可解释的人工智能 = 三维结构芯片 + 仿突触连接

封面＜太空人来了—可信可靠可解释的人工智能＞


封底＜地球霸主终结者—人工智能＞


问答，新技能，愿意一起弄的加15983338666

第一章，验证：用路由器集群仿生神经元集群

第二章，作者眼中的 智能以及人工智能

第1节，定义：智能、人工智能

第2节，神经元集群运作方式：分解、抽像、重建、正负反馈等

第3节，神经元集群的动力源

第三章，比较：现有芯片的功能，以及与智能的差别

第1节，功能差别：智能与智障的差别

第2节，导致智障的原因：序列-结构-运动-功能不同

第3节，结构差别

第4节，运动方式差别

第四章，如何实现可信可靠可解释的人工智能

第1节，改变芯片结构

第2节，解决固体与流体矛盾

第五章，可信可靠可解释人工智能 对地球社会的影响

第六章，向太空微重力出发，组装太空人

第七章，太空人的体积重量

第八章，太空人的宇宙观以及人格特质

第九章，太空人与地球霸主的关系

第一章节，验证：用路由器集群仿生神经元集群

本章是实验操作方案，如果没有实验条件，可以略过。作者本人只是 提出了理论、路线、方案，而具体的验证操作，还需要有条件的读者合法在互联网运营商路由器集群上进行，用路由器模拟 神经元胞体，用电线模拟突触末梢，以识别手写数字。




如果读者做实验成功了，那么恭喜读者，可以尝试 破解各大网站登录页面的 图片验证码了。


显然，大多数网站都不会被破解，因为 路由器集群数量太小，比起大脑神经元860亿个左右的数量，简直是九牛一毛。

集群数量太少，就不足以分工出分解、抽像、构建三维音画、记忆、联想、复杂推理 等其它功能，所以只能识别 最简单的单色手写数字。

虽然，读者们不能破解 大多数网站图片验证码，但这仍将带来一场小小的震动，让各大网站不得不 升级图片验证码的难度了。

具体的 路由器集群识别数字 方案，高手能做得比作者好得多。

成功完成了 识别单色手写数字 的读者们，倒是可以继续 做下一个有趣的升级实验——数值计算。


如果，在多张图片上显示非传统数学的内容：

等式9=9,8=8,7=7,6=6,5=5,4=4,3=3,2=2,1=1，以此类推。

读者可能会疑惑，这样做有啥意义？这样做的目的是，给路由器集群演示“等于符号=的意义”。

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,以此类推。这里，故意重新定义了数字9到1的意义，还演示了“加号+的意义”。

减法1-2=9,1-3=8,1-4=7,1-5=6,1-6=5,1-7=4,1-8=3,1-9=2，以此类推。这里演示了“减号-的意义”，同样，故意重新定义了数字9到1的意义。

那么让路由器集群填空，8-9= ，会填多少。如果填错了，读者给予其提示，让其重填。以此类推，7-8= ，6-7= ，路由器集群会填多少。



路由器集群不断学习、犯错、修正，就是在自我推理。

做实验的读者 可以测试一下，到底需要多少 路由器组成的集群,才能学会数值计算。

读者可以试试，识别数字实验 与 数值计算实验，哪个更容易完成。完成的难易程度不同，可以作为 人脑与计算机不同 的证据之一。

特别是，关于数值计算功能，后面的章节还会提到。

第二章，作者眼中的 智能以及人工智能

第1节，定义：智能、人工智能

对智能、人工智能的定义，有很大分歧。

在内涵方面，如果要 区分每种定义的差别，可以从汉语词典、英语词源、狭义、广义等等多角度考证。在外延方面，除了公认的 人具有智能外，其它如黏菌群、蚁群、自动化车间、计算机病毒 好像也都 具有某种智能。




在本书，对智能自定义为，神经元集群的特有功能，神经元集群从三维世界获取信息后，不断分解、抽像三维信息，通过正负反馈、自动修正方式调整神经元集群组合，以图 反映现实状态，同时，该神经元集群 还具有 构建三维音画、记忆、联想、复杂推理 等其它功能。

