心理学吧。 to XCOOLCCY
在本版块我以前发有“新反射论”一文，你可以参考了解反射问题。 夏虫不可以语冰.
