回复：浅谈反射算法

作者： 203.187.180.* 2007-3-5 17:52 
简化？说得轻巧，问题的关键就在这里！怎么简化？
----------------------------------------------------------------
 你最好睁开眼睛把我的帖子好好看看。这里的简化与我的“说”无关，它是因为视传输神经元的数量远远少于视神经的数量，由大脑神经网络产生的自然简化。是大脑神经结构的自然效果。
 看来你的大脑神经结构更成问题，看帖子的过程也会发生这种自然简化。

我们还要回忆一下后天性反射的建立过程。后天性反射是一些神经部位同时受到刺激产生兴奋后，它们之间建立起的联系。生物神经网络理论指出，这些联系是由神经元的神经突触建立的。
 完整的反射要经历两个主要过程，一个是反射的建立，即多次同时产生兴奋后神经元间联系的建立过程。另一个是反射的实现，即反射建立后，部分刺激出现引起有联系的神经元同时兴奋的过程。此外还有两个次要过程。一个是反射的巩固过程，即反射所需的刺激要多次出现，使反射得到巩固。另一个是反射的退化过程，一个已经建立反射的反射链，如果不进行巩固，其神经元间的联系就会消失。
 由上面的过程看，反射的建立条件比较简单，只需要刺激和兴奋。刺激是神经元外产生的，兴奋是神经元自身产生的。当一个神经元产生兴奋后，它的兴奋也可以看成是刺激，作用与其它神经元，从而引起其它神经元的兴奋。因此，神经网络间传递的信息，仅仅是神经元的兴奋信息。只有那些外部（或内部）的感觉器官才真正接受刺激。
 我们前面已经说过，大脑不能把神经元的兴奋编写成类似计算机的串行数据码，因此脑神经网络只能依靠反射（即神经元间的联系）来表示信息。我们在前四段举了一个眼睛看到斜直线的例子。脑神经网络不能像计算机图像处理那样，把斜直线变成图像文件，然后用串行文件数据把斜直线在大脑里传来传去。表示斜直线的信息编码就是那几个感受斜直线的光的视神经间的反射链，这是简单信息的编码方式。但是这种信息编码是不能够移动的。
 更复杂一些的信息由更复杂的反射链来编码。例如，“狗看到食物就分泌唾液”这条信息，是比一条斜直线更复杂的信息。它是由看到食物功能、分泌唾液功能与神经部位联系共同表示的，而这两种功能在大脑中不是信息，而是具体功能。因此由反射组成的大脑信息编码，是由大脑功能和神经部位间联系共同表示的。
 同眼睛看到的斜直线信息一样，狗看到食物就分泌唾液也是不能移动的数据。但是根据我们上一段所讨论的脑神经信息简化传递的原理，这些信息都可以用简化的方式向大脑传递。
 例如，接受“斜直线”光感的视神经们，可以在简化传递中与一个内部神经元建立反射（假设），那么当斜直线再次出现时，内部的那个神经元也会随之兴奋。这样，那个内部神经元的兴奋，就代替了那条斜直线。
 再例如，“看到食物”也是由一些视神经元间反射完成的工作，它也可以在简化的传输中与一个神经元建立联系（反射），从而这个神经元的兴奋便代替了“看到食物”。而“分泌唾液”也是由一些神经元共同完成的工作，它也可以在简化传输中与一个神经元建立联系（反射），从而使这个神经元代表了“分泌唾液”。然后，这两个分别代表“看到食物”和“分泌唾液”的神经元间再建立反射，它就是“看到食物就分泌唾液”这条信息。
 通过以上两个例子，人们可以对“反射表示信息”有一个感性的认识。
 这些信息也可以看成是脑神经网络中的数据，但是这样的数据同样是不能移动的。

你最好睁开眼睛把我的帖子好好看看。这里的简化与我的“说”无关，它是因为视传输神经元的数量远远少于视神经的数量，由大脑神经网络产生的自然简化。是大脑神经结构的自然效果。 
 看来你的大脑神经结构更成问题，看帖子的过程也会发生这种自然简化。
-------------------------------------------------------------------
很高兴看到你承认你脑子被简化了。
提取和保留关键信息，忽略不相干的信息，是智能的核心之一。居然被你一笔带过，由此可见你的理论根本不能解决任何问题，只是又臭又长的空谈而已。
视神经从最初的视网膜开始到最终的额页，中间要经过10多层的处理，保留什么，忽略什么，是科学家研究的重点，估计你这一生都入不了门，也就在这里耍耍嘴皮子，过干瘾。
太可悲了！

作者： 203.187.180.* 2007-3-6 09:45
视神经从最初的视网膜开始到最终的额页，中间要经过10多层的处理，保留什么，忽略什么，是科学家研究的重点，估计你这一生都入不了门，也就在这里耍耍嘴皮子，过干瘾。 
----------------------------------------------------------------
 正因为这是科学家们共同研究的难点，我研究它才有价值。我是在阅读大量相关知识后谈出我的见解的。不像你，仅仅看了一两眼，就自以为很懂了！