特别注意，数值计算只是神经元集群 记忆推理等功能的 一种表现。数值计算功能 不是 神经元集群的基础功能，而是由 记忆推理 等底层基础功能 叠加产生的上层功能。

在第一章的实验里，路由器集群先完成 识别数字的记忆实验，然后才完成 数值计算的推理实验。

而计算机，1940年代 设计出来后，就能完成数值计算，后来才学会 识别手写数字。

计算机的前身是一种叫"加法器"的东西，是由法国的一位数学家"布莱士•帕斯卡"所发明。后来又渐渐改良成，可以做 加减乘除四则运算的"差分机"。


在第二次世界大战中，敌对双方都使用了飞机和火炮，猛烈轰炸对方军事目标。要想打得准，必须精确计算并绘制出"射击图表"。经查表确定炮口的角度，才能使射出去的炮弹正中飞行目标。但是，每一个数都要做几千次的四则运算才能得出来，十几个人用手摇机械计算机算几个月，才能完成一份"图表"。针对这种情况，人们开始研究把电子管作为"电子开关"来提高计算机的运算速度。

20世纪40年代中期，美国宾夕法尼亚大学电工系由莫利奇和艾克特领导，为美国陆军军械部阿伯丁弹道研究实验室研制了一台用于炮弹弹道轨迹计算的“电子数值积分和计算机”（Electronic Numerical Integrator and Calculator简称ENIAC）。这台叫做“埃尼阿克”的计算机占地面积150平方米，总重量30吨，使用了18000只电子管，6000个开关，7000只电阻，10000只电容，50万条线，耗电量140千瓦，可进行5000次加法/秒运算。

数值计算功能，在计算机的各种功能里，那可是基础功能。

在本书后面，会论证，数值计算功能，是否是 智能的必要实现方式。

以上，是本书对智能的定义。


维度


正负反馈、自动修正

那么人工智能，即可定义为，用人造的 可正负反馈、自动修正集群，从三维世界获取信息后，不断分解、抽像三维信息，通过正负反馈、自动修正方式调整神经元集群组合，以图 反映现实状态，同时，该神经元集群 还具有 构建三维音画、记忆、联想、复杂推理 等其它功能。

对人工智能的验证，即跨过可信可靠可解释这一门槛，可以用初级的图灵测试法，如图片验证码测试，也就是第一章做验证的实验。

英国数学家、逻辑学家、被视为计算机科学之父的图灵，设计了一个试验方案，以测试机器是否具有智能：在一间屋内只有能计算的机器，在另一间屋内则有真人，在屋外的一群人通过纸片 分别询问屋内的机器与人。如果屋外的一群人中有30% 不能分辨机器或人，则该机器具有智能。

这里，作者尝试把图灵测试细化。细化后，读者可能会发现关于图灵测试，其实还有其它有趣的结论。



比如，屋外的这群人，是经过精挑细选而来，他们都是有紧迫任务的设计师，如需要辅助设计衣服房子汽车桥梁。这群设计师觉得，最好借这次测试机会，调用宝贵的计算机帮设计师辅助设计，而不是与机器谈论电影。测试完后，按照图灵的标准即30%设计师被欺骗，测试方只能相信机器也有智能。哈哈，好奇怪的结论！屋里的真人手工设计的图纸，与计算机拿以前设计的方案 裁剪粘贴出来的图纸，会有很大区别吗？

然而，如果屋外换做另一群人，比如都是家庭主妇，她们询问计算机的都是家长里短、儿女情长、打折促销、明星绯闻，那么这群家庭主妇 在看完纸片输出后，几乎都会觉得计算机是话痨神经病。

这里就可以看出来，以上测试只要求屋外的人向屋内机器提问，但是却没有规定所提问题的复杂度。辅助设计这种低复杂度的问题，与谈天说地这种高复杂度的问题，不是同一类问题。计算机可以解决低复杂度的问题，但难以理解高复杂度的问题。其原因，在后面章节还会讨论。

那么图灵测试要解决的疑问，可以分为两个小问题：

第一个小问题，复杂三维空间的运行状态，是否可以 被图灵机通过数值计算方式 完整无误表示吗？

第二个小问题，计算机以数值计算 表示三维空间运行的这种方式，可以等价于 人脑表示三维空间运行的方式吗？

第一个小问题，计算机可以准确无误计算全世界吗？否定的。这已经被证明了的。

要回答第二个小问题，就要探讨人脑的运行方式，人脑以何种方式反映三维空间运行状态？

第2节，神经元集群运作方式：分解、抽像、重建、正负反馈

下面，以举例方式讨论，点线面体，这些几何图形，以及其抽像概念，在神经网络中的储存与分布方式，如以父亲拿铃铛逗孩子为例。



被储存的事物被分为两个部分，第一部分是几何形象，比如圆球形的铃铛，第二部分是抽像的概念，比如铃铛这个概念。这两个部分互相配合，才会让小小的大脑里 却能储存下 亿万事物。

