# 一种简易类脑神经计算框架

**Repository Path**: silentcr/robotBrain

## Basic Information

- **Project Name**: 一种简易类脑神经计算框架
- **Description**: 尝试让机器人拥有简单的意识
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2024-09-25
- **Last Updated**: 2025-07-12

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

## 探讨

### 存在性
对AGI的研究可以归结到事物的存在性问题。生物神经系统之所以存在，根本原因是增加了生物体结构系统的存在性。这种存在性可以由系统结构在客观环境下，具备获取系统结构维系其自身形态所需的资源和条件能力来表示。

客观环境的资源和条件是按照一定的分布密度存在的，系统结构按照一定的不确定性与适合的条件和所需的资源相遇并完成对资源和条件的获取。系统结构的存在性可分为三方面：
1. 系统结构个体已经获取的资源和条件可以使自身形态维持到遇到下一份资源之时。
2. 系统结构个体在自身形态的存续期间能够实现某种形式的自我复制，使得系统结构能够以尽可能大的数量在尽可能大的防范内与合适的环境和资源相遇。
3. 个体在自我复制过程中，系统结构产生了变化，这些变化可能使得系统结构个体的存在性或存在条件发生变化。

显然，神经系统的出现在上述三个方面对系统结构产生了影响，并让产生了积极影响的系统结构得以存在至今。

### 不确定性
客观环境的资源和条件的分布对系统结构个体来说是具有不确定性的。在系统结构获取资源或条件的过程中，如果能使得不确定性有所减小，显然可以提高系统结构的存在概率。已经存在的系统结构减小不确定性能力与个体数量在相当程度上成负相关关系。减小不确定性能力差的系统结构只能通过增加个体数量来增加与资源和条件相遇的概率，进而提高系统结构的存在性。
减小不确定性的能力越强的系统结构越复杂、出现得越晚。

减小不确定性的关键在于系统能够对自然环境中的物理或化学量给出尽可能有利的反应。自然环境中的量宏观上是连续量，这些量的数量级跨度很大。受限于生物体本身的结构属性，系统结构对自然环境连续量的感知仅能够局限在较小的范围。越简单的系统对环境条件的感知范围越窄，复杂的系统则需要对更丰富、更大范围的量进行感知。

而复杂系统是由简单系统组成的，为了在最大的数量级跨度内对理化量进行感知，组成复杂系统的简单系统按照一定的敏感程度对不同数量级、不同类型的量或者其他简单系统进行感知。这样便能在极高的跨度和精度内感知到环境的理化量。

同时，这些理化量还具有时间和空间的特性，系统也有可能感知到这些特性。

简单系统可直接对感知范围内的量做出反应，复杂系统对不同的感知范围和简单系统做出反应。
复杂系统感知到的是不同层级、不同维度、不同时空尺度的量。这些不同的层级、维度和时空尺度都可以被视为“特征”或“状态”。“特征”或“状态”即复杂系统中的简单系统对量和时空尺度的特化反应。

复杂系统自身的的一些状态，也可被自身的高层感知子系统感知。



### 状态的建立与存储


### 自主决策————提升存在性的重要手段

#### 自主性的产生

#### 决策的能力


被测量:物理量[力 热 声 光 电] 化学量

时间尺度：周期、频率、规律、随时间的变化

空间尺度：位置、方向、位置关系

量尺度：动态范围、数量级、量的大小程度

#### 感知器的变化

增加与删除

感知范围、输出参数的变化及其条件的变化

#### 自主性的构建

单个神经元的自主性

神经元群的自主性

系统自主性:

在不同时空条件下对不同量的【期待】

量的时间、空间以及量程度间的规律性、关系、相关性及因果性

#### 期待

期待的产生条件与动机的生成

#### 期待生成器设计

原则：经济性与代价、信息熵及不确定行的降低、秩序性的提升、丰富性的提升、完整性的提升、健壮性的提升


<br>


## 视网膜拮抗特性模拟测试

### 测试1

输入图像1：

<img src="https://gitee.com/silentcr/robotBrain/raw/master/testMeterial/t0.png" width = "50%" height = "50%" alt="imgInput1" align=center />
<br><br>
拮抗输出_红绿：

| 红 | 绿 |
| :---: | :---: |
| ![imgOutput1](https://gitee.com/silentcr/robotBrain/raw/master/testMeterial/tt0_r.jpg "imgOutput1") | ![imgOutput1](https://gitee.com/silentcr/robotBrain/raw/master/testMeterial/tt0_g.jpg "imgOutput1") |

