最近关于智能实现一些零碎的想法

 

1. 计算机视觉现在有种回归80年代研究思路的趋势。那时候由于计算机硬件限制而不能实现的想法现在完全可以实现了

 

2. 智能识别的实现模型应该就是层级贝叶斯网络了，现在的问题就是怎么解决这个网络的优化问题，也就是怎样从一个NPhard问题变成一个有限可能的问题。按照人学习的模式的话，应该是种分层优化，每层的优化都需要通过下层的前馈跟上层的反馈来减少可能的假设，从而把prior限定在有限的范围之内。

 

3. 从认知学的角度，假设我们的neocortex是个层级贝叶斯网的话，我们应该需要花2到5年完成这个网络的参数优化，因为一般在5岁之前我们都是无法有序组织我们的记忆的。

 

4. 智能识别的前提是要有一个奖励反馈系统，智能体的实现也需要这么一个前提。没有这个奖励反馈系统，贝叶斯网络完全没有优化的方向

 

5. 如果层级贝叶斯网络的假设成立的话，那这种结构完全可以利用现有半导体技术在芯片上实现，而且最高效的layout应该就是输入在中间，中级甚至高级区域在外围分布。而视觉皮层的layout正符合这么一个分布：V1在中间，V2在V1外面围了一圈，其他更高级的区域由于需要面积比较小在外围零散分布，而且从识别的功能上，优化成了where跟what两个分支

 

6. 丘脑是新皮层的控制器，没有丘脑的控制，新皮层这个智能识别系统无法有序运作。这也就是为什么大规模计算神经电路仿真无法实现我们想要的结果。因为没有控制器，我们仿真出来的只能是瘫痪时候或者是癫痫时候的大脑。而小规模计算神经电路之所以能有结果(类似脑电波的神经元群体活动，声音识别，简单的序列预测)就是因为这种电路容易控制

 

7. 按照朱松纯的观点，单纯从discriminative的角度做视觉那就是神农尝百草，可以出结果，但也许需要上百年的经验积累才能出无限种知其然不知其所以然的药方。单纯从generative的角度做，那就是个NPhard无限种可能的问题。两者结合，才是可行的方法。就好像西医现在仍能从中医中借鉴一样，discriminative方面的研究所积累的宝贵经验也可以成为智能识别最终大一统模型实现的依据。