浅谈反射算法
浅谈反射算法反射算法，是我在截获算法网友提问大脑算法的提醒下认识到的一个问题。在此以前，我在“反射意味着什么？”一文中实际已经将反射作为一种大脑的算法来探讨。但是那时还没有把反射提高到大脑算法的这样的高度来认识。认识到反射是一种大脑的算法，认识到大脑的反射算法与计算机各种算法截然不同的区别，是我在最近的讨论中的一种重要的收获。
下面就向网友们用浅谈的方式，介绍一下我对反射算法的认识。
我们首先要解决的是，反射算法与反射机制、反射现象有什么联系和区别？
其次要解决的是，反射算法与计算机算法有什么截然的不同？
然后是讨论反射算法是如何完成各种运算功能的。
感兴趣，关注 先来看一看反射算法与反射机制、反射现象有什么联系和区别？
反射现象是由生物实验总结出的。最初是巴甫洛夫的条件反射实验，后来是斯金纳的工具性条件作用实验。然后又有缺省的工具性条件作用、多刺激反射等反射现象的揭示。反射现象基本是由反射的建立和反射的实现两个阶段完成。不同反射类型仅仅是由于建立反射的神经部位或个数的不同形成的。
反射机制是由反射现象总结出来的大脑机制。由于反射被定义为神经间的联系，反射机制也是可以由生物神经网络实验和相应理论推论出来的机制。反射机制确定了神经元间建立起反射链的联系，而反射链就是一个局部神经网络。因此整个神经网络，又可以描述为由反射链组成的网络。
反射算法，则是指依据反射机制的大脑处理信息的方式。其具体内容我们将在以后的浅谈中详细介绍。
由上述的三个概念的介绍中，我们可以看出，反射现象偏重于反射的过程。反射机制偏重于反射的结构。反射算法偏重于信息处理的方式。 我们下面再来看看反射算法与计算机算法有什么截然的不同？
计算机的所有算法，都建立在数据的传递的基础上。图灵机的纸带移动和读写头的移动，就是在进行数据传递工作，因此图灵定义的算法实际是在数据传递基础上的算法。目前计算机的主体模型——冯.诺伊曼型，也是用中心处理器和存储器件交流数据来执行算法的。
而反射算法则不需要传递数据，它仅仅传递传递神经元间的兴奋，就可以实现运算。由于人们太熟悉计算机的数据传输了，我们就必须从多个角度来为人们建立反射算法的结构思想。
我们先看一看，脑神经能否运用类似计算机的数据传输方式构建其结构。
我们知道，目前神经学已经能够证明神经元具有兴奋态和抑制态，因此这两种状态可以与计算机代码“０”和“１”相比。于是很多人便由此想象大脑一定会有与计算机类似的信息形式。但是人们想象得太简单了。
为什么呢？我们先假定人们想象的正确，那么会出现什么事情呢？稍有些计算机知识的人都会知道，一个具有双态的神经元，仅仅相当于计算机存储器的一位（bit），那么组成一个字节的信息，就要有八个神经元。目前计算机２５０Ｍ内存，就需要２０亿的神经元来组成。于是，按这个计算方法，目前的计算机不是不够模拟人脑，而是远远超过人脑。
更不用说，人脑没有类似计算机信息传输的总线，神经元们不能直接挂在总线上，而是要通过一些传输信息神经元来连接，来传输信息。传输信息的神经元要比存储信息的神经元多几倍到几十倍。如此，与２５０Ｍ内存相当的人脑，就需要几倍、几十倍于２０亿的神经元来组成。这种人脑结构显然是与事实不符的。
实际上，人脑的信息容量和处理能力，除去处理速度慢一些外，其它方面都是远远高于目前具有２５０Ｍ内存的电脑。要解释为什么人脑会优于电脑，则必须否定，人脑具有与电脑类似的信息表示结构。也就是说人脑的神经元，是利用与计算机截然不同的方式表示信息和传递信息的。 在突破计算机算法带来的思想瓶颈方面，人工神经网络理论是有着突出贡献的。我虽然多次批评人工神经网络是不可能实现模拟人类智能的。那是针对它的缺点而言。但是出于对科学负责的态度，我们也必须承认，人工神经网络理论在突破计算机算法瓶颈上的积极意义。
