太空人—可信的人工智能

封面標題＜太空人來了—可信可靠可解釋的人工智能＞

封底＜地球霸主終結者—可信可靠可解釋的人工智能＞

問答，15983338666，因插圖太多，請移步公眾號號問答眉州，看圖

第一章，驗證：用路由器集群仿生神經元集群

第二章，作者眼中的 智能以及人工智能

第1節(jié)，定義：智能、人工智能

第2節(jié)，神經元集群運作方式：分解、抽像、重建、正負反饋等

第3節(jié)，神經元集群的動力源

第三章，比較：現有芯片的功能，以及與智能的差別

第1節(jié)，功能差別：智能與智障的差別

第2節(jié)，導致智障的原因：序列-結構-運動-功能不同

第3節(jié)，結構差別

第4節(jié)，運動方式差別

第四章，如何實現可信可靠可解釋的人工智能

第1節(jié)，改變芯片結構

第2節(jié)，解決固體與流體矛盾

第五章，可信可靠可解釋人工智能 對地球社會的影響

第六章，向太空微重力出發(fā)，組裝太空人

第七章，太空人的體積重量

第八章，太空人的宇宙觀以及人格特質

第九章，太空人與地球霸主的關系

 因插圖太多，請移步公眾號號問答眉州，看圖

第一章節(jié)，驗證：用路由器集群仿生神經元集群

本章是實驗操作方案，如果沒有實驗條件，可以略過。作者本人只是 提出了理論、路線、方案，而具體的驗證操作，還需要有條件的讀者合法在互聯網運營商路由器集群上進行，用路由器模擬 神經元胞體，用電線模擬突觸末梢，以識別手寫數字。

如果讀者做實驗成功了，那么恭喜讀者，可以嘗試 破解各大網站登錄頁面的 圖片驗證碼了。

顯然，大多數網站都不會被破解，因為 路由器集群數量太小，比起大腦神經元860億個左右的數量，簡直是九牛一毛。

集群數量太少，就不足以分工出分解、抽像、構建三維音畫、記憶、聯想、復雜推理 等其它功能，所以只能識別 最簡單的單色手寫數字。

雖然，讀者們不能破解 大多數網站圖片驗證碼，但這仍將帶來一場小小的震動，讓各大網站不得不 升級圖片驗證碼的難度了。

具體的 路由器集群識別數字 方案，高手能做得比作者好得多。

成功完成了 識別單色手寫數字 的讀者們，倒是可以繼續(xù) 做下一個有趣的升級實驗——數值計算。

如果，在多張圖片上顯示非傳統(tǒng)數學的內容：

等式9=9,8=8,7=7,6=6,5=5,4=4,3=3,2=2,1=1，以此類推。

    讀者可能會疑惑，這樣做有啥意義？這樣做的目的是，給路由器集群演示“等于符號=的意義”。

加法9+9=8，9+8=7,9+7=6，9+6=5,9+5=4,9+4=3,9+3=2,9+2=1,以此類推。這里，故意重新定義了數字9到1的意義，還演示了“加號+的意義”。

減法1-2=9,1-3=8,1-4=7,1-5=6,1-6=5,1-7=4,1-8=3,1-9=2，以此類推。這里演示了“減號-的意義”，同樣，故意重新定義了數字9到1的意義。

那么讓路由器集群填空，8-9= ，會填多少。如果填錯了，讀者給予其提示，讓其重填。以此類推，7-8= ，6-7= ，路由器集群會填多少。

路由器集群不斷學習、犯錯、修正，就是在自我推理。

做實驗的讀者 可以測試一下，到底需要多少 路由器組成的集群,才能學會數值計算。

讀者可以試試，識別數字實驗 與 數值計算實驗，哪個更容易完成。完成的難易程度不同，可以作為 人腦與計算機不同 的證據之一。

特別是，關于數值計算功能，后面的章節(jié)還會提到。

第二章，作者眼中的 智能以及人工智能

第1節(jié)，定義：智能、人工智能

對智能、人工智能的定義，有很大分歧。

在內涵方面，如果要 區(qū)分每種定義的差別，可以從漢語詞典、英語詞源、狹義、廣義等等多角度考證。在外延方面，除了公認的 人具有智能外，其它如黏菌群、蟻群、自動化車間、計算機病毒 好像也都 具有某種智能。

在本書，對智能自定義為，神經元集群的特有功能，神經元集群從三維世界獲取信息后，不斷分解、抽像三維信息，通過正負反饋、自動修正方式調整神經元集群組合，以圖 反映現實狀態(tài)，同時，該神經元集群 還具有 構建三維音畫、記憶、聯想、復雜推理 等其它功能。