在上段我们的讨论中，我们了解了，传输神经元们依靠建立反射的方式，就可以进行简化的信息传输。它不仅不需要移动数据，还会产生更为新奇的效果，即产生层层组合信息的效果。这就为脑神经网络容纳大量信息创造了条件。
 对这个问题的说明还要从我们在前三段提到的“１００个神经元的全组合”说起。这里，１００个仅仅是为了计算方面提出的数字，实际上视神经是几十万个。我们假设只有１００个视神经元。
 假设视网膜上只有１００个视神经元，那么它们每两个的联系就可以表示一个不同信息。由于这种用联系表示信息与方向的关系不大，因此它是组合，不是排列。在数学上要用组合来计算。而接下来，它们之间的任意三个的组合，也表示不同信息，而且与两个神经元的组合表示的信息不同。如此推下去，一直到１００个视神经元之间的联系。这从二到一百的各种组合的总数量（它们的和），就是这１００个视神经元的全组合数量，它也是这１００个视神经元能够表示信息的总数量。
 如果把这１００个视神经元换成实际的几十万个神经元，那它们可以表示的信息量就会大得不得了。
 然而我们上段讲到，在传递时，它们的每一个信息是靠于一个传输神经元建立反射传递的。因此，传输神经元间也可以进行组合，表示信息。这种组合又是它们各自代表的信息之间的组合，它们分别表示的是新的信息，但是与视神经信息又有关联。那种组合又是相当大的数量。但是，这只不过才是一层传输。
 到更下一层传输，又是一个神经元与上一层之间的一种信息状态建立反射，代表上一层次的一个信息表示。这些神经元间又可以组合表示更复杂的信息。于是传输神经元的任务就不仅仅是起传输作用，它们的组合还起着表示更多信息的作用。这样的各层次组合的现象一直可以向大脑深层推进。
 这些组合还不光是简单的组合关系。它们在信息上还有着很紧密地的联系。如果我们把视神经元表示的信息比喻成词汇（注意仅仅是比喻），它的下一层的组合就可以比喻成语句，再下一层则可以比喻成语段，再下一层次则可以比喻成短文章，更深一层次则可以比喻为长篇文章。
 以上的关系并不是依靠意识或思维形成的关系，而仅仅是靠建立反射形成的关系。由此，我们不难想象，大脑为什么能够有那么强大的功能，那就是因为反射赋予了它极其强大的功能。进而，我们也可以知道反射在脑神经网络的重要意义。
 在上面讨论过程中，还有一个问题：视神经的组合形式数量之巨大，是它的下一层传输神经所不能表示的了的。因此在传输过程中，只能有部分视神经状态（也就是它表示的信息）向内层传递，那些不能传递的视神经状态，就只能采用“合并代表”的方式传递。也就是相似内容的信息合并以一个内层神经元为代表。这种“合并代表”就使大脑联想功能成为必然。因为很多类似信息由一个内部神经元代表，自然反转操作会产生联想。

讨论到上一段，一个与计算机算法完全不同的算法体系——反射算法的雏形已现端倪，我们不妨把我们已经讨论到的总结一下。
 反射算法，它符合图灵的算法定义：在有限的步骤内，完成计算任务。不过我们也知道，大脑所解决的任务，有时不能在有限的步骤内完成，有时我们无法无论如何也解决不了所要完成的任务，只能选择放弃，这是图灵定义的算法所不允许的。有时，一个任务需要几代人来完成，例如陈景润致力解决的歌德巴赫猜想，他用一生的时间，仅仅解决一部分，其余的只好留给后人解决了。这也是图灵定义的算法所不允许的。
 反射算法，是立足于与计算机完全不同的算法结构上的算法。我们通常所说的算法，是指算法的形式，即完成某一个（或一些）任务的步骤。而这里我们所指的算法，是一种实现具体步骤的基本结构。计算机算法，是立足于数据移动，先取值再计算的算法结构。反射算法，则是立足于数据不移动，通过建立相互联系（建立反射）表示数据，通过传递中简化和再进行复杂组合的方式构成运算的算法结构。
 因此反射算法与计算机算法是两种本质上不同的算法。它不是在计算机算法结构上可以执行的算法。我们提出反射算法的概念和对其进行粗浅的讨论，就是为了揭开大脑算法的秘密。
 反射算法有反射算法的规则。它是以神经元（或神经部位）间的联系为基本操作手段的算法。建立反射和实现反射是反射算法的主要两个过程。反射算法的一切复杂的性能，都来源于这两个基本的过程。
 反射算法有它自己的数据表示方式。它不是靠二进位数字信息来表示数据，而是靠神经元间的联系形式来表示数据。由于神经元的位置是不能移动的，它们的连接形式也就无法移动，因此反射算法的数据是不能移动的。
 反射算法的这种数据表示方式（信息编码方式），使得与计算机存储位数量相当的神经元，可以表示远远超过计算机存储位几千、几万倍的数据。这也是大脑功能远远强过计算机的原因之一。
 反射算法有它自己传递信息的方式。它在神经元间只传递兴奋，因此它接受信息后向内层传递，是用简化的形式传递的。因此在这种信息传递中，数据是改变的。它决定了反射算法不能以取值后计算的方式构建算法步骤。
 反射算法的这种信息传递方式，却为大脑的抽象能力奠定了基础。抽象，究其实质，不过是信息的简化。如果把抽象也看成是反射算法的一种计算方式，信息传递中的简化，就是这种计算方式的技术原型。
 反射算法传递信息的简化，使得前一层次的数据大量的不能向深层次传递，因此只能采用“合并代表”的方式。这种“合并代表”的方式，就成为反射算法的另一个计算——联想的技术原型。
 反射算法在信息传递过程中，还可以以传递神经元为基础，建立它们间的联系（反射）。这个层次反射的建立，就形成信息的有组织的表达。层层简化，层层组合，即使信息表达呈万倍以上的趋势扩大，又使信息表达的复杂度越来越高。这种层层传递、层层组合的形式，是大脑的一种关键计算——言语活动的技术原型。
 我们可以看出，由于反射算法区别于计算机算法的算法结构特征，也就造就反射算法与计算机算法不同的计算特征。