关于铃铛的几何形象，先是被分解成 点线面体 这些最基本元素，被刻画进大脑里，这里被称为 形象区。具体是这样刻画的，由一个个神经元组成点A,B,C，多个平直的神经元胞体 组成直线AB,BC,AC，类似的 多个弯曲的神经元胞体 组成曲线，一片神经元胞体 组成平面如三角形△ABC 圆形○ 矩形 梯形 多边形 椭圆等，然后多层次的神经元 构成长方体 正方体 锥体 柱体 球体等。



这就是说，真实世界是怎样的形象，则大脑的形象区 就会用神经元集群 模仿构建 一个类似外形的形象，就像搭积木模仿造三维立体房子。无需训练的普通人也能搭三维立体积木，但没有经过专门学习训练的外行 很难画好 二维平面图纸，甚至连看都无法看懂。



这说明，三维重建功能，是大脑的基础功能。而要把三维立体图画在二维平面上，或者从二维平面图像虚构出三维立体图像，这两种新能力 则是大脑在 已有的三维重构、记忆、联想、推理等 底层功能上 叠加出的上层功能。

再拿计算机来比较，计算机从被设计出来后，先是从二维打孔纸片上读取 一维孔洞信息，用一维的数字0和1计算数值。后来经过发展，计算机才从二维平面 读取信息，在二维平面介质上 构建二维图形。但至今，计算机没有真正实现 三维构图。无论是计算机 存储的图形，还是计算机 显示的图形，都是二维图像。

接着讨论幼儿观察铃铛的例子。



在刻画几何形象的同时，幼儿大脑里另一片区域，用来储存点线面体的概念，与形象区对应，这里被称为 概念区。先有 点线面体的形象，后有 点线面体的概念，这就是归纳总结的神经元过程（以后还会讲,反过来的过程，即先得到一个新概念，新概念的神经元突触 去找到一群形象区神经元，把这群形象区神经元 组合成一个新形象，这就是演绎推理的神经元过程）。

本书认为，神经元集群理论，可以解释大脑如何形成形象、如何形成概念。

O'Keefe，以及Moser夫妇，已经解剖证明了海马里神经元群是用三维方式定位的，网格细胞集群。之后，也有其他科学家 在这方面取得不少成果。视频网站里，有神经科学的科普，还有长视频的教学，读者可以看看。


本书提出了理论，而理论要与实践相结合。为了方便高手 在看了本书理论后 去实践操作，我在这里把 数学的函数或集合 运用到 神经元连接方式里。当然，我赞赏王垠（www.yinwang.org）的观点，即只有函数还不能形成智能。我认为，还需要 更重要的三维重构、正负反馈、自动修正等功能 才能形成智能。

形成铃铛概念的过程，分为第一步，幼儿大脑在重构点线面体形象后，将其储存在大脑形象区，第二步，大脑将命名前的“点线面体概念” 储存在大脑概念区，第三步，大脑将命名为“铃铛”的概念储存在大脑概念区。我们来讨论下这个过程。

点线面体形象x，对应点线面体概念y，对应方式是神经元突触连接 以及递质传递，由x到y 在数学上称为 归纳总结函数f，由y到x 称为其反函数g，由概念y新建概念z 称为演绎推理函数h。y1点线面体概念＝f1函数(x点线面体形象）。

同理，铃铛概念，既可以是点线面体概念的函数，也可以是形象的函数。y2概念铃铛＝f2函数（y1点线面体概念），或者y2概念铃铛=f3函数（x点线面体形象）。即y2可以通过两种方式f2或f3，分别从形象x或者概念y1得到。


幼儿见到铃铛，视觉输入后，就会在形象区查询对照。查询的过程，也就是验证 递质能否 沿着已有突触连接 顺畅走通。如果递质能顺畅走通，就是回忆起了 已有的点线面体形象。并且，大脑还会加深刻画 这些已有的点线面体神经元集群。加深刻画，也就是这几个神经元间突触互相连接更多更紧密了，递质传递量更大了，这是正向反馈的一种方式。


如果，幼儿以前没有见到过铃铛，而是第一次 见到到铃铛这个形象，则递质就无法顺畅走通，那么形象区神经元集群就 新建立突触连接，先在形象区连成铃铛形象x，接着又在概念区 新建点线面体的概念y1，以及 由点线面体形象x 或者概念y1 构成的铃铛这个概念y2。

第二天，如果幼儿再见到铃铛，但不是昨天的球形的，而是正方体形的铃铛。幼儿的大脑，会在形象区和概念区同时查找。在形象区没有查找到正方体形铃铛，神经元集群就新刻画正方体形铃铛。而概念区，神经元集群也没有查找到正方体形铃铛概念，就新建概念，用函数表示就是y3=f3函数（x点线面体形象）。