特別注意，數值計算只是神經元集群 記憶推理等功能的 一種表現。數值計算功能 不是 神經元集群的基礎功能，而是由 記憶推理 等底層基礎功能 疊加產生的上層功能。

在第一章的實驗里，路由器集群先完成 識別數字的記憶實驗，然后才完成 數值計算的推理實驗。

而計算機，1940年代 設計出來后，就能完成數值計算，后來才學會 識別手寫數字。

計算機的前身是一種叫"加法器"的東西，是由法國的一位數學家"布萊士·帕斯卡"所發(fā)明。后來又漸漸改良成，可以做 加減乘除四則運算的"差分機"。

在第二次世界大戰(zhàn)中，敵對雙方都使用了飛機和火炮，猛烈轟炸對方軍事目標。要想打得準，必須精確計算并繪制出"射擊圖表"。經查表確定炮口的角度，才能使射出去的炮彈正中飛行目標。但是，每一個數都要做幾千次的四則運算才能得出來，十幾個人用手搖機械計算機算幾個月，才能完成一份"圖表"。針對這種情況，人們開始研究把電子管作為"電子開關"來提高計算機的運算速度。

20世紀40年代中期，美國賓夕法尼亞大學電工系由莫利奇和艾克特領導，為美國陸軍軍械部阿伯丁彈道研究實驗室研制了一臺用于炮彈彈道軌跡計算的“電子數值積分和計算機”（Electronic Numerical Integrator and Calculator簡稱ENIAC）。這臺叫做“埃尼阿克”的計算機占地面積150平方米，總重量30噸，使用了18000只電子管，6000個開關，7000只電阻，10000只電容，50萬條線，耗電量140千瓦，可進行5000次加法/秒運算。

數值計算功能，在計算機的各種功能里，那可是基礎功能。

在本書后面，會論證，數值計算功能，是否是 智能的必要實現方式。

以上，是本書對智能的定義。

維度

正負反饋、自動修正

那么人工智能，即可定義為，用人造的 可正負反饋、自動修正集群，從三維世界獲取信息后，不斷分解、抽像三維信息，通過正負反饋、自動修正方式調整神經元集群組合，以圖 反映現實狀態(tài)，同時，該神經元集群 還具有 構建三維音畫、記憶、聯想、復雜推理 等其它功能。

對人工智能的驗證，即跨過可信可靠可解釋這一門檻，可以用初級的圖靈測試法，如圖片驗證碼測試，也就是第一章做驗證的實驗。

英國數學家、邏輯學家、被視為計算機科學之父的圖靈，設計了一個試驗方案，以測試機器是否具有智能：在一間屋內只有能計算的機器，在另一間屋內則有真人，在屋外的一群人通過紙片 分別詢問屋內的機器與人。如果屋外的一群人中有30% 不能分辨機器或人，則該機器具有智能。

這里，作者嘗試把圖靈測試細化。細化后，讀者可能會發(fā)現關于圖靈測試，其實還有其它有趣的結論。

比如，屋外的這群人，是經過精挑細選而來，他們都是有緊迫任務的設計師，如需要輔助設計衣服房子汽車橋梁。這群設計師覺得，最好借這次測試機會，調用寶貴的計算機幫設計師輔助設計，而不是與機器談論電影。測試完后，按照圖靈的標準即30%設計師被欺騙，測試方只能相信機器也有智能。哈哈，好奇怪的結論！屋里的真人手工設計的圖紙，與計算機拿以前設計的方案 裁剪粘貼出來的圖紙，會有很大區(qū)別嗎？

然而，如果屋外換做另一群人，比如都是家庭主婦，她們詢問計算機的都是家長里短、兒女情長、打折促銷、明星緋聞，那么這群家庭主婦 在看完紙片輸出后，幾乎都會覺得計算機是話癆神經病。

這里就可以看出來，以上測試只要求屋外的人向屋內機器提問，但是卻沒有規(guī)定所提問題的復雜度。輔助設計這種低復雜度的問題，與談天說地這種高復雜度的問題，不是同一類問題。計算機可以解決低復雜度的問題，但難以理解高復雜度的問題。其原因，在后面章節(jié)還會討論。

那么圖靈測試要解決的疑問，可以分為兩個小問題：

第一個小問題，復雜三維空間的運行狀態(tài)，是否可以 被圖靈機通過數值計算方式 完整無誤表示嗎？

第二個小問題，計算機以數值計算 表示三維空間運行的這種方式，可以等價于 人腦表示三維空間運行的方式嗎？

第一個小問題，計算機可以準確無誤計算全世界嗎？否定的。這已經被證明了的。

要回答第二個小問題，就要探討人腦的運行方式，人腦以何種方式反映三維空間運行狀態(tài)？

第2節(jié)，神經元集群運作方式：分解、抽像、重建、正負反饋

下面，以舉例方式討論，點線面體，這些幾何圖形，以及其抽像概念，在神經網絡中的儲存與分布方式，如以父親拿鈴鐺逗孩子為例。

被儲存的事物被分為兩個部分，第一部分是幾何形象，比如圓球形的鈴鐺，第二部分是抽像的概念，比如鈴鐺這個概念。這兩個部分互相配合，才會讓小小的大腦里 卻能儲存下 億萬事物。

