http://www.penglixun.com/tech/ai/why_humans_can_thinking.html
人为何会思考？
本文内容遵从CC版权协议, 可以随意转载,
但必须以超链接形式标明文章原始出处和作者信息及版权声明
网址: http://www.penglixun.com/tech/ai/why_humans_can_thinking.html
我喜欢有想法就记下来方便需要的时候用，以下只是个人看法，不一定正确。
尽信书不如无书，何况我还只是个人。
人是如何思考的这个问题是我一直在思考的问题，换句话说我一直在思考我为何会思考(递归……)，我想最近我可能有点明白了~
自然界的任何问题，包括人类大脑运算的问题应该都可以分为两种互相联系的问题——聚类和分类。科学实际也即是在把混沌无序的自然规律聚类为数学、物理、化学等学科，同时对发现的新问题分类到一个学科之中，每个学科之中又是在把混沌无规律的现象聚类成一个个的定理，NB的科学家又不断的将不同的分类再次聚类到一起，科学的目标就是将所有问题聚类成一类，所有已知或者未知问题都能在人类定义的一个多维空间内用多维特征描述。
每个自然界的问题我觉得都可以看成一个N维向量，当然N应该是非常大的，大到我们不可想象，但一定是有上限的。原则上这些点应该分布在一个N-1维或者维数更高的空间内（为什么我后面再写），人类一开始看到的是分布在一个M维中的毫无规律的点，这个M应该是远远小于N的，人类的认知在原始状态是很有限的。然后一开始一些很明显的聚类现象被发现，就形成了人类最早的认知。
科学家的作用就是将更多的已知问题聚类到一个类别中，然后发现还有一些问题无法被分类到任何一个聚类之中（既是无法用任何已知的科学理论去解释），于是爱因斯坦式的大师就出现了，他们将人类的认知拓展了一个或者多个维度，使一些在M维混沌的点到了M+L维的空间中可分了，于是原来在M维线性不可分的问题可以在M+L维线性可分，因而有些点可以在M+L维形成新的聚类，于是科学又统一了一步，人类的思维又拓展了L维。
例如我们将一个2维空间的点(x1,x2)通过一个确定的变换(x1^2,x2^2,sqrt(2)*x1*x2)到了2维空间，你会发现原来2维空间中无法线性分类的点到了3维空间却是线性可分的了！
对于任意维度是不是也有这个结论了，答案是肯定的！只要N-1维或者更高维度一定可以有一个变换函数使在原来小于N-1维的空间内线性不可分的点到了N-1维全部线性可分！！！
于是原来的原因就可以回答了，人类为何会思考？因为人类的大脑神经元足够多，到了可以表示巨大的维度，当然这个维度不是说视觉维度，视觉人类只能感觉三维，我说的是思维维度，就是能接收多复杂的事物特征。我们看事物其实实在看特征，大脑的神经网络会运算这些这些特征，最后获得一个输出，把这些特征分类到某个已知聚类，如果分类玩不成，那么这个问题人类不可理解，必须有个新的聚类（即新的理论）出现人类才可理解！
总有人问为什么非得线性可分，这个问题就需要看神经网络的决策原则了，下面开始讲，这里可以稍微提一下，不管是人的神经网络还是计算机的人工神经网络，本质上都是一个A维输入B维输出的函数，函数自然是线性的，多个X可以对应一个Y，但是多个Y不能对应同一个X，换句话说不同的问题可以归为一个学科，例如1+1，2+2都是数学问题，但是多个学科不能归为同一个问题，例如化学和人文就不能归为同一问题，如果可以就可以再次聚类为一个新的学科，那么这个问题又消失了，所以人要能识别一个问题必须这个问题在多维空间内线性可分。
那么神经网络又是何种东西？人类的神经网络就是一些细胞核和突触组成，细胞核其实就可以看成是一个“加法器”，将突触传进来的信号进行运算，原则上这个“加法器”在完全一样的状态下相同的输入应该是输出相同的东西，然后输出一个状态由神经末梢传到另一个神经元。
人工神经网络就是模拟这个过程，输入层接收输入进来的特征，由若干个隐藏层进行各种权值叠加运算，每个连接线都有一个权值，神经元的状态输出等于状态输出乘以边的权值，然后在输出层得到最后结果的信号。
整个神经网络实际上就是一个函数，将N个输入经过隐藏层运算得到一个M维输出。可以证明，只要隐藏层的神经元数量足够多，那么这个神经网络可以正确的分类任何问题！