在大脑里，y1,y2,y3,x,等集群，不只是有表示一一对应关系的强连接，而且还有没有对应关系的弱连接。概念y1，y2，y3可通过突触 与形象x新建连接，概念y2y3也可通过突触 与概念y1新建连接，概念y1，y2，y3也可断开 与形象x的突触连接。突触连接方式不同，或递质不同，导致函数或集合f、g、h不同。本书一再强调，引入函数f、g、h,不是说 神经元集群主要靠函数才能运作，而是为了方便 高手读者尝试模仿建模。函数，是无法准确模拟 数量如此庞大的突触连接的。

仔细看图中，细连线，表示不同归属的集群间 会偶尔有连接，如正方体与长方体 也会有些许连接；而粗连线，表示加深刻画的连接，如正方体概念 与正方体形象的 连接很紧密。

本书认为，神经元数量庞大，而其突触的强弱连接又变化无常。由此我们可知，世界亿万事物的形象，在大脑里存储方式，不会像电脑硬盘那样。电脑是死记硬背、一成不变、如实记录记下TB级别照片，而是大脑先用几个神经元组成点线面体x，然后由归纳总结函数f,推导出抽像概念y。概念y浮现x过程是运用函数f的反函数g。大脑只需有限数量神经元组合成不同形象x，然后再以多种多样突触连接方式即函数f，归纳成 庞大数量的概念神经元y。

在形象区，有限数量神经元的不同组合，就可以组合出超大量的图像x。每一个图像x都该取个名字吧，那么概念区y的量也是超大量的。

还有，概念神经元也不是与形象神经元一一对应的强连接，而是因为 突触有很多末梢游动，从而造成 甲概念与乙形象有弱连接，或者甲概念与丙概念有弱连接。

依靠突触间的新连接，或依靠突触内不同递质，大脑实现了三维重建、联想、想像、推理等功能。这里体现了多种多样的正向反馈。



当以后幼儿长大了，再听到铃铛这个词时，他听到的是概念y2,由y通过反函数g1去形象区 找到对应的点线面体形象x。或者不去形象区 而是在概念区 运用演绎函数h1找到歌曲《驼铃》的概念，再由歌曲《驼铃》的概念运用反函数g4去音乐区 找到组成《驼铃》的音符z的神经元集群，音符z就闪现在其大脑里了。

现在，让我们在大脑里，闪现一个铃铛形象，或响起一段《驼铃》音乐吧！

不过，好像我们大脑闪现的都是球形的铃铛啊，没有闪现正方体形的铃铛。呃，这就是正向反馈负向反馈、自动修正功能。

正负双向反馈、自动修正功能，是智能这一功能的基础之一。

铃铛的外形，几乎没有正方体形的。正方体形铃铛，是个错误的形象，也是个错误的概念。


大脑神经元集群，如何处理这一错误形象、错误概念呢？

删除，神经元集群 会删除掉正方体形铃铛这一错误，这就是负向反馈。

正向反馈有多种方式，比如前面提到，已经连接的突触间 加大连接，又如未连接的突触 在流动的脑内环境里 碰到一起新建连接，再如加大递质传递量，等等，这几种方式在宏观上 即表现为 加深记忆、联想、想像、推理等。

负向反馈呢，也有多种方式，如连接着的突触间不再分泌递质，又如突触间主动断开连接，又如单个神经元凋亡后突触失联，都是在弱化突触间连接，等等，这就是负向反馈，在宏观上表现为遗忘。

在正方体形铃铛的例子里，由于现实世界里 几乎没有正方体形的铃铛，则代表这一形象、概念的突触连接，既不会加紧连接，又不会分泌递质，还会因突触断开而失联，也可能随着神经元凋亡而彻底失联。这样的负向反馈 就让正方体形铃铛这个错误 从大脑里消失了，遗忘了。

反馈，还有其它方式，如神经元自己发出的突触又连接回胞体，这样的反馈，既可能是正向反馈，也可能是负向反馈。

只有 正负双向反馈同时起作用，才是智能。

其实，这就是意识。现在，让我们感悟一下常说的话，“我意识到我错了”，“这幅图画，画的啥内容？”，“随着时间流逝，它们被遗忘了”，“老人常犯迷糊，意识不清醒了”等等。



