EEPW论坛

第四章，如何实现可信可靠可解释的人工智能

（方案：以磁体浮力解决电线缠绕问题，重新设计三维芯片）

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。

    先谈第9节，再回过来谈第1节的用路由器模仿神经元。

第9节，解决固体与流体矛盾。

大脑骨骼是相对固态的，神经元所处的环境是液态的，便于突触游动、互连、删除。生命体内，是以固态物质作为框架，以流体传递物质、能量、信息。

人类发明的集成电路，电线是固定的，其中的电子是活动的，以活动的电子传递信息。作者的思路是，让固定的电线，也像神经元突触那样游动、互连、删除。

前面第1节，用路由器集群的接口线路太多，会造成电线缠绕。芯片上集成电路也需要解决电路短路、断路问题。电子设计自动化(英语:Electronic design automation,缩写:EDA)的一个重要任务就是解决布线问题。数学中图论的路覆盖理论，提供了一种指导解决固定线路短路、断路问题的理论。作者没有研究过图论路覆盖理论，并不打算以路覆盖理论解决电线缠绕问题。

作者引用固体——流体理论，以模仿神经元突触末梢游动、互连、删除的方式，解决电路短路、断路问题，即解决电线缠绕问题。

所以，实现三维芯片的方案，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，以此材料为基础的技术就可以解决三维芯片无数连线、无数开关问题。

这种便宜的材料，在现实中早已经存在。本节会讨论该便宜材料的使用方法。

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，有利于将来向太空进发。现阶段，还是以地球重力环境下讨论此材料如何解决电线缠绕问题。

这种材料就是常见的磁体。磁体发出磁力，可以克服地球重力，并引导连线模仿神经元突触的连接，即线路接头套上磁头，以可控磁力控制接头连接或脱离接触。这可以称为磁控接头移动技术（轼辙结合技术，轼相当于固定线路，辙相当于游动线路）。

但磁力与电路中电流会互相影响，磁力对其它元器件也有影响，所以必须屏蔽或增大间隔，或者将来采用对磁力不敏感的光计算芯片。

现在的芯片，连线已经太多太复杂，且连线是固定的，只有连线中电子是流动的。

集成电路的发展方向，除了微型化方向，还可以在固体——流体理论指导下，模仿神经元间可活动的、可删除的突触连接方式，让电路间连接可活动、可删除。

这是20世纪70年代芯片，电路远没有21世纪芯片复杂。

这是21世纪初计算机芯片。

这是当今芯片的模拟图，连线非常多。

     现阶段，还无法实现芯片内部叠层间连线游动、互连、删除。芯片内部叠层连线接头可移动，这是将来长远目标。

再看一张形象图。这是英伟达发布会对GPU的示例。

但可以尝试，在芯片群之间采用磁控接头移动技术（轼辙结合技术，轼相当于固定线路，辙相当于游动线路）。

CPU、GPU、NPU之间连线，可以尝试采用磁控接头移动技术（轼辙结合技术，轼相当于固定线路，辙相当于游动线路），从而在硬件方面模仿神经元间可活动的、可删除的突触连接。

磁控接头移动技术（轼辙结合技术），是怎样的呢？大家在生活中是常见到的。

这几张图，即演示了磁控接头移动技术（轼辙结合技术）。

磁控接头移动技术（轼辙结合技术），可以实现磁平面无接触的平移、升降。

电线接头套在磁平面上，接头随磁平面移动。而指挥控制磁平面的，又是接头所连的芯片。

先把芯片整体当做一个神经元胞体，芯片外连电路就像突触，接头就像突触末梢。而磁平面受控于芯片，芯片指挥磁平面带着接头，模仿突触的移动、接触或脱离。

将来，在芯片内部，尝试在叠层间连线采用磁控接头移动技术（轼辙结合技术），以解决芯片内部线路缠绕问题。

磁控接头移动技术（轼辙结合技术），其技术的缺点是非常明显的，即接头移动速度非常慢，远远不如固定连线开关。而且，变化的磁力会影响各种元器件运行，必须留出足够隔离空间，这会大大增加电路板体积（将来，对磁力不敏感的光计算芯片成熟后，可以降低电路板体积）。