这就回到了我们上面的问题，因为人脑的神经元数量非常庞大，大约10亿多，所以人脑可以分类维数非常高的问题，但是没有多少人能完全开发大脑，所以认知总是受限，很多并不是非常混沌的状态却无法区分。
人类的学习过程其实是训练神经网络的权值将其适应我们学习的问题，人脑的神经网络就是完全互联的状态，输出端会跟输入端相连，输出端的解是否与外部世界给出的正确答案相符会再次传递到输入层让神经网络改变自己的权值，所以做一个问题很多的时候，就能对一个问题形成很好的适应性，所谓的天才不过是神经网络的权值正好对于某类问题有很好的聚分类效果，仅此而已，只要我们能更多的开发输入维数，那么必然可以得到更好的分类输出！
有人会有疑问，为什么人脑的运算速度比计算机慢，人脑的神经网络却比计算机的人工神经网络效率高得多？这本身就有个错误，人脑是通过化学反应运算这个速度比计算机快得多！人脑的运算周期是10^-9秒，计算机需要10^-4秒。虽然计算机能在1秒内执行很多条指令，这些指令让神经元运算可能要慢上百万倍，但是人脑的神经元有更多的补偿，它的信号传递是并行的，而计算机的人工神经网络是串行的，人脑的每个神经元都可以处理自己的信号，但是人工智能神经网络却要考CPU来一个个处理每个神经元的信号，所以即使现在的计算机再快100万倍，大脑实际做事的效率还是要块10万倍。
于是，想靠半导体来实现强人工智能只能是个美好的愿望，人类想要实现强人工智能，想通过图灵测试，就必须开发新的处理器，发明新的材料，使计算机能容纳跟人脑一样多的最小运算单元，每个最小运算单元都能同时并行运算，并且能达到大脑化学反应的速度，这样强人工智能才能实现。
不过最近已经看到生物芯片的试验效果了，参数基本上能达到要求，尤其是反应速度， 数亿DNA几乎不耗时就反应完了，而且DNA也足够小，反应都是并行的，一一配对，也许以后的计算机就是DNA当芯片材料了，运行消耗的是酶和DNA而不是电了，也许以后的计算机是4进制也说不定。
嗯，就这么多，写完了。
总结：
1.人脑神经网络与人工神经网络在逻辑上是等价的。
2.整个世界与一个多维空间是逻辑等价的。
3.任何问题与多维空间中的一个点是逻辑等价的。
4.N个点在N-1维或者更高的维度内一定可以找到一个转换函数使其转换到新的维度后线性可分。
5.人类思考问题与在多维空间中找一个线性可分的聚类是逻辑等价的。
6.人类实现强人工智能是可以完成的！
网址: http://www.penglixun.com/tech/ai/why_humans_can_thinking.html
我喜欢有想法就记下来方便需要的时候用，以下只是个人看法，不一定正确。
尽信书不如无书，何况我还只是个人。
人是如何思考的这个问题是我一直在思考的问题，换句话说我一直在思考我为何会思考(递归……)，我想最近我可能有点明白了~
自然界的任何问题，包括人类大脑运算的问题应该都可以分为两种互相联系的问题——聚类和分类。科学实际也即是在把混沌无序的自然规律聚类为数学、物理、化学等学科，同时对发现的新问题分类到一个学科之中，每个学科之中又是在把混沌无规律的现象聚类成一个个的定理，NB的科学家又不断的将不同的分类再次聚类到一起，科学的目标就是将所有问题聚类成一类，所有已知或者未知问题都能在人类定义的一个多维空间内用多维特征描述。
每个自然界的问题我觉得都可以看成一个N维向量，当然N应该是非常大的，大到我们不可想象，但一定是有上限的。原则上这些点应该分布在一个N-1维或者维数更高的空间内（为什么我后面再写），人类一开始看到的是分布在一个M维中的毫无规律的点，这个M应该是远远小于N的，人类的认知在原始状态是很有限的。然后一开始一些很明显的聚类现象被发现，就形成了人类最早的认知。
科学家的作用就是将更多的已知问题聚类到一个类别中，然后发现还有一些问题无法被分类到任何一个聚类之中（既是无法用任何已知的科学理论去解释），于是爱因斯坦式的大师就出现了，他们将人类的认知拓展了一个或者多个维度，使一些在M维混沌的点到了M+L维的空间中可分了，于是原来在M维线性不可分的问题可以在M+L维线性可分，因而有些点可以在M+L维形成新的聚类，于是科学又统一了一步，人类的思维又拓展了L维。
例如我们将一个2维空间的点(x1,x2)通过一个确定的变换(x1^2,x2^2,sqrt(2)*x1*x2)到了2维空间，你会发现原来2维空间中无法线性分类的点到了3维空间却是线性可分的了！