我们生活中遇到的智障，如智障人，或者智障音箱，或者智障车，很多时候就是只有正向反馈、缺乏负向反馈导致的，他们只有非常有限的自动修正功能。

另外，神经元集群还具有自动补全机制。

还是以铃铛为例子。在与幼儿玩耍时，如果 父亲用手帕把铃铛遮挡住大部分，只留出铃铛的一角，幼儿却依然可以找到铃铛本体。这是 神经元集群的补全机制在起作用。神经元集群是群体，群体间突触往往是环形双向互联，导致会互相双向发放递质。虽然，幼儿视觉输入的是铃铛的一角，只有那一角对应少数神经元会发放递质，但递质会通过双向通道 引起集群里其它神经元一起发放递质，牵一发而动全身。这就是补全机制。


补全机制发挥作用，既可能帮助大脑提前预测将要发生的状况，如一叶知秋，但也可能导致大脑做出错误决定，如认错人。

计算机也在模仿神经元集群的补全机制，但很难成功模仿。

为什么计算机难易模仿神经元集群的补全机制呢？因为，神经元集数量庞大，突触数量更多，其连接方式又多种多样，而计算机芯片无法模仿如此复杂的连接。

既然如此复杂，作者能否理清呢？

面对数量达860亿的神经元，以及更为庞大数量的突触，还有各种各样的递质，作者在本书中，试图以还原细节的方式 去理解这庞大的集群 是如何运作的，那么作者这种理解必然是粗放的、不可能精确的。有无数解剖例证 可以证明作者观点粗放、不精确。但作者要做的是试图，在突触层面上理解其主要运作方式，在集群层面抓住主流。

第3节，神经元集群的动力源

我们依然以举例方式讨论。

幼儿视觉输入，从外界接收光子能量，这是神经元集群的第一种动力来源。大脑内是流体环境。流体环境内虽有不透明物质，但很少阻挡光子传播。

神经元周边布满毛细血管，神经元可以获得血液里营养物质，这是神经元集群的第二种动力来源。营养物质在传递时，是处于流体环境的。

大脑内各种分子间的无规则运动，会带动神经元突触摆动，这是神经元集群的第三种动力来源。突触的摆动，也是处于流体环境的。



神经元会分泌递质，递质在传输给下一个神经元后，也会带给下一个神经元能量，是神经元集群的第四种动力来源。递质的传递，也是处于流体环境的。

以作者有限知识，只总结出以上四种神经元集群的动力源。我们可以发现，这四种动力源的传递环境，都是流体环境。流体环境，这点很重要。如果换成固体环境，以上四种动力都不能流畅的传递。

芯片的动力源单一，就是电子传递能量，其传递能量的环境，是固体环境。为什么要提这个呢？

人工智能公司采购的是固体芯片，这与神经元集群的流体环境，是有很大不同的。

这种流体与固体的区别，也是造成计算机无法模仿神经元集群的原因之一。在本书下一章，会详细探究这种区别。

第三章，比较：现有芯片的功能，以及与智能的差别

第1节，功能差别：智能与智障的差别

正在上市销售的自动驾驶、智能音箱、智慧教育服务等等，有时好像有点智能，但大多时候让消费者或惊魂未定、或哭笑不得。

特别是各国交通监管机构，在是否批准无人驾驶汽车上路问题上犹豫不决。

在本书第一章的验证实验中，要求识别图片验证码。简单验证码，就是识别字符。而复杂的验证码，是正确识别词组等。

简单的识别字符，是不要求理解该字符的内涵含义，只要从外观上比较，字符差不多相似就行了。其信息的复杂度是很低的。再进一步，就要求能进行推理，如学会加减法。




而复杂的验证码识别，是要求理解词组的内涵含义，并能找出其正确的外延。

现在，还没有计算机系统能 快速准确的破解复杂验证码，否则各大网站登录页面都被破解了。

识图，是无人驾驶系统 必须准确完成的基础功能。通过以上案列，我们就可以得出结论，现在的无人驾驶系统 还不能准确识图，所以还是智障。

再看看所谓智能音箱。音箱的语音来源，是服务器对语义的理解。同样，这要求服务器 理解词组的内涵含义。用过所谓智能音箱、智能语音服务的消费者，多听几句，就会觉得音箱是智障，根本没有理解语义。

