第十九章.与内二实验室的对话 (第2/2页)
　　
　　“这一点你们做的怎么样？我们现在要开始芯片化信息元编码搜索过程了。”安静说道。
　　
　　“我可以告诉你的是，我们已经统一了内容规范，就是我们向你们拟脑层输送的是TAG组模型。”鲁少校。
　　
　　“你们现在可以做到，把感应层的内容定义，转化成内容描述，然后直接提起关键字，以关键字形成TAG组关联模型，输出给我们的拟脑层，对吗？。”安静有点不信。
　　
　　“对，其实有时候内容是可以跳过的，比如我们直接把视觉的东西用TAG定义，方形、梯形、三角型，多型组合，上下组成等，多角度多层次的感知。”鲁少校边比划着边说。
　　
　　“还有颜色、大小、比例等，是不是？有没有初步判断？”安静知道鲁少校说的是CV视觉方面的，不是NLP自然语言方面的，而CV视觉方面是拟脑思维层与感知层相互对接技术的关键，反而是NLP自然语言处理部分，安静部门已经拥有了最先进的算法，不同规模的多层分级的训练模型。
　　
　　“初步判断也是用多元关联技术做的，比如一辆汽车有多个特性，而且特性之间有关联关系，我们将关键字在这些关联模型中行走，找出最高命中率的信息元。”鲁少校慢慢解释着，从话中透露出也使用多元关联拟脑技术。
　　
　　“这些对象的识别你们也是采用神经元理论，卷积算法完成的，怎么又涉及到我们拟脑思维层的技术了？”安静感兴趣的问道。
　　
　　“对象感知基本上采用的是神经元理论，至于卷积算法，其实现在很多视觉处理部分已经脱离了卷积算法范畴，反而是关注点向量定义更有效。但是，神经元理论及动态特征分析也有不尽人意的地方，例如立体的物体不同的角度不同的成像，在卷积算法中会呈现不同的特征码组，容易被识别为不同的内容对象。”鲁少校解释着。
　　
　　“这一点不是靠后期训练可以解决吗？不同的特征码组定义为同一个事物。”安静说的是，读一个立体实物多个角度产生的特征图像，统一定义为一个事物。
　　
　　“不好，因为角度的偏差会产生大量不同的成像，不同的成像产生大量不同的特征码组，虽然多维度多层面可以减少特征码组，但是，还是不理想。”鲁少校对现有算法的效果不是很满意。
　　
　　“那你们怎么办？而且还要尽量避免指向同一个事物的特征码组过多，怎么办？模糊计算吗？”安静问道。
　　
　　“不是，我们对立体的事物，做轮廓抽离、纵横比分析、姿态还原等多种技术，将复杂的对象进行多维度多层次拆分定义，再使用卷积算法辅助，对了，我们将内容分离后的内容提取关键字，然后也用了多元关联拟脑模型做精确识别，跟你们那边做法差不多。”鲁少校现在说的是静态事物的分析，因为静态事物没有运动特征，只有在视角转变的时候才会产生相对的运动，所以很难通过运动特征识别，不过人工智能对静态事物的识别要求相对低于动态事物，如果识别不出来，可以先按照一个大盒子型物体计算。
　　
　　“你说的感应层也会用到我们拟脑层的技术，就是先给我们输出一个模糊的事物定义，是吗？”安静继续问，因为这些问题将导致拟脑思维计算的准确性。
　　
　　“是的。”鲁少校说完，突然转为严肃的说道：“西方一直有一种误区，他们太注重表象了，而忽略了本质，西方通过对表象的统计创造了很多伪概念，例如条件反射原理等，尤其是在神经元理论上，他们认为人对事物的辨识，是通过神经感应多层次多维度的碎片特征感知得出来了，实际上又机械教条了。”。
　　
　　“不是吗？确实，我一直也对这一点有很多疑惑，而且以前就有一个前辈说过跟你一样的话，人类认知不只是神经反应，还至少需要一层脑思维。”安静说道。
　　
　　“对的，跟你们拟脑层关系很大，人对事物的判断不只是神经皮层的感应，至少，我说的是至少经过了一层脑思维判断，有时候还需要多层思维判断。。。安静，你琢磨琢磨，是不是这个道理。”鲁少校说完，指了指自己的脑袋。
　　
　　安静看到老鲁指了指秃顶，笑了一下，随即说道：“老鲁，你这么一说我就更确定了，所以在感应层就需要多元关联拟脑技术的支持，对每一个事物不但要多层次多角度的分析，而且还要把分析的要素关联起来，这样才能得出准确的结果，而关联就是脑思维的动作。”。