对于任意维度是不是也有这个结论了，答案是肯定的！只要N-1维或者更高维度一定可以有一个变换函数使在原来小于N-1维的空间内线性不可分的点到了N-1维全部线性可分！！！
于是原来的原因就可以回答了，人类为何会思考？因为人类的大脑神经元足够多，到了可以表示巨大的维度，当然这个维度不是说视觉维度，视觉人类只能感觉三维，我说的是思维维度，就是能接收多复杂的事物特征。我们看事物其实实在看特征，大脑的神经网络会运算这些这些特征，最后获得一个输出，把这些特征分类到某个已知聚类，如果分类玩不成，那么这个问题人类不可理解，必须有个新的聚类（即新的理论）出现人类才可理解！
总有人问为什么非得线性可分，这个问题就需要看神经网络的决策原则了，下面开始讲，这里可以稍微提一下，不管是人的神经网络还是计算机的人工神经网络，本质上都是一个A维输入B维输出的函数，函数自然是线性的，多个X可以对应一个Y，但是多个Y不能对应同一个X，换句话说不同的问题可以归为一个学科，例如1+1，2+2都是数学问题，但是多个学科不能归为同一个问题，例如化学和人文就不能归为同一问题，如果可以就可以再次聚类为一个新的学科，那么这个问题又消失了，所以人要能识别一个问题必须这个问题在多维空间内线性可分。
那么神经网络又是何种东西？人类的神经网络就是一些细胞核和突触组成，细胞核其实就可以看成是一个“加法器”，将突触传进来的信号进行运算，原则上这个“加法器”在完全一样的状态下相同的输入应该是输出相同的东西，然后输出一个状态由神经末梢传到另一个神经元。
人工神经网络就是模拟这个过程，输入层接收输入进来的特征，由若干个隐藏层进行各种权值叠加运算，每个连接线都有一个权值，神经元的状态输出等于状态输出乘以边的权值，然后在输出层得到最后结果的信号。
整个神经网络实际上就是一个函数，将N个输入经过隐藏层运算得到一个M维输出。可以证明，只要隐藏层的神经元数量足够多，那么这个神经网络可以正确的分类任何问题！
这就回到了我们上面的问题，因为人脑的神经元数量非常庞大，大约10亿多，所以人脑可以分类维数非常高的问题，但是没有多少人能完全开发大脑，所以认知总是受限，很多并不是非常混沌的状态却无法区分。
人类的学习过程其实是训练神经网络的权值将其适应我们学习的问题，人脑的神经网络就是完全互联的状态，输出端会跟输入端相连，输出端的解是否与外部世界给出的正确答案相符会再次传递到输入层让神经网络改变自己的权值，所以做一个问题很多的时候，就能对一个问题形成很好的适应性，所谓的天才不过是神经网络的权值正好对于某类问题有很好的聚分类效果，仅此而已，只要我们能更多的开发输入维数，那么必然可以得到更好的分类输出！
有人会有疑问，为什么人脑的运算速度比计算机慢，人脑的神经网络却比计算机的人工神经网络效率高得多？这本身就有个错误，人脑是通过化学反应运算这个速度比计算机快得多！人脑的运算周期是10^-9秒，计算机需要10^-4秒。虽然计算机能在1秒内执行很多条指令，这些指令让神经元运算可能要慢上百万倍，但是人脑的神经元有更多的补偿，它的信号传递是并行的，而计算机的人工神经网络是串行的，人脑的每个神经元都可以处理自己的信号，但是人工智能神经网络却要考CPU来一个个处理每个神经元的信号，所以即使现在的计算机再快100万倍，大脑实际做事的效率还是要块10万倍。
于是，想靠半导体来实现强人工智能只能是个美好的愿望，人类想要实现强人工智能，想通过图灵测试，就必须开发新的处理器，发明新的材料，使计算机能容纳跟人脑一样多的最小运算单元，每个最小运算单元都能同时并行运算，并且能达到大脑化学反应的速度，这样强人工智能才能实现。
不过最近已经看到生物芯片的试验效果了，参数基本上能达到要求，尤其是反应速度， 数亿DNA几乎不耗时就反应完了，而且DNA也足够小，反应都是并行的，一一配对，也许以后的计算机就是DNA当芯片材料了，运行消耗的是酶和DNA而不是电了，也许以后的计算机是4进制也说不定。
嗯，就这么多，写完了。
总结：
1.人脑神经网络与人工神经网络在逻辑上是等价的。
2.整个世界与一个多维空间是逻辑等价的。
3.任何问题与多维空间中的一个点是逻辑等价的。
4.N个点在N-1维或者更高的维度内一定可以找到一个转换函数使其转换到新的维度后线性可分。
5.人类思考问题与在多维空间中找一个线性可分的聚类是逻辑等价的。
6.人类实现强人工智能是可以完成的！