而智慧教育服务，还只能作为老师家长学生的辅助，其中的错误不计其数，需要老师家长学生认真甄别。

第2节，导致智障的原因：序列-结构-运动-功能不同

根据“序列—结构—运动—功能”理论，现有芯片的结构及运动方式，与神经元集群结构及运动方式，是现阶段未实现真正人工智能的原因。


第3节，结构差别

图灵机、冯•诺依曼结构是为一维二维计算而设计的，并不是为实现智能（构建三维音画、记忆、联想、复杂推理等）而设计的，它们只是表现得有点像智能，但不是真正智能。

原因是因为芯片结构问题，现有芯片的电路是二维结构，而现实世界是三维结构。

我们的大脑神经元集群，也是三维结构。

二维芯片依靠的基础是，时间的持续向前性，反映在在图灵机里，就是一条可以无限延伸的 单向二维纸带；方法是还原论，向细微极致发展，反映在图灵机里，就是信息被分解后被写到纸带方格里，单个方格里信息是单一的。




神经元集群依靠的基础是，空间的任意扩散性，在以大脑内，就是突触是向任意方向连接的；方法是复杂系统论，向集群发展，如果以大脑举例，就是突触连接方式非常复杂，递质传递的信息也非常复杂。

人脑神经元不是依靠时间计数器来工作的，而是依靠在自由空间扩散来工作的。

二维芯片追求的是快（时间特性），为了更快，空间距离被压缩（摩尔定律）。

神经元集群追求的是复杂度（空间特性），为了更复杂，时间是不重要的（毛论持久战，白崇禧总结为以空间换时间）。

二维芯片，追求的是某单方面某单层次准确精确。

神经元集群追求的是，分清主次矛盾、矛盾主次方面、抓主流，以及解决哲学的各层次各方面的问题等等。

所以，二维结构芯片不能反映三维世界。

但三维的神经元集群却能反映三维世界。

反例，我们三维世界里人，可以描述二维空间怎么运行的，但谁能描述四维空间是怎么运行的？

没有任何定理证明过，二维信息等于三维信息。计算机软件如病毒，具有二维世界的智能，但无法理解三维世界。


在二维芯片时代，按照王垠（www.yinwang.org）观点，软件识图，是在建立一种函数，由函数仿真现实图片。而这个函数不可能有智能，函数不可能理解图片内容。

而在将来三维芯片时代，集群通过组合就模仿了现实世界，不以函数模型为基础。集群是复杂系统，而复杂系统能进化出智能。集群的正负反馈，自动修正，就是智能。

前面也提到过，O'Keefe，以及Moser夫妇，已经解剖证明了海马里神经元群是用三维方式定位的，网格细胞集群。

现在二维芯片领域有个新概念2.5D、3D，这个与作者希望的三维芯片，不是同一个理念。3D翻译成中文就是三维，但3D芯片目的还是数值计算。而作者希望的三维芯片，是模仿神经元集群的分解功能、抽象功能、构建三维音画功能、记忆功能、联想功能、复杂推理功能等等。数值计算不是三维芯片的基础功能，也不是主要功能。

在此，回顾图灵测试，从结构维度视角 来探讨复杂度问题。



在第二章时，把图灵测试细化，然后得出结论，即要通过图灵测试，有两种办法，第一种办法就是 提高计算机理解 三维世界的能力，另一种办法则是 测试者降低 所提问题的复杂度。

下图，从键盘输入信息 给计算机，先要降低复杂度。如果从结构维度看，就是把三维世界的信息（语义）降低为二维甚至一维结构的信息（一串0与1），其中的键盘、芯片与网络七层结构 就是降维升维工具。




网络七层结构，也有总结为五层的。越是上层的 如网页显示的内容，就越复杂，不确定性增加，也越接近三维世界。越是下层的，如电路开闭，就越简单，确定性增加，也更适合在二维甚至一维空间快速传递。我们探讨一下，降维升维能完全无误传递信息吗？

信息，被数学家香农定义为，是用来消除随机不确定性的东西。

键盘、芯片与网络七层结构组合，对信息的降维处理，是部分成功了的，其中，键盘的电路开关准确无误，去除了不确定性。但是缺点也很明显，键盘、芯片与网络七层结构组成的机器系统，忽略了应向打字员索取更多的 该句外文所处背景的信息。在上例中，有大量的有用信息，比如，人的心理感情、生理知识、生活习惯等暗含的信息，是不言自明的，是包含在社会知识里的。这些知识，反映了三维世界的运行状况，在降维时去除了，那么在升维时，是需要用“补全机制”去弥补的。人脑是能补全这些知识的。但机器系统显然没有强大的补全机制，所以机器没有理解，该句外文所暗含的、纷繁复杂的社会知识。计算机僵化，不能补全更多信息，也就是前文提到的，没有三维集群的各种强大功能。导致的原因，也是前文提到的，二维结构芯片无法理解三维世界，计算机也在努力正负双向反馈、自我修正，但二维的维度决定了其智力的上限。