關于鈴鐺的幾何形象，先是被分解成 點線面體 這些最基本元素，被刻畫進大腦里，這里被稱為 形象區(qū)。具體是這樣刻畫的，由一個個神經元組成點A,B,C，多個平直的神經元胞體 組成直線AB,BC,AC，類似的 多個彎曲的神經元胞體 組成曲線，一片神經元胞體 組成平面如三角形△ABC 圓形○ 矩形 梯形 多邊形 橢圓等，然后多層次的神經元 構成長方體 正方體 錐體 柱體 球體等。

這就是說，真實世界是怎樣的形象，則大腦的形象區(qū) 就會用神經元集群 模仿構建 一個類似外形的形象，就像搭積木模仿造三維立體房子。無需訓練的普通人也能搭三維立體積木，但沒有經過專門學習訓練的外行 很難畫好 二維平面圖紙，甚至連看都無法看懂。

這說明，三維重建功能，是大腦的基礎功能。而要把三維立體圖畫在二維平面上，或者從二維平面圖像虛構出三維立體圖像，這兩種新能力 則是大腦在 已有的三維重構、記憶、聯想、推理等 底層功能上 疊加出的上層功能。

再拿計算機來比較，計算機從被設計出來后，先是從二維打孔紙片上讀取 一維孔洞信息，用一維的數字0和1計算數值。后來經過發(fā)展，計算機才從二維平面 讀取信息，在二維平面介質上 構建二維圖形。但至今，計算機沒有真正實現 三維構圖。無論是計算機 存儲的圖形，還是計算機 顯示的圖形，都是二維圖像。

接著討論幼兒觀察鈴鐺的例子。

在刻畫幾何形象的同時，幼兒大腦里另一片區(qū)域，用來儲存點線面體的概念，與形象區(qū)對應，這里被稱為 概念區(qū)。先有 點線面體的形象，后有 點線面體的概念，這就是歸納總結的神經元過程（以后還會講,反過來的過程，即先得到一個新概念，新概念的神經元突觸 去找到一群形象區(qū)神經元，把這群形象區(qū)神經元 組合成一個新形象，這就是演繹推理的神經元過程）。

本書認為，神經元集群理論，可以解釋大腦如何形成形象、如何形成概念。

O'Keefe，以及Moser夫婦，已經解剖證明了海馬里神經元群是用三維方式定位的，網格細胞集群。之后，也有其他科學家 在這方面取得不少成果。視頻網站里，有神經科學的科普，還有長視頻的教學，讀者可以看看。

本書提出了理論，而理論要與實踐相結合。為了方便高手 在看了本書理論后 去實踐操作，我在這里把 數學的函數或集合 運用到 神經元連接方式里。當然，我贊賞王垠（www.yinwang.org）的觀點，即只有函數還不能形成智能。我認為，還需要 更重要的三維重構、正負反饋、自動修正等功能 才能形成智能。

形成鈴鐺概念的過程，分為第一步，幼兒大腦在重構點線面體形象后，將其儲存在大腦形象區(qū)，第二步，大腦將命名前的“點線面體概念” 儲存在大腦概念區(qū)，第三步，大腦將命名為“鈴鐺”的概念儲存在大腦概念區(qū)。我們來討論下這個過程。

點線面體形象x，對應點線面體概念y，對應方式是神經元突觸連接 以及遞質傳遞，由x到y(tǒng) 在數學上稱為 歸納總結函數f，由y到x 稱為其反函數g，由概念y新建概念z 稱為演繹推理函數h。y1點線面體概念＝f1函數(x點線面體形象）。

同理，鈴鐺概念，既可以是點線面體概念的函數，也可以是形象的函數。y2概念鈴鐺＝f2函數（y1點線面體概念），或者y2概念鈴鐺=f3函數（x點線面體形象）。即y2可以通過兩種方式f2或f3，分別從形象x或者概念y1得到。

幼兒見到鈴鐺，視覺輸入后，就會在形象區(qū)查詢對照。查詢的過程，也就是驗證 遞質能否 沿著已有突觸連接 順暢走通。如果遞質能順暢走通，就是回憶起了 已有的點線面體形象。并且，大腦還會加深刻畫 這些已有的點線面體神經元集群。加深刻畫，也就是這幾個神經元間突觸互相連接更多更緊密了，遞質傳遞量更大了，這是正向反饋的一種方式。

如果，幼兒以前沒有見到過鈴鐺，而是第一次 見到到鈴鐺這個形象，則遞質就無法順暢走通，那么形象區(qū)神經元集群就 新建立突觸連接，先在形象區(qū)連成鈴鐺形象x，接著又在概念區(qū) 新建點線面體的概念y1，以及 由點線面體形象x 或者概念y1 構成的鈴鐺這個概念y2。