　　
　　“对的，而且不只是对该事物的多层次多角度分析，如果要准确认定一个事物，还要通过多层脑思维判断，而且，还要把该事物的判定结果，放到多元关联拟脑模型中，与其关联的其他事物一起分析，而且是多层脑思维分析。”鲁少校继续阐述。
　　
　　“多层脑思维，是不是通过脑思维定义事物，在我们的多元关联拟脑模型中，就是将事物的多种可能都进行一遍思维行走，看看有没有对应的可执行闭环？”安静问道。
　　
　　“是的，例如某一个事物，有可能是A、B、C三种可能性，但是，前端无法确定是什么，就要拿到多元关联拟脑模型走一遍，看一下A、B、C哪一个是实际概念，能够形成可执行闭环的可用信息元，当然这个思维分辨行为，还要根据条件环境空间的情况，以及机器人自身任务等多种因素联合判断，所以，感应层到拟脑层可不是一次提交内容就完成的，还需要来回多次，才能够准确判断内容对象的。”鲁少校解释道。
　　
　　“是呀，我们这边也是，也要参与到你们感应层的工作中，采用多元关联拟脑模型，对你们的分析观察对象做脑思维判断，对观察对象做进一步分析定位，所以说，我们互相向对方多走了一步，工作就更融洽了。”安静认同地说道。
　　
　　“对呀，其实我们也可以用传统方法，就是神经元系统卷积算法识别观察对象，脱离大模型及训练的情况下，不但准确性太差，而且对复杂环境中事物的分辨也有问题，用了多元关联技术，尤其是信息元编码方式，命中率提高了不少。”鲁少校说话的时候，还看了一眼林久浩。
　　
　　安静立刻意识到，这个老鲁可是出了名的挖墙角达人，赶紧问道：“如果你们用多元的模型，可以直接命中信息元，我们就不用做事了，是这个意思吗？”。
　　
　　“哎~~，可不能这么说，我们这边是尽量精确定义，最终的定义过程必须由你们那边完成，你们的方法可以直接命中信息元，进入拟脑思维，更直接。”鲁少校感觉到安静又处于战斗状态了，马上把话圆回来。
　　
　　【以下部分全部用类脑细胞信息元存储格式解释，即增加‘思维空间第零层语义空间嵌入数组坐标’，如果信息元编码通用，可以使类脑细胞信息元直接在LLM中计算，如果LLM不能形成通用信息元编码，那么可以增加一个LLM概念编码位置。】
　　
　　会议继续着，安静接着说道：“你们通过多模态大语言模型，为我们提供精确的特征组，对应到内容，抽离关键字形成TAG组关联模型，我们再根据词元组，查找对应的信息元编码，只要能够得到信息元编码，那么拟脑思维就可以开始了。”。
　　
　　“可以，我们现在的大语言模型不只是类似于TAG的Token标识，而且还可以利用多维嵌入模组，在不同维度的空间进行语义定义，可以把观察对象多维度多层次拆分特征码组，然后定义对象描述，抽离成关键字，把多关键字在多元关联拟脑模型中，形成TAG组模型，并把这个模型输出给你们这边，然后你们去定义或指向信息元，这种固定的流程和算法可以芯片化了。”鲁少校说道。
　　
　　“对，基于词元的Token可以形成关联模型吗，输出给我们。”安静又问。
　　
　　这时，林久浩插了一句话：“师姐，不需要输出，我们可以把大语言模型的Token，以及对内容定义的由嵌入向量组，直接对应到信息元的第二个地址上。”
　　
　　安静也小声回了一句，“我知道，我们两个都需要，尤其是前期训练的时候，需要对方先输出给我们内容特征组。”
　　
　　“小声讨论什么呢？还背着我。”鲁少校笑眯眯地看着。
　　
　　“哦，老鲁，我们继续吧。”安静转头说道。
　　
　　“其实我们前端的大语言模型可以直接向多元关联拟脑模型发出公式化指令，这个层面不需要提供TAG类组，因为大语言模型可以识别信息元。”鲁少校又发出了惊人言论，这个言论正好于林久浩的一致了，鲁少校认为前端可以识别信息元，就能够发起思维行走，而林久浩的意见是，将前端大语言模型定义的向量数组，直接写在信息元编码地址位置，那么信息元与语义就对应上了，但是。。。
　　
