關於在虛擬世界構建人工智慧分層網路的思考

現在大家都要研究人工智慧，要建設神經網路（neural network）。就像人的大腦是從最原始的大腦進化來一樣，它分為好幾層，每層的作用是不同的。神經網路現在是分層的，但這種分層主要用於中間信息的處理隱含層。從人類認知的角度，我們是否還可以引入其他意義上的分層？使得每一個層次實現一次類人的抽象，逐步實現高層次的智能。

第一章：網路層次劃分

我們需要對神經網路可以劃分的大的層次進行研究。在這裡不進行推論，提出四個層次的假設。從下至上分為：

一、數據網路（DN：Data Network）

1、釋義

數據是最原始的東西，直接來自於各種採集設備或原始介質。他主要體現了數據存儲的拓撲結構。

2、建設目的

實現異構海量數據的存儲，建立數據之間的關聯，作為數據應用的基礎。數據可以是文本、視頻、照片、二進位數據等各種形式。我們需要建立這些數據存儲、檢索的規則，並建立數據之間的聯繫。在存儲空間有限的情況下，還需要建立數據老化、降低精度的規則；如果數據存在不同介質上，也需要根據介質的訪問特性建立多級存儲規則。

3、示例

1）現在的互聯網。數據存儲在不同的網站、頁面、路徑，通過URL互相關聯、引用。

2）HDFS（Hadoop Distributed File System）。實現非結構化數據的大量存儲。

二、信息網路（IN：Information Network）

1、釋義

信息是加工後的東西，被結構化，可自描述，能夠被理解和處理。信息網路應遵循實體世界的概念模型，否者是很難擴展的。

2、建設目的

將數據進行結構化和量化，形成細粒度的信息，並且建立信息之間的關聯關係。並且對基礎數據類型進行梳理，確立不同類型數據最基本的規則和內在關係。這些規則和關係物理世界一些基本約束的體現，即定律、規則或者常識。

3、示例

1）關係資料庫。關係資料庫將數據分解成表、記錄和屬性，並且通過主外鍵建立記錄之間的關聯關係。通過基本的數據類型，隱患了一些業務規則。關係資料庫能夠被用於加工。

2）知識圖譜（Knowledge Graph）。知識圖譜基於最細粒度的屬性，建立了信息之間的關聯關係，實現了信息的推導和傳遞。

三、知識網路（KN：Knowledge Network）

1、釋義

知識是被抽象、加工過的信息，並且其隱含了知識抽取的規則。

2、建設目的

將業務邏輯、領域知識等處理模型固化下來，實現對同類信息的反覆處理，達到不斷提取知識的目的。

3、示例

1）專家系統。將領域知識固化到系統中，根據輸入信息動態的確定輸出。

2）報表系統/BI工具。將數據匯總邏輯固化到代碼或配置中，根據選擇的數據集合（是結構化的信息，不是原始的非結構化數據），產生需要的輸出。

四、智能網路（NN：Neural Network）

1、釋義

基於信息和知識，具備推理、預測的能力，類似於傳統意義上的神經網路。

2、建設目的

實現系統的自學習、自完善、自演化，具備可通過圖靈測試的表徵。智能網路在處理問題的同時，能夠對底層的知識網路、數據網路進行調整、優化。智能網路的實現不會是當前演算法固化的AI晶元，可能是基於能夠自我調整硬體電路連接的FPGA或者是代碼可以動態演化的軟體虛擬機。

3、示例

1）語音與語義識別。當然現在的語音和語音識別還不是真正的人工智慧，很大程度上是基於統計學的。

2）視頻識別與行為分析。在這個領域，現在也真正的人工智慧，針對某一個具體應用，還需要建立模型並進行樣本訓練。

第二章：仿生學解釋

從不是非常嚴謹的角度，概要的講：

1、智能網路

相當於大腦新皮層，就是第6層。它能控制下面5層的運行。

2、知識網路

相當於大腦皮層的1-5層，這些層存儲了諸多的模式。這些模式是不斷學習的積累。現在人工智慧領域的深度學習，更大程度上對應的是這個知識網路。

3、信息網路

在人腦中，信息是存儲在神經突出中的，和神經元在一起。也就是說，數據和計算單元是一體的。這和我們現在的馮·諾依曼體系結構是不同的。如果我們可以沿用馮·諾依曼體系結構來人工智慧，就有必要構建信息網路，否者信息會分散存儲，但即使這樣，它也會滿足對信息的基本約束。

4、數據網路

在人腦中， 存儲的都是結構化、量化的數據和模式，不存在非結構化的大塊數據。但要實現人工智慧，考慮到數據的存儲和計算資源的有限性，是必須要實現數據網路的，作為信息的原始。

第三章：關於四層網路的實現

這四層網路如果能夠實現，會把目前在信息技術領域的研究成果都圍繞人工智慧整合起來。

現在因為沒有信息網路和知識網路的支撐，神經網路深度學習後的結果都是人無法理解的，很難對學習和處理過程進行分析。

當務之急，是把信息網路建立起來。

為了支持神經網路的初步有效運行，達到自演化的效果，預計最小範圍內也需要建立一個比較大的信息網路，這個初始工作量是很大的。至少要把人出生時，基於DNA中的遺傳信息構建的生物學大腦所具備的基礎網路建立起來。

尤其是在商業場景中，我們會基於主機實現「雲+端」的模式，智能個體的部分計算會在雲端進行，而在雲端考慮到各種數據許可權，信息網路的實現預計是比較複雜的，甚至其本身就可能是一個多層的網路。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！