如果是为了数值计算，传输数据的连线尽可能是固定的，固定的连线才能传输大数据。

而另一类需求，即为了在硬件层面模仿神经元集群，则芯片间连线可以先尝试用磁控接头移动技术（轼辙结合技术）。机柜的空间较大，可以容纳大体积的电路板，电路板上芯片间距可以放得很大，以安装磁体定子、磁平面动子等元器件。

这类模仿神经元集群的芯片群组，其传输的数据格式，可以模仿TCP/IP数据格式，即前几位是芯片地址。同时不完全照搬TCP/IP数据格式，而是有改动，即改为可读写应用层数据包内容。

上一节，用路由器模仿神经元时，路由器不会读写应用层数据，路由器就像信使，没有必要让信使读写信件内容。路由器间的学习，是互相学习路由表，并计算路由途径。这是路由器间的自学习、自组织。

而芯片群，既可以通过交换路由表而学习和组织起来（读写TCP/IP数据标头），又通过交换其它数据如数值、函数、图形而学习和组织起来（读写TCP/IP应用层数据包），还能模仿神经元集群用连线实现分解、构建三维音画、抽像、记忆、联想、复杂推理 等功能。

至此，在序列-结构-运动-功能的理论体系里，作者探讨了现有芯片的两大瓶颈。一个是结构上瓶颈，摩尔定律逐渐失效，集成电路很难再微型化，于是芯片逐渐朝3D方向发展，不断堆叠，堆叠导致了电路连线复杂，极易缠绕。作者提出，利用磁控接头移动技术（轼辙结合技术）解决电路连线缠绕问题。磁控的连线接头，模仿突触末梢，可移动、可互连、可脱离、可删除。芯片之间数据结构，模仿TCP/IP协议，加上地址头，可寻址。

第二个功能上的瓶颈，现有人工智能技术大多是改进函数，通过纯算法虚拟搭建仿神经元突触式连接。导致功能的瓶颈的原因，除了芯片结构的原因，就是芯片内部连线、芯片外部连线是固定的。

作者提出，利用磁控接头移动技术（轼辙结合技术）从硬件芯片上真实搭建仿神经元突触式连接。磁控的连线接头，模仿突触末梢，可移动、可互连、可脱离、可删除。芯片通过自学习、自组织，实现正负反馈、自动修正，以及分解、构建三维音画、抽像、记忆、联想、复杂推理 等功能。

磁控接头移动技术（轼辙结合技术），既解决了电路连线缠绕问题，又模仿了神经元突触式连接，在结构-运动-功能三个层次都改进了现有计算机硬件，为计算机软件开发提供了更高层次的硬件基础。

结构-运动-功能三个层次要得到改进，前提是EDA在设计人工智能类脑芯片时，就把磁控接头移动技术（轼辙结合技术）运用于解决电线通道缠绕问题。

但读者可能会提问，在当今移动互联网发达的社会，是否可以把数据中心的服务器、路由器比作神经元胞体，是否可以把移动终端比作突触末梢？为何移动互联网没有“觉醒”成恐怖的天网？

作者完全认同以上形象的比方，并相信将来移动互联网会“觉醒”出智能。

但是，前提是做出两个改变。第一个改变是，服务器、路由器必须能读写TCP/IP数据，从标头到数据包。第二个改变是，服务器、路由器能指挥所有通讯节点间的物理接触或脱离，而现在的通讯节点间物理接触或脱离都是由人手动实现的，并且配IP地址这活儿几乎也是手动输入。下一章，作者将继续探讨这个问题。

倒叙完了，先谈了第9节，再回到第1节。

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，从用一维CPU改为用二维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。导致缠绕的根本原因是，流体与固体的区别。作者找到了解决方法，读者可以在研究中使用，这是下一节探讨的内容。