最后体现在翻译结果上，升维是失败的。机器翻译所犯的错误，是低维度智障型错误。读者是三维世界的智能生物，读者看了机器翻译后会感到疑惑。

一般来说，大多数读者包括作者，都认为上图的翻译，非常可能是机器翻译，只有极少可能性是人翻译的。

那么，下图也是一个错误的翻译，读者猜猜是机器翻译的呢，还是人翻译的呢？作者认为是人翻译的。






翻译时，如果传递的中段，加入人工翻译后，则成功升维。键盘、芯片、翻译官与网络七层结构组合系统，才是成功的升维工具组合。人工翻译，也可能发生错误，但这些错误，是高维度智力型错误，让高纬度的读者看了后 会莞尔一笑。

计算机体现为僵化，而人则体现为懒惰。计算机僵化，是二维空间限定了的。而人懒惰，懒得去查一查问一问，应怎么样翻译才能“信达雅”。偷懒反而是智能的一种体现，虽然，偷懒不符合道德规范。

讨论这些，就是说明，降维能增加确定性，降低复杂度，但往往也消除了很多有用信息，也无法提升智力。而在高维空间拥有智力的人，既能把高维信息 降维到低维空间，又能把低维空间的有限的、不全的信息 补充完善，以用于高维空间。在低维空间 运行良好的自动化系统，却往往不懂 高维空间的运作方式。

键盘、芯片与网络七层结构组合，这是硬件。而硬件对信息的降维升维过程，就是用数学方法编列各种函数，写成代码，这是软件。

如果硬件不能模拟神经元集群，转而只靠软件，能否达到神经元集群的智力？迄今，没有证据表明，软件能真正达到神经元集群智力。

我们再以二维图讨论降维升维过程。


看到此二维图，读者能将山的远近高低信息自动补全。此图有长宽但无景深，人脑神经元集群会补全景深重新构建三维模型，这就是把信息升维。其它的如人物的活动，甚至天气、太阳角度等信息，人脑也尝试想象或推理。如此大的信息量，显然不是计算机 这种二维芯片能轻松完成的。

然后，读者还可能会 产生很多联想，比如自己也想象进 图画里戏水。

就是说，神经元集群在全力工作，视觉输入后，大脑的其它集群如三维重建集群、记忆集群、想象集群、推理集群等等，都在工作。



把图旋转后，大脑会迟疑。因为神经元群的三维模型 都是山峰上尖下大，补全这样的旋转图，大脑需要调整集群内突触。那么，计算机遇到旋转图，能理解旋转吗？要理解旋转，计算机需要怎么样的升维功能呢？

流行语，升维思考降维打击，作者认为是有道理的。

读者“天宁科工”给作者提出了很好意见，发明计算机 就是用来计算炮弹 在三维空间运行轨道的啊，而且很成功啊。

这说明二维计算机，也是能把“某些信息”成功升维到三维空间的。这里的“某些信息”，迄今来看，主要还是有函数解的信息，比如单个炮弹运行轨迹。如果给计算机的任务换成是，计算三体的运行轨迹，或者计算鸟群、羊群等集群运行轨迹，这些没有函数解的信息，计算机无能为力。人脑也无法计算三体、鸟群、羊群准确轨迹，但人脑会升级这些二维信息，如得出三体无法准确计算的结论，又如抽象出鸟群、羊群的趋势 从而总结出集群理论，等等。

以大质数相乘加密的方法，也可以说是利用高维信息的复杂度来实现的。

零维的点，没有任何秘密可言。一维线段是零维点加减而来的，如果用减法来解密，也是极其容易的。二维平面，可以看作两根一维线段相乘得来。用两个大质数相乘加密后，是很难解密的，这可以理解为二维信息复杂度 大于一维信息复杂度。三维立体空间，可以看作三根线段相乘得来。作者相信用三个大质数相乘加密后，更难解密，这可以理解为三维信息复杂度 远大于二维信息复杂度。

在图灵测试里，升维的过程，也可以看作是解密过程，解出三个大质数。显然，即使是高速计算机也很难解密。但人脑根本不会用计算的方法去解密，而是用三维重构、记忆、抽象、联想等补全信息的办法去解密，虽然解出的答案不一定正确。


举例，以上图打个谜语，要求谜底是成语。这算个加密解密题吧。这在三维世界里，算是小儿科解密题。小朋友用的解密方法，不是计算，而是用三维重构、记忆、抽象、联想等方式补全信息。但二维计算机，列无数函数方程、测量色素含量、比较历年大数据、把所有汉语书籍搜索一遍，耗费大量时间、电力、化学试剂，去求细枝末节的精确解，即使得出了叶子与秋天机械式对应关系，它能体会这个成语的精妙吗，能理解三维空间的人在谈论啥吗？