第二天，如果幼兒再見到鈴鐺，但不是昨天的球形的，而是正方體形的鈴鐺。幼兒的大腦，會在形象區(qū)和概念區(qū)同時查找。在形象區(qū)沒有查找到正方體形鈴鐺，神經元集群就新刻畫正方體形鈴鐺。而概念區(qū)，神經元集群也沒有查找到正方體形鈴鐺概念，就新建概念，用函數表示就是y3=f3函數（x點線面體形象）。

在大腦里，y1,y2,y3,x,等集群，不只是有表示一一對應關系的強連接，而且還有沒有對應關系的弱連接。概念y1，y2，y3可通過突觸 與形象x新建連接，概念y2y3也可通過突觸 與概念y1新建連接，概念y1，y2，y3也可斷開 與形象x的突觸連接。突觸連接方式不同，或遞質不同，導致函數或集合f、g、h不同。本書一再強調，引入函數f、g、h,不是說 神經元集群主要靠函數才能運作，而是為了方便 高手讀者嘗試模仿建模。函數，是無法準確模擬 數量如此龐大的突觸連接的。

仔細看圖中，細連線，表示不同歸屬的集群間 會偶爾有連接，如正方體與長方體 也會有些許連接；而粗連線，表示加深刻畫的連接，如正方體概念 與正方體形象的 連接很緊密。

本書認為，神經元數量龐大，而其突觸的強弱連接又變化無常。由此我們可知，世界億萬事物的形象，在大腦里存儲方式，不會像電腦硬盤那樣。電腦是死記硬背、一成不變、如實記錄記下TB級別照片，而是大腦先用幾個神經元組成點線面體x，然后由歸納總結函數f,推導出抽像概念y。概念y浮現x過程是運用函數f的反函數g。大腦只需有限數量神經元組合成不同形象x，然后再以多種多樣突觸連接方式即函數f，歸納成 龐大數量的概念神經元y。

在形象區(qū)，有限數量神經元的不同組合，就可以組合出超大量的圖像x。每一個圖像x都該取個名字吧，那么概念區(qū)y的量也是超大量的。

還有，概念神經元也不是與形象神經元一一對應的強連接，而是因為 突觸有很多末梢游動，從而造成 甲概念與乙形象有弱連接，或者甲概念與丙概念有弱連接。

依靠突觸間的新連接，或依靠突觸內不同遞質，大腦實現了三維重建、聯想、想像、推理等功能。這里體現了多種多樣的正向反饋。

當以后幼兒長大了，再聽到鈴鐺這個詞時，他聽到的是概念y2,由y通過反函數g1去形象區(qū) 找到對應的點線面體形象x?；蛘卟蝗バ蜗髤^(qū) 而是在概念區(qū) 運用演繹函數h1找到歌曲《駝鈴》的概念，再由歌曲《駝鈴》的概念運用反函數g4去音樂區(qū) 找到組成《駝鈴》的音符z的神經元集群，音符z就閃現在其大腦里了。

現在，讓我們在大腦里，閃現一個鈴鐺形象，或響起一段《駝鈴》音樂吧！

不過，好像我們大腦閃現的都是球形的鈴鐺啊，沒有閃現正方體形的鈴鐺。呃，這就是正向反饋負向反饋、自動修正功能。

正負雙向反饋、自動修正功能，是智能這一功能的基礎之一。

鈴鐺的外形，幾乎沒有正方體形的。正方體形鈴鐺，是個錯誤的形象，也是個錯誤的概念。

大腦神經元集群，如何處理這一錯誤形象、錯誤概念呢？

刪除，神經元集群 會刪除掉正方體形鈴鐺這一錯誤，這就是負向反饋。

正向反饋有多種方式，比如前面提到，已經連接的突觸間 加大連接，又如未連接的突觸 在流動的腦內環(huán)境里 碰到一起新建連接，再如加大遞質傳遞量，等等，這幾種方式在宏觀上 即表現為 加深記憶、聯想、想像、推理等。

負向反饋呢，也有多種方式，如連接著的突觸間不再分泌遞質，又如突觸間主動斷開連接，又如單個神經元凋亡后突觸失聯，都是在弱化突觸間連接，等等，這就是負向反饋，在宏觀上表現為遺忘。

在正方體形鈴鐺的例子里，由于現實世界里 幾乎沒有正方體形的鈴鐺，則代表這一形象、概念的突觸連接，既不會加緊連接，又不會分泌遞質，還會因突觸斷開而失聯，也可能隨著神經元凋亡而徹底失聯。這樣的負向反饋 就讓正方體形鈴鐺這個錯誤 從大腦里消失了，遺忘了。

反饋，還有其它方式，如神經元自己發(fā)出的突觸又連接回胞體，這樣的反饋，既可能是正向反饋，也可能是負向反饋。

只有 正負雙向反饋同時起作用，才是智能。

其實，這就是意識。現在，讓我們感悟一下常說的話，“我意識到我錯了”，“這幅圖畫，畫的啥內容？”，“隨著時間流逝，它們被遺忘了”，“老人常犯迷糊，意識不清醒了”等等。