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，可以模仿胞体与突触……

以识别数字6为例，探讨如何用路由器模仿神经元。

上图示例，从一张图片中提取数字，现有技术不模仿神经元集群，就能轻松完成了。

第一步，检测有数字的地方，也就是确定数字的x轴y轴位置，这第一步，现有摄像头技术已经可以检测了。眼睛的聚焦，是靠神经元集群来实现的。本书虽然尝试用路由器模仿神经元，但是聚焦功能，不是本节讨论的重点，在此，就用摄像头技术来聚焦了。

第二步，把待识别数字旋转，也就是以z轴旋转，这第二步也是现有摄像头技术可以完成的。人或动物，是由神经元集群指挥头部偏转以旋转眼睛的。为了简化，在此，就用摄像头技术来聚焦了。

以上步骤，是现有技术可以实现的，可以用摄像头聚焦后数字后，再把像素投射到路由器集群上，路由器集群再汇总缩微成 标准日字型数字。

神经元群实现聚焦、旋转，缺点慢。

摄像头搭配芯片来实现聚焦、旋转，优点快。

读者会疑惑，既然速度慢了，为何多此一举？作者这里想表的是，路由器集群可以模仿神经元集群。

第三步，缩放待识别数字。这步用路由器的汇总路由表功能，即可实现。汇总功能，相当于神经元集群的抽象功能，简化了图形。

以下这几步，是一个生成路由表的逆过程。

路由器接口越多，越能接收更多邻居路由器的路由表。接口是双向传输路由表，既能当入口，又能当出口。

熟悉路由协议的读者，有比作者更好的方案以识别数字。作者在此提出自己的具体步骤，

第一步，路由器判断自己是在起始点q还是经过点j还是末端点d，判断依据是8个接口打开了几个，路由表传输的方向。

如果路由器只有一个接口打开 且没有接收到路由表，则认为自身是起始点d，接口为出口，那就从出口发出<路由表> 并等待回复

如果路由器有二个接口打开，则认为自身是经过点d。d路由器把自身打开的两个口填到<路由表>里，并从出口传递给邻居路由器。

如果路由器有三个接口打开，则认为自身是经过点d且还是环的末端点d，那就检查自身是否已在<路由表>里，如果不在表里就添加到表里，并从出口传递给邻居;如果自身已在<路由表>里，则从第一个入口传出<图形表>。根据这三个接口方向，以及回传图形表，可以判断是弯、还是环。

第四步，<路由表>被传回到起始点d路由器，作为学习的结果，即结论是数字几。

    这样的学习，是模拟神经元集群的连接。

学习后，对新输入的待判断的图形，反向比较起始点q、经过点j、末端点d是否相似。比较是否相似，在神经元集群里就是神经元是否被连接并传输递质。路由器比较是否相似，可以用大规模集群模仿神经元集群，但本案例里路由器数量很少，只能借助通用计算机的算法。（算法很多，比如，先把上下左右四方命名为北南东西，再把图形最大化分解原则，能分解成环的就不分解为弯，以此类推，环>弯>竖>横。）

通用计算机根据<路由表>，判断图形与数字几相似后，标注出结论，给出<判断依据>，并把<判断依据>和结论加入TCP/IP应用层数据包 发给起始路由器，起始路由器再泛洪发给其它路由器，这就是规则的形成与传播（路由器不能读取TCP/IP应用层数据包，只能由通用计算机读写数据包）。该规则是路由器自身制定、传播修改的，这就是“自组织、自学习”。整个过程体现了正负反馈、自动修正。

读者会有很大疑问，以上过程，增加了路由器集群硬件，比单独的一台通用计算机麻烦，速度又慢。据了解，谷歌的图片****，通过大量样本学习，已经可以识别大部分街景里门牌号了，也识别能其它图片。而且，用模拟器模拟路由器时，也是调用的通用计算机，这与抛开路由器，直接使用函数算法配上通用计算机，有何区别？

以上的比较相似性，是不需要大量样本的，甚至可以只需一个样本即可完成学习。

以上的日文，只需看几遍，人脑即可学会辨识其手写体。作者相信，路由器集群也只需看几遍，即可学会辨识其手写体。  

这就是模仿神经元集群的学习，少量样本，或者只有一个样本，即可完成学习。甚至，样本不齐整，路由器集群也可以模仿神经元集群，也实现联想、想象、推理功能。不仅如此，路由器集群也能理解这些图片的含义。