学习过人工神经网络理论的人们都会知道，在介绍了神经元和神经突触的基本性能后，如果按计算机算法考虑，也还会把神经元与门电路比较，把被阈值限定的神经信息与电脉冲比较，依此构建以后的理论。但是人工神经网络理论并没有这样做，它开始构建人工编造的神经网络模型。该理论在上世纪六七十年代，正是因为这种奇特的做法，受到人们的狠狠批判，也因此被冷落了二十多年。
人工神经网络的构建网络模型的做法，实际意味着它承认了，神经算法（真正的脑神经算法）不是以脉冲信号和门电路为基础的，而是以神经元的多向连接为基础的。这种接近“脑神经算法”的“人工神经网络算法”取得很大成功的原因，也就在于它的算法比计算机算法更接近大脑算法的实际。
在学习人工神经网络的初期，我也还持有计算机算法的传统思想方法，无法理解人工神经网络中训练的结果保存在哪里？依传统的计算机算法，一定要为训练结果的保存，专门构建一个神经网络模型，使它们像计算机的存储器一样。但是人工神经网络训练信息的保存就表现为权值的改变。而这个权值在神经网络中是不移动的。因此“人工神经网络算法”也是一种没有先取值再计算的算法。
但是，它的神经网络模型毕竟是人工编造的，有很多连接形式与大脑实际不符。而且在人工神经网络理论最出彩的地方，恰恰是它的败笔。那就是它引入了输入信号的函数，并给出了网络模型的传输方程。它在后面的精彩推证，获得计算机界和数学界的一片喝彩，完美、系统、逻辑、深奥、令人惊叹，等等赞扬声不绝于耳。但是因此它却从正确的起点走上万劫不复之路。
这是因为，智能体系，包括模拟人类智能体系（强人工智能）和人工智能体系（弱人工智能）都不会是一个形式逻辑体系。把人工神经网络理论沟造成完美的形式逻辑体系，大量的应同数学表达式，就使人工神经网络理论进入“哥德尔定理泥潭”，是它永远不可能摆脱哥德尔定理的阴影。这个阴影使它永远发展不出能够解释自身的智能体系。 （有错字重发）
在突破计算机算法带来的思想瓶颈方面，人工神经网络理论是有着突出贡献的。我虽然多次批评人工神经网络是不可能实现模拟人类智能的。那是针对它的缺点而言。但是出于对科学负责的态度，我们也必须承认，人工神经网络理论在突破计算机算法瓶颈上的积极意义。
学习过人工神经网络理论的人们都会知道，在介绍了神经元和神经突触的基本性能后，如果按计算机算法考虑，也还会把神经元与门电路比较，把被阈值限定的神经信息与电脉冲比较，依此构建以后的理论。但是人工神经网络理论并没有这样做，它开始构建人工编造的神经网络模型。该理论在上世纪六七十年代，正是因为这种奇特的做法，受到人们的狠狠批判，也因此被冷落了二十多年。
人工神经网络的构建网络模型的做法，实际意味着它承认了，神经算法（真正的脑神经算法）不是以脉冲信号和门电路为基础的，而是以神经元的多向连接为基础的。这种接近“脑神经算法”的“人工神经网络算法”取得很大成功的原因，也就在于它的算法比计算机算法更接近大脑算法的实际。
在学习人工神经网络的初期，我也还持有计算机算法的传统思想方法，无法理解人工神经网络中训练的结果保存在哪里？依传统的计算机算法，一定要为训练结果的保存，专门构建一个神经网络模型，使它们像计算机的存储器一样。但是人工神经网络训练信息的保存就表现为权值的改变。而这个权值在神经网络中是不移动的。因此“人工神经网络算法”也是一种没有先取值再计算的算法。
但是，它的神经网络模型毕竟是人工编造的，有很多连接形式与大脑实际不符。而且在人工神经网络理论最出彩的地方，恰恰是它的败笔。那就是它引入了输入信号的函数，并给出了网络模型的传输方程。它在后面的精彩推证，获得计算机界和数学界的一片喝彩，完美、系统、逻辑、深奥、令人惊叹，等等赞扬声不绝于耳。但是因此它却从正确的起点走上万劫不复之路。
这是因为，智能体系，包括模拟人类智能体系（强人工智能）和人工智能体系（弱人工智能）都不会是一个形式逻辑体系。把人工神经网络理论沟造成完美的形式逻辑体系，大量的应用数学表达式，就使人工神经网络理论进入“哥德尔定理泥潭”，使它永远不可能摆脱哥德尔定理的阴影。这个阴影使它永远发展不出能够解释自身的智能体系。 （接第7楼）