我們生活中遇到的智障，如智障人，或者智障音箱，或者智障車，很多時候就是只有正向反饋、缺乏負向反饋導致的，他們只有非常有限的自動修正功能。

另外，神經元集群還具有自動補全機制。

還是以鈴鐺為例子。在與幼兒玩耍時，如果 父親用手帕把鈴鐺遮擋住大部分，只留出鈴鐺的一角，幼兒卻依然可以找到鈴鐺本體。這是 神經元集群的補全機制在起作用。神經元集群是群體，群體間突觸往往是環(huán)形雙向互聯，導致會互相雙向發(fā)放遞質。雖然，幼兒視覺輸入的是鈴鐺的一角，只有那一角對應少數神經元會發(fā)放遞質，但遞質會通過雙向通道 引起集群里其它神經元一起發(fā)放遞質，牽一發(fā)而動全身。這就是補全機制。

補全機制發(fā)揮作用，既可能幫助大腦提前預測將要發(fā)生的狀況，如一葉知秋，但也可能導致大腦做出錯誤決定，如認錯人。

計算機也在模仿神經元集群的補全機制，但很難成功模仿。

為什么計算機難易模仿神經元集群的補全機制呢？因為，神經元集數量龐大，突觸數量更多，其連接方式又多種多樣，而計算機芯片無法模仿如此復雜的連接。

既然如此復雜，作者能否理清呢？

面對數量達860億的神經元，以及更為龐大數量的突觸，還有各種各樣的遞質，作者在本書中，試圖以還原細節(jié)的方式 去理解這龐大的集群 是如何運作的，那么作者這種理解必然是粗放的、不可能精確的。有無數解剖例證 可以證明作者觀點粗放、不精確。但作者要做的是試圖，在突觸層面上理解其主要運作方式，在集群層面抓住主流。

第3節(jié)，神經元集群的動力源

我們依然以舉例方式討論。

幼兒視覺輸入，從外界接收光子能量，這是神經元集群的第一種動力來源。大腦內是流體環(huán)境。流體環(huán)境內雖有不透明物質，但很少阻擋光子傳播。

神經元周邊布滿毛細血管，神經元可以獲得血液里營養(yǎng)物質，這是神經元集群的第二種動力來源。營養(yǎng)物質在傳遞時，是處于流體環(huán)境的。

大腦內各種分子間的無規(guī)則運動，會帶動神經元突觸擺動，這是神經元集群的第三種動力來源。突觸的擺動，也是處于流體環(huán)境的。

神經元會分泌遞質，遞質在傳輸給下一個神經元后，也會帶給下一個神經元能量，是神經元集群的第四種動力來源。遞質的傳遞，也是處于流體環(huán)境的。

以作者有限知識，只總結出以上四種神經元集群的動力源。我們可以發(fā)現，這四種動力源的傳遞環(huán)境，都是流體環(huán)境。流體環(huán)境，這點很重要。如果換成固體環(huán)境，以上四種動力都不能流暢的傳遞。

芯片的動力源單一，就是電子傳遞能量，其傳遞能量的環(huán)境，是固體環(huán)境。為什么要提這個呢？

人工智能公司采購的是固體芯片，這與神經元集群的流體環(huán)境，是有很大不同的。

這種流體與固體的區(qū)別，也是造成計算機無法模仿神經元集群的原因之一。在本書下一章，會詳細探究這種區(qū)別。

第三章，比較：現有芯片的功能，以及與智能的差別

第1節(jié)，功能差別：智能與智障的差別

正在上市銷售的自動駕駛、智能音箱、智慧教育服務等等，有時好像有點智能，但大多時候讓消費者或驚魂未定、或哭笑不得。

特別是各國交通監(jiān)管機構，在是否批準無人駕駛汽車上路問題上猶豫不決。

在本書第一章的驗證實驗中，要求識別圖片驗證碼。簡單驗證碼，就是識別字符。而復雜的驗證碼，是正確識別詞組等。

簡單的識別字符，是不要求理解該字符的內涵含義，只要從外觀上比較，字符差不多相似就行了。其信息的復雜度是很低的。再進一步，就要求能進行推理，如學會加減法。

而復雜的驗證碼識別，是要求理解詞組的內涵含義，并能找出其正確的外延。

    現在，還沒有計算機系統(tǒng)能 快速準確的破解復雜驗證碼，否則各大網站登錄頁面都被破解了。

識圖，是無人駕駛系統(tǒng) 必須準確完成的基礎功能。通過以上案列，我們就可以得出結論，現在的無人駕駛系統(tǒng) 還不能準確識圖，所以還是智障。

再看看所謂智能音箱。音箱的語音來源，是服務器對語義的理解。同樣，這要求服務器 理解詞組的內涵含義。用過所謂智能音箱、智能語音服務的消費者，多聽幾句，就會覺得音箱是智障，根本沒有理解語義。