虽然，现在有很多函数算法配上通用计算机，通过大量样本学习，能够识别手写数字了，但是依据这些算法理解图片真正含义，有很大难度。更进一步的，若用这些函数算法理配上通用计算机，即使读取大量样本数据，依然在区别猫狗、理解道路标志意义、指导自动驾驶、理解语义、揣摩心理等等方面，没有突破性进展。

特别是学习驾驶技术方面，王垠（www.yinwang.org）说得非常好，成年人几个小时就能学会驾驶，避障、识别道路标志等简直是轻而易举。但计算机吞入了大量数据，依然不明白何为驾驶、避障、识图。

用路由器集群模拟神经元集群，是区别于函数算法配一维CPU二维GPU虚拟化连接神经元，另一条真实物理连接神经元的方式。

每个路由器都可以生成路由表，相当于一个神经元。而生成这么多路由表，怎么传递，怎么终止，是各个路由器互相学习过程、互相取舍的过程，这就相当于神经元集群互相触发的过程、互相抑制的过程。

在作者有限的认知里，这就体现用路由器集群的好处：简单的分解式学习、屈指可数的样本数据、很弱的计算力、低能耗，通过路由器之间正负反馈、自动修正，就能实现避障、识图，配上足够多路由器就能实现语义理解。

这是中心计算模式，与分布式计算模式的区别。

现在CPU、GPU在勉强模仿神经元集群，意图实现真正智能，但其实还主要应用于看图说话等等 不影响安全的领域，如智能音箱。即使预测蛋白质序列，也是用计算机的数值计算功能，而不是理解蛋白质序列的意义。

而路由器集群，模仿神经元集群，应该比CPU或GPU干得好得多。

因为，已有实践已经确认，在并行计算方面，CPU不如GPU。

现在，作者提出把路由器集群代替GPU，扩展GPU里每个计算单元的能力，赋予每个GPU单元一套路由算法。

虽然单个路由器里小小的芯片计算力很弱，但路由器集群在互相学习、互相取舍，这个学习、取舍过程，才是作者以前文章里说的“正负双向反馈、自动调整过程”。

用复杂系统学来解释，就是路由器集群有了“自学习、自组织”能力。而“自学习、自组织”能力，是集群实现智能的关键步骤，鸟群、蚁群、人群都是“自学习、自组织”的非中心计算形态。这与基于中心大CPU计算的形态，完全不同。

复杂系统论理论，是个大理论。

复杂系统论认为，集群会涌现出更高层次事物。鸟群、蚁群、黏菌，涌现出的智能，是无法用单个个体解释的。用路由器集群模仿神经元集群，也是一条实现人工智能的可行之路。用函数算法配上通用计算机，之所以在语义理解、自动驾驶方面所遇到的瓶颈，就是因为其不采用集群而是盲目的扩大算力、读取大量数据、只用函数解题造成的。

作者认为，只要认准一点，在实践中已经证明，并行计算的GPU，比中心计算的CPU，更适合模仿神经元集群来实现人工智能即可。

所以，作者认为，在发展并行计算方面，在模仿神经元实现人工智能方面，大CPU<<GPU<<路由器集群。

（致读者，有愿意一起写的吗？

）

第2节，  模仿神经元集群的机制：投****机制（待续）

问答，加15983338666

第3节，模仿神经元集群的机制：补全机制（待续）

第4节，模仿神经元集群的机制：删除机制（待续）

第5节，模仿神经元集群的机制：联想机制（待续）

第6节，模仿神经元集群的机制：想象机制（待续）

第7节，模仿神经元集群的机制：推理机制（待续）

第8节，模仿神经元集群的机制：其它机制（待续）

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：三维重构

第2节，模仿神经元集群的机制：投****机制

第3节，模仿神经元集群的机制：补全机制

第4节，模仿神经元集群的机制：删除机制

第5节，模仿神经元集群的机制：联想机制

第6节，模仿神经元集群的机制：想象机制

第7节，模仿神经元集群的机制：推理机制

第8节，模仿神经元集群的机制：其它机制

第9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