　　“确实是可以，你们大语言模型能够准确地了解语义，然后通过对语义的了解，对应到信息元上，直接发出公式化指令，但是，我们多元关联拟脑模型这边不只是执行呀，还需要在信息变动的过程中，定义信息元、修改信息元及查询信息元，所以，还是需要的。”安静说清楚了，这个训练的过程，必须先提交特征组，才能形成信息元与语义的对应，而且这个过程是需要不断训练，不断优化的，其中还涉及到内容固化与信息元固化的问题。
　　
　　“确实啊，其实我们都多向对方走一步，两边的系统结合就更紧密了。”鲁少校也明白了，安静部门为什么强调需要特征组对应到信息元的过程内容。
　　
　　“然后，你提供的特征码组模型，就会产生多个特征码循环输出及关联模型匹配的情况，这样可以更准确的命中信息元集合。”安静接着说道。
　　
　　“你们那边在特征码定义上要注意分类等级，不是所有的特征码都是平等的关系。”鲁少校也提出要求。
　　
　　“这一点已经考虑过了，特征码不但有等级，例如医疗、军事、人群等有些词本来就是大合集，同时我们还考虑的其他分类，例如，方位特征码、数量词特征码。而且这些基本的特征码直接采用基础信息元编码，可以直接进入多元关联拟脑模型计算。”安静接着说道。
　　
　　“对，这些带有特殊含义的特征码，在处理芯片中的标识应该能区别出来，避免了信息字段无法直接计算的缺点。”鲁少校称赞了一下编码方式。
　　
　　安静接着说道：“这就是我师父陆教授的想法，以前叫计算机，是做数值计算处理的，以后叫人工智能，要做信息思维处理。”。
　　
　　大家又休息了一会儿，看看时间，再看看会议内容，该结束了。。。
　　
　　鲁少校最后发出了三联问：“我们的工作界限定好了吧？我没事了吧？我可以走了吧？”。
　　
　　“可以了，谢谢你老鲁，这智慧的脑袋不长草的。”安静开了个玩笑。
　　
　　“你，安静，你‘过桥拆河’，拿别人的缺陷开玩笑不好。”鲁少校摸了摸自己的脑袋，出门回自己实验室了。
　　
　　“师姐，这个鲁少校果然很厉害呀。”林久浩惊叹道。
　　
　　“什么厉害，头秃的厉害？”安静继续开玩笑。
　　
　　“不是，他几句话就说明白了，给我们提供关键字组成的特征码组关联模型，我们利用特征码组关联模型，再利用我们自己训练的NLP语义处理，找到对应的信息元编码。”林久浩兴奋地说道。
　　
　　安静也点了点头，表示赞同，然后说道：“我也没想到，这老鲁进展这么快，看来我们要加倍努力了。”。
　　
　　“师姐，如果他们的特征码组提供的不够全面，我们是不是就无法命中信息元编码了？”林久浩又提出了一个关键问题。
　　
　　“集合类命中，分步命中，循环命中，类似RNN算法，这是你父亲早期做的多元关联拟脑就解决的问题呀，你忘了吗？”安静反问。
　　
　　“哦，想起来了，如果看到一架飞机，无法准确知道型号，那么就命中它的上一个大类，飞行器。”林久浩比喻着。
　　
　　“对呀，看到人，认不出是谁，至少知道是个人吧，可以命中【人】这个信息元吧，然后继续逐步精确命中，后续还会有特征码标签补充进这个组，进行精确计算。”安静继续解释道。
　　
　　“是呀，这就需要我们对特征码组再做标识，鲁少校那边的特征码补充要带组标识，否则，我们这边就会认为是新的事物的特征码，会去搜索新的信息元编码。”林久浩说道。
　　
　　安静指了一下电脑，说道：“对，你把自己的想法，全部记录下来，要考虑的问题还很多，做流程设计的时候不能缺少。”。
　　
　　“全记录下来了。”林久浩回答。
　　
　　“还有，你前面说的，机器人研究所需要人物行为特征分析，这部分工作也很重要，我们必须与机器人研究所搞好关系，所以。。。”安静言下之意就是帮忙拉关系。
　　
　　“师姐，我知道，搞好关系，他们给我们提供方便，我们就更有战斗力，不过，人手太少了。”林久浩有顾虑。
　　
　　“人的事情我解决，你在完成其他研究工作的同时，继续思考行为特征分析问题，我去摇人，要不到固定的，还要不到临时借调的嘛！”安静说完就起身走了。
　　
　　这边留下林久浩傻乎乎的站着，“临时借调的？能不能。。。唉！”
　　
　　下一章节===《第二十章.多元关联拟脑技术芯片化》