而智慧教育服務，還只能作為老師家長學生的輔助，其中的錯誤不計其數，需要老師家長學生認真甄別。

第2節(jié)，導致智障的原因：序列-結構-運動-功能不同

根據“序列—結構—運動—功能”理論，現有芯片的結構及運動方式，與神經元集群結構及運動方式，是現階段未實現真正人工智能的原因。

第3節(jié)，結構差別

圖靈機、馮·諾依曼結構是為一維二維計算而設計的，并不是為實現智能（構建三維音畫、記憶、聯想、復雜推理等）而設計的，它們只是表現得有點像智能，但不是真正智能。

原因是因為芯片結構問題，現有芯片的電路是二維結構，而現實世界是三維結構。

我們的大腦神經元集群，也是三維結構。

二維芯片依靠的基礎是，時間的持續(xù)向前性，反映在在圖靈機里，就是一條可以無限延伸的 單向二維紙帶；方法是還原論，向細微極致發(fā)展，反映在圖靈機里，就是信息被分解后被寫到紙帶方格里，單個方格里信息是單一的。

神經元集群依靠的基礎是，空間的任意擴散性，在以大腦內，就是突觸是向任意方向連接的；方法是復雜系統(tǒng)論，向集群發(fā)展，如果以大腦舉例，就是突觸連接方式非常復雜，遞質傳遞的信息也非常復雜。

人腦神經元不是依靠時間計數器來工作的，而是依靠在自由空間擴散來工作的。

二維芯片追求的是快（時間特性），為了更快，空間距離被壓縮（摩爾定律）。

神經元集群追求的是復雜度（空間特性），為了更復雜，時間是不重要的（毛論持久戰(zhàn)，白崇禧總結為以空間換時間）。

二維芯片，追求的是某單方面某單層次準確精確。

神經元集群追求的是，分清主次矛盾、矛盾主次方面、抓主流，以及解決哲學的各層次各方面的問題等等。

所以，二維結構芯片不能反映三維世界。

但三維的神經元集群卻能反映三維世界。

反例，我們三維世界里人，可以描述二維空間怎么運行的，但誰能描述四維空間是怎么運行的？

沒有任何定理證明過，二維信息等于三維信息。計算機軟件如病毒，具有二維世界的智能，但無法理解三維世界。

在二維芯片時代，按照王垠（www.yinwang.org）觀點，軟件識圖，是在建立一種函數，由函數仿真現實圖片。而這個函數不可能有智能，函數不可能理解圖片內容。

而在將來三維芯片時代，集群通過組合就模仿了現實世界，不以函數模型為基礎。集群是復雜系統(tǒng)，而復雜系統(tǒng)能進化出智能。集群的正負反饋，自動修正，就是智能。

前面也提到過，O'Keefe，以及Moser夫婦，已經解剖證明了海馬里神經元群是用三維方式定位的，網格細胞集群。

現在二維芯片領域有個新概念2.5D、3D，這個與作者希望的三維芯片，不是同一個理念。3D翻譯成中文就是三維，但3D芯片目的還是數值計算。而作者希望的三維芯片，是模仿神經元集群的分解功能、抽象功能、構建三維音畫功能、記憶功能、聯想功能、復雜推理功能等等。數值計算不是三維芯片的基礎功能，也不是主要功能。

在此，回顧圖靈測試，從結構維度視角 來探討復雜度問題。

在第二章時，把圖靈測試細化，然后得出結論，即要通過圖靈測試，有兩種辦法，第一種辦法就是 提高計算機理解 三維世界的能力，另一種辦法則是 測試者降低 所提問題的復雜度。

下圖，從鍵盤輸入信息 給計算機，先要降低復雜度。如果從結構維度看，就是把三維世界的信息（語義）降低為二維甚至一維結構的信息（一串0與1），其中的鍵盤、芯片與網絡七層結構 就是降維升維工具。

網絡七層結構，也有總結為五層的。越是上層的 如網頁顯示的內容，就越復雜，不確定性增加，也越接近三維世界。越是下層的，如電路開閉，就越簡單，確定性增加，也更適合在二維甚至一維空間快速傳遞。我們探討一下，降維升維能完全無誤傳遞信息嗎？