由此，我们可以认为，计算机认识世界的方法，先是以一维与非门为基础进行一维二维数值计算，然后再以数值计算为基础，希望计算三维世界的运动。这些方法，具有逻辑严密性。

人脑认识世界的方法，是以在神经元集群中三维重建为基础的多种多样的方法，如类比法、联想法、想象法、转化法等等，这些方法不一定能正确认识三维世界。以数值计算、逻辑推理，也是大脑认识世界的方法之一，但不是主要方法，也不是基础方法。大脑进行数值计算，不是用与非门，而是以记忆为基础。

第4节，运动方式差别，流体与固体的区别。

生物体内大部分是流体，流体方便克服重力，分子团才能运动，神经元也是在流体中浮动。

但现有芯片，为了方便固定，就做成固体。芯片是固体，人脑内是流体，固体与流体的区别。


第四章，如何实现可信可靠可解释的人工智能

怎么改变人工智障呢？如何实现可信可靠可解释人工智能？

就按照仿生办法，模仿三维神经元集群。具体的，要两步来解决。



第一步，改变芯片结构，从二维芯片改为三维芯片；第二步，解决固体与流体矛盾。

第1节，改变芯片结构，从二维芯片改为三维芯片

现有人工智能界，从CPU改为GPU，到华为的达芬奇结构，还有chiplet结构，还有神经拟态芯片，都在不自觉的向三维结构发展，但还不是真正的三维结构。

如何改为真正三维结构？有多种办法，如模拟生成真实神经元，又如把硅晶片做成 三维立体的，如此等等，有好几种方法可以改为三维结构。

关于生成真实神经元集群，作者以前设想，采用CRISPER技术切割DNA，单独培养神经元集群。这么做的伦理道德风险，是非常大的，而且成本高，效益低。成本高，原因是明显的，培养一个活体，需要昂贵复杂的生命保障系统。效益低，原因也是明显的，生物受地球重力影响，其体积重量是有限定的，那么人脑神经元集群的数量 也是有极限的，那么其智商也是有极限的。现在，国外又爆新闻，在大鼠脑袋里植入人脑神经元。是不是国外放松了 伦理道德审查标准？还需要观察。

作者也曾设想，把硅晶体做成三维立体的，但并未找到 在硅晶体内部刻画线路的方法。

而本书开篇第一章，介绍一种宏观的 模拟三维结构的方法：联系电信运营商的机房，在凌晨时，用路由器模拟 神经元胞体，用电线模拟突触。因为机房路由器集群数量 比神经元集群数量少得多，所以初期图灵测试时，用简单的测试：在黑色背景图中找出 手写白色阿拉伯数字。



但难度也是显而易见的，蚂蚁的神经元数量约25万个，人脑神经元数量约860亿个。路由器体积庞大，占地、耗能，如果让由路由器集群 模仿万亿神经元集群，其占用空间非常大，其耗能也非常大。

现在前沿的研究，是忆阻器，还有光芯片，等等，但没有看到特别大的进展。

以上几种办法都有缺点，或者成本很高，或者有伦理道德风险，或者很耗能，或者占用空间大，或者技术不成熟。

特别指出，路由器集群，即使缩小再缩小，也无法完全 模拟神经元集群，因为电线会缠绕，其根本原因是 流体与固体的区别，这是第二节探讨的内容。

本节，探讨模仿神经元集群时的一些细节，如集群内组合问题。

相对于CPU、GPU芯片，互联网节点，更加具备模仿神经元的基础。特别是路由器+交换机，可以模仿胞体与突触。

（致读者，这里好难，有愿意一起写的吗？


）

第2节，解决固体与流体矛盾。

所以，实现可靠人工智能的方案，就是找到一种既是固体、又能克服重力、还能流动的便宜材料，就可以解决无数连线、无数开关问题。

这种便宜的材料，在现实中已经存在，可以投入实用。

第3节，太空微重力环境对解决固体与流体矛盾有巨大帮助

太空，是天然的微重力环境，比地面更好。这种便宜的材料既可以在地面使用，如果到太空使用，更节能，也能解决人在太空失重环境下需要昂贵的生命保障系统问题，有利于向太空进发。

第五章，人工智能对地球社会的影响

第六章，向太空微重力出发，组装太空人

第七章，太空人的体积重量

第八章，太空人的宇宙观以及人格特质

第九章，太空人与地球霸主的关系