不过我们要感谢人工神经网络理论在算法上的突破。它的主要贡献就在于，它强调了神经元的连接形式的作用，给神经元间的联系以高度的重视。而不是死守作为计算机算法基础的“０”和“１”的信息编码形式，以及死守ＣＰＵ向存储器取值后再处理的计算方式。
虽然人工神经网络理论最后又皈依到传统数学的形式逻辑体系中，但是它的突破在引导人们对大脑算法的认识上是功不可没的。也许几十年以后，人工神经网络理论作为一种过时的东西，已经毫无价值，但是它在计算机科学史上的贡献是不会被人们忘记的！ 我们从人工神经网络理论，已经可以看到“脑神经算法”与“计算机算法”的截然不同之处。它不是靠信息向系统各个部位的传递来储备信息，也就不需要靠取值后再计算的方式进行计算。人工神经网络理论已经很重视网络的组成，即神经元如何联结为网络模型。也注意到网络联系中的某些东西就是信息编码，例如它用模拟神经元的权值改变表示训练的结果，也以此作为识别的依据。它已经用不可移动的权值表示某种信息。
但是人工神经网络毕竟不是真正的大脑神经网络，它受到人类对神经网络认识的限制，它也受到人类主观构造的神经网络模型的限制。因此人工神经网络理论还不能使自己的算法（人工神经网络算法）进一步接近“大脑神经算法”。
为人们更方便的理解“反射算法”，我们介绍一种与大脑神经算法更加接近的算法——群魔殿算法。
这个算法的名称是我给起的，它来源于心理学的认知群魔殿的假设。
“认知群魔殿”设想大脑里有一群认知小鬼，每个小鬼负责识别某一种特征，当需要识别的时候，信息被传递到小鬼们那里，各个小鬼以叫声表示对信息的认知，其中叫声最大的被确定。如果几个小鬼同时叫声最大，那么传入的信息就是有着几个小鬼负责认知的特征的组合信息。
应该说，认知群魔殿的假设，并不完全符合大脑的实际，因此现在人们较少提到它。但是认知群魔殿设想体现出的算法，与大脑的实际算法有些类似。
那么，“群魔殿算法”的特点是什么呢？它与计算机算法有什么本质的区别呢？
从算法的角度看，认知小鬼们负担保存数据并兼有计算的责任。它们负责识别的特征，就是它们负责保存的数据。它们对传入信息的反应（发出叫声）就是它们进行的计算。但这只是计算的头一步。由叫声最响，或多个叫声最响的组合确认输入信息，是计算的第二步。由这两步计算得出最后结果。
认知群魔殿与目前计算机结构上的区别之一是，它立足于一个并行处理体制。每一个认知小鬼都能够独立计算，并且可以同时进行计算。
它与目前计算机处理方式的最大区别在于，它是把输入信息“洒”向认知小鬼们，而不是把认知小鬼们保存的信息取值到中心处理器。也就是它的计算方式与计算机取值计算方式截然不同。它的保存数据在计算中是不移动的。在“群魔殿算法”的计算中移动的是被处理的信息。而计算机从图灵机开始，到目前结构的计算机，数据在处理中都是移动的。图灵机的读写头和无限长纸带，就是为了保证数据移动的设计。而目前计算机ＣＰＵ的寻址周期和读写指令的设置，也是为了保证数据的移动的。
“群魔殿算法”的不取值、不移动保存数据的方式，就是与计算机算法截然不同的方式。它用把输入信息“洒”向保存数据区域的方式，取代取值后计算的方式。 我们说“群魔殿算法”与大脑实际不符，因为它是假设了一种大脑中实际上不可能存在的机制——认知小鬼。它没有把认知小鬼与大脑实际的结构联系起来，也就是它没有用神经元间的联系，来解释大脑的结构。
“群魔殿算法”没有做到的事情，恰恰“人工神经网络算法”做到了。后者的基本思路就是强调神经元间的联系方式。而“人工神经网络算法”也刚好没有把信息“洒”向数据保存区，作为自己的信息处理方式。显然，把“群魔殿算法”的信息“洒”向数据保存区方的信息处理式与“人工神经网络算法”的神经元联系方式结合起来，就可能产生一种更接近大脑实际的算法。 写得很好，希望能看到进一步的分析
页:
[1]
2