信息，被數學家香農定義為，是用來消除隨機不確定性的東西。

鍵盤、芯片與網絡七層結構組合，對信息的降維處理，是部分成功了的，其中，鍵盤的電路開關準確無誤，去除了不確定性。但是缺點也很明顯，鍵盤、芯片與網絡七層結構組成的機器系統(tǒng)，忽略了應向打字員索取更多的 該句外文所處背景的信息。在上例中，有大量的有用信息，比如，人的心理感情、生理知識、生活習慣等暗含的信息，是不言自明的，是包含在社會知識里的。這些知識，反映了三維世界的運行狀況，在降維時去除了，那么在升維時，是需要用“補全機制”去彌補的。人腦是能補全這些知識的。但機器系統(tǒng)顯然沒有強大的補全機制，所以機器沒有理解，該句外文所暗含的、紛繁復雜的社會知識。計算機僵化，不能補全更多信息，也就是前文提到的，沒有三維集群的各種強大功能。導致的原因，也是前文提到的，二維結構芯片無法理解三維世界，計算機也在努力正負雙向反饋、自我修正，但二維的維度決定了其智力的上限。

最后體現在翻譯結果上，升維是失敗的。機器翻譯所犯的錯誤，是低維度智障型錯誤。讀者是三維世界的智能生物，讀者看了機器翻譯后會感到疑惑。

一般來說，大多數讀者包括作者，都認為上圖的翻譯，非常可能是機器翻譯，只有極少可能性是人翻譯的。

那么，下圖也是一個錯誤的翻譯，讀者猜猜是機器翻譯的呢，還是人翻譯的呢？作者認為是人翻譯的。

翻譯時，如果傳遞的中段，加入人工翻譯后，則成功升維。鍵盤、芯片、翻譯官與網絡七層結構組合系統(tǒng)，才是成功的升維工具組合。人工翻譯，也可能發(fā)生錯誤，但這些錯誤，是高維度智力型錯誤，讓高緯度的讀者看了后 會莞爾一笑。

計算機體現為僵化，而人則體現為懶惰。計算機僵化，是二維空間限定了的。而人懶惰，懶得去查一查問一問，應怎么樣翻譯才能“信達雅”。偷懶反而是智能的一種體現，雖然，偷懶不符合道德規(guī)范。

討論這些，就是說明，降維能增加確定性，降低復雜度，但往往也消除了很多有用信息，也無法提升智力。而在高維空間擁有智力的人，既能把高維信息 降維到低維空間，又能把低維空間的有限的、不全的信息 補充完善，以用于高維空間。在低維空間 運行良好的自動化系統(tǒng)，卻往往不懂 高維空間的運作方式。

鍵盤、芯片與網絡七層結構組合，這是硬件。而硬件對信息的降維升維過程，就是用數學方法編列各種函數，寫成代碼，這是軟件。

如果硬件不能模擬神經元集群，轉而只靠軟件，能否達到神經元集群的智力？迄今，沒有證據表明，軟件能真正達到神經元集群智力。

我們再以二維圖討論降維升維過程。

看到此二維圖，讀者能將山的遠近高低信息自動補全。此圖有長寬但無景深，人腦神經元集群會補全景深重新構建三維模型，這就是把信息升維。其它的如人物的活動，甚至天氣、太陽角度等信息，人腦也嘗試想象或推理。如此大的信息量，顯然不是計算機 這種二維芯片能輕松完成的。

然后，讀者還可能會 產生很多聯想，比如自己也想象進 圖畫里戲水。

就是說，神經元集群在全力工作，視覺輸入后，大腦的其它集群如三維重建集群、記憶集群、想象集群、推理集群等等，都在工作。

把圖旋轉后，大腦會遲疑。因為神經元群的三維模型 都是山峰上尖下大，補全這樣的旋轉圖，大腦需要調整集群內突觸。那么，計算機遇到旋轉圖，能理解旋轉嗎？要理解旋轉，計算機需要怎么樣的升維功能呢？

流行語，升維思考降維打擊，作者認為是有道理的。

讀者“天寧科工”給作者提出了很好意見，發(fā)明計算機 就是用來計算炮彈 在三維空間運行軌道的啊，而且很成功啊。

這說明二維計算機，也是能把“某些信息”成功升維到三維空間的。這里的“某些信息”，迄今來看，主要還是有函數解的信息，比如單個炮彈運行軌跡。如果給計算機的任務換成是，計算三體的運行軌跡，或者計算鳥群、羊群等集群運行軌跡，這些沒有函數解的信息，計算機無能為力。人腦也無法計算三體、鳥群、羊群準確軌跡，但人腦會升級這些二維信息，如得出三體無法準確計算的結論，又如抽象出鳥群、羊群的趨勢 從而總結出集群理論，等等。

以大質數相乘加密的方法，也可以說是利用高維信息的復雜度來實現的。

零維的點，沒有任何秘密可言。一維線段是零維點加減而來的，如果用減法來解密，也是極其容易的。二維平面，可以看作兩根一維線段相乘得來。用兩個大質數相乘加密后，是很難解密的，這可以理解為二維信息復雜度 大于一維信息復雜度。三維立體空間，可以看作三根線段相乘得來。作者相信用三個大質數相乘加密后，更難解密，這可以理解為三維信息復雜度 遠大于二維信息復雜度。