拮抗输出_黄蓝：
| 黄 | 蓝 |
| :---: | :---: |
| ![imgOutput1](https://gitee.com/silentcr/robotBrain/raw/master/testMeterial/tt0_y.jpg "imgOutput1") | ![imgOutput1](https://gitee.com/silentcr/robotBrain/raw/master/testMeterial/tt0_b.jpg "imgOutput1") |



### 测试2

输入图像2：

<img src="https://gitee.com/silentcr/robotBrain/raw/master/testMeterial/t1.jpg" width = "50%" height = "50%" alt="imgInput1" align=center />
<br><br>
拮抗输出_红绿：

| 红 | 绿 |
| :---: | :---: |
| ![imgOutput2](https://gitee.com/silentcr/robotBrain/raw/master/testMeterial/tt1_r.jpg "imgOutput2") | ![imgOutput2](https://gitee.com/silentcr/robotBrain/raw/master/testMeterial/tt1_g.jpg "imgOutput2") |

拮抗输出_黄蓝：
| 黄 | 蓝 |
| :---: | :---: |
| ![imgOutput2](https://gitee.com/silentcr/robotBrain/raw/master/testMeterial/tt1_y.jpg "imgOutput2") | ![imgOutput2](https://gitee.com/silentcr/robotBrain/raw/master/testMeterial/tt1_b.jpg "imgOutput2") |



### 测试3

输入图像3：

<img src="https://gitee.com/silentcr/robotBrain/raw/master/testMeterial/t2.jpg" width = "50%" height = "50%" alt="imgInput3" align=center />
<br><br>
拮抗输出_红绿：

| 红 | 绿 |
| :---: | :---: |
| ![imgOutput3](https://gitee.com/silentcr/robotBrain/raw/master/testMeterial/tt2_r.jpg "imgOutput3") | ![imgOutput3](https://gitee.com/silentcr/robotBrain/raw/master/testMeterial/tt2_g.jpg "imgOutput3") |

拮抗输出_黄蓝：
| 黄 | 蓝 |
| :---: | :---: |
| ![imgOutput3](https://gitee.com/silentcr/robotBrain/raw/master/testMeterial/tt2_y.jpg "imgOutput3") | ![imgOutput3](https://gitee.com/silentcr/robotBrain/raw/master/testMeterial/tt2_b.jpg "imgOutput3") |




## TODO List
- todo
    - 状态
        - 非马尔可夫过程的状态
        - 未知 -> 已知 // 随机 -> 不确定 -> 条件确定
        - 数字 -> 模拟，一维 -> 多维，
        - 分层状态空间，状态网，
        - 状态的本质 // 条件 // 函数 // 参数
    - 丰富性的表征（信息熵、信息量、其他方式）
        - 秩序性与复杂度的对立关系
        - 建立维持秩序性需要消耗能量，维持高度的秩序性需要消耗更多的能量/代价？
        - 而秩序性是降低不确定性的基础。因此不确定性程度降低得越多，需要消耗的能量/代价越大？
        - 自组织系统
        - 可重复，规律
- 生物神经系统的本质：信息系统（但非严格的统计过程）
    - 状态检测与识别(初始状态空间)
    - 状态调整：状态空间的改变
        - 调整策略：梯度下降、STDP、丰富度、不确定性减弱程度、代价
        - 已有架构的本质-人为设定状态规则： AlexNet；transformer；二维：卷积&池化； 一维：词向量;
        - 世界模型 & 非可微模型
    - 状态存储
    - 解释 描述 分析 执行
        - 从相关性中建立因果性，谓词逻辑
        - 独立与非独立性 -> 从有限的事件中猜想统计过程并修正
    - 冗余度与描述极限
    - 冗余度与可预测性//补全//恢复//联想//想象//完整性
- 状态空间的生成与特化特征
    - 分层状态空间、状态空间的层次精度
    - 层次越深、精度越高的特征越不容易建立，需要的条件越苛刻，建立之后越容易消失，维持它需要的代价越大。【赢者通吃-两极分化】
- 本能与自主性
    - 底层调控
    - 上层调控
    - 关键性本能功能结构
- 期待与预期
    - 冲突与情绪
- 特征的抽取和存储
    - 特征之间互为标签（判断条件）
    - STDP
- 状态的利用效率和清除机制
- 通用神经网络的评价方法——减小不确定性的能力
- 拓补结构