    在圖靈測試里，升維的過程，也可以看作是解密過程，解出三個大質數。顯然，即使是高速計算機也很難解密。但人腦根本不會用計算的方法去解密，而是用三維重構、記憶、抽象、聯想等補全信息的辦法去解密，雖然解出的答案不一定正確。

舉例，以上圖打個謎語，要求謎底是成語。這算個加密解密題吧。這在三維世界里，算是小兒科解密題。小朋友用的解密方法，不是計算，而是用三維重構、記憶、抽象、聯想等方式補全信息。但二維計算機，列無數函數方程、測量色素含量、比較歷年大數據、把所有漢語書籍搜索一遍，耗費大量時間、電力、化學試劑，去求細枝末節(jié)的精確解，即使得出了葉子與秋天機械式對應關系，它能體會這個成語的精妙嗎，能理解三維空間的人在談論啥嗎？

第4節(jié)，運動方式差別，流體與固體的區(qū)別。

生物體內大部分是流體，流體方便克服重力，分子團才能運動，神經元也是在流體中浮動。

但現有芯片，為了方便固定，就做成固體。芯片是固體，人腦內是流體，固體與流體的區(qū)別。

第四章，如何實現可信可靠可解釋的人工智能

怎么改變人工智障呢？如何實現可信可靠可解釋人工智能？

就按照仿生辦法，模仿三維神經元集群。具體的，要兩步來解決。

第一步，改變芯片結構，從二維芯片改為三維芯片；第二步，解決固體與流體矛盾。

第1節(jié)，改變芯片結構，從二維芯片改為三維芯片

現有人工智能界，從CPU改為GPU，到華為的達芬奇結構，還有chiplet結構，還有神經擬態(tài)芯片，都在不自覺的向三維結構發(fā)展，但還不是真正的三維結構。

如何改為真正三維結構？有多種辦法，如模擬生成真實神經元，又如把硅晶片做成 三維立體的，如此等等，有好幾種方法可以改為三維結構。

關于生成真實神經元集群，作者以前設想，采用CRISPER技術切割DNA，單獨培養(yǎng)神經元集群。這么做的倫理道德風險，是非常大的，而且成本高，效益低。成本高，原因是明顯的，培養(yǎng)一個活體，需要昂貴復雜的生命保障系統(tǒng)。效益低，原因也是明顯的，生物受地球重力影響，其體積重量是有限定的，那么人腦神經元集群的數量 也是有極限的，那么其智商也是有極限的?，F在，國外又爆新聞，在大鼠腦袋里植入人腦神經元。是不是國外放松了 倫理道德審查標準？還需要觀察。

作者也曾設想，把硅晶體做成三維立體的，但并未找到 在硅晶體內部刻畫線路的方法。

而本書開篇第一章，介紹一種宏觀的 模擬三維結構的方法：聯系電信運營商的機房，在凌晨時，用路由器模擬 神經元胞體，用電線模擬突觸。因為機房路由器集群數量 比神經元集群數量少得多，所以初期圖靈測試時，用簡單的測試：在黑色背景圖中找出 手寫白色阿拉伯數字。

但難度也是顯而易見的，螞蟻的神經元數量約25萬個，人腦神經元數量約860億個。路由器體積龐大，占地、耗能，如果讓由路由器集群 模仿萬億神經元集群，其占用空間非常大，其耗能也非常大。

現在前沿的研究，是憶阻器，還有光計算，等等，但沒有看到特別大的進展。

以上幾種辦法都有缺點，或者成本很高，或者有倫理道德風險，或者很耗能，或者占用空間大，或者技術不成熟。

特別指出，路由器集群，即使縮小再縮小，也無法完全 模擬神經元集群，因為電線會纏繞，其根本原因是 流體與固體的區(qū)別，這是第二節(jié)探討的內容。

本節(jié)，探討模仿神經元集群時的一些細節(jié)，如集群內組合問題。

相對于CPU、GPU芯片，互聯網節(jié)點，更加具備模仿神經元的基礎。特別是路由器+交換機，可以模仿胞體與突觸。

（致讀者，這里好難，有愿意一起寫的嗎？

）

第2節(jié)，解決固體與流體矛盾。

所以，實現可靠人工智能的方案，就是找到一種既是固體、又能克服重力、還能流動的便宜材料，就可以解決無數連線、無數開關問題。

這種便宜的材料，在現實中已經存在，可以投入實用。

第3節(jié)，太空微重力環(huán)境對解決固體與流體矛盾有巨大幫助

太空，是天然的微重力環(huán)境，比地面更好。這種便宜的材料既可以在地面使用，如果到太空使用，更節(jié)能，也能解決人在太空失重環(huán)境下需要昂貴的生命保障系統(tǒng)問題，有利于向太空進發(fā)。

第五章，人工智能對地球社會的影響

第六章，向太空微重力出發(fā)，組裝太空人

第七章，太空人的體積重量

第八章，太空人的宇宙觀以及人格特質

第九章，太空人與地球霸主的關系