去搞脑科学或者认识学比较好�

反射算法与计算机算法更不同的地方在于，计算机算法是一个基本封闭的算法。反射算法是一种基本开放的算法。
 按计算机算法的某种具体算法编写出的程序，大部分时间处于自己运行之中，只有少数需要交换数据的时候，该算法才与外界联系。反射算法则不同，全部反射的建立，都是由外部刺激信息决定的。没有与外部信息的不断交流，反射则无法建立、无法巩固，无法实现。
 我们还以视神经为例。理论上讲，几十万视神经的兴奋都可以成为不同的信息。但是人眼只选择其中的一些为它能够识别的信息。那么它凭什么做出选择呢？它凭的不是任何编程过程规定的原则，而是凭着“看”的经验的积累。例如在眼睛大量地看到一种花以后，这种花在一些视神经元的联系形式就被选择为花的数据。而其它乱七八糟的视神经元间的联系，就不会成为数据。
 外层数据向内层的简化传递也是一样，只有大量外界信息的刺激，信息传递才能进行，外层数据与内层神经元的反射才能建立。
 而内层神经元的组合也要靠外界信息来确定。例如，内层有三个神经元，分别与花、叶、茎三个视神经的数据建立反射，那么只有外界的花、叶、茎不断地出现，内层的三个神经元才会建立相互的反射，这个反射就构成一个完整的花的形象组合。
 需要说明的是，我们上面的“一个神经元”“三个神经元”都是为举例说明方便假定的。并不是说视神经真正的就是以那么多神经元来传递、来组合。对于数量我们不必较真。究竟会有多少神经元来实现简化传递，还是将来生物实验说了算数。
 反射算法的绝对开放性，表明反射算法构造的是一个可学习系统，它是靠学习获得数据的，它是靠学习确定高层次信息组合的，它是靠学习实现运算的。而这个学习是立足于开放性的学习。而不是计算机算法中立足在论域内搜索问题解的封闭性学习。

分析反射算法与计算机算法的区别，是一件十分吃力的工作。因为我们都太熟悉计算机算法的特点了，对于一个与它全然不同的算法结构，简直是难以想象。这种对分析结果无法想象的状况，不仅仅看到此帖的网友会有所感觉，而且有时我自己都有无法理解的感觉。
 但是，我还是决心把这个以浅谈形式出现的讨论进行下去，让我们以最离谱的、最脱离计算机算法传统的、最具有想象力的方式，来研究大脑的算法特征。
 在这个分析过程中，因为很多内容都是现想现写的，因此它不会是无懈可击的。我只能是力争使它完美和严谨。

为什么说需要“以最离谱的、最脱离计算机算法传统的、最具有想象力的方式，来研究大脑的算法特征。”呢？
 例如，有人会难以想象，视觉看到的数据不向大脑内层移动，大脑怎么知道看见了什么呢？
 这个问题可以以神经网络的并行操作和一体性来解释，也可以从计算机和神经网络的不同来考虑。
 我们可以这么说，这个问题是从计算机的结构角度提出来的。因为计算机只有一个中心处理器，它对图像的处理都要把图像数据调到ＣＰＵ来处理。也就相当于图像的一切都必须由ＣＰＵ看到。
 而神经网络的每个神经元都具有处理信息的功能。视神经本身就可以解决“看到了”图像的问题。视神经只要向脑神经内层传递“看到了”的信息就够了。如果内层神经需要再仔细看一看，就向视神经发一个信息“再看看ＸＸＸ”，就可以了。这种信息的传递，只需要用神经元的兴奋传递就可以了，不必把视觉数据传递给内层神经网络。
 有些人可能从内省的角度提问：我在看东西的时候，确实感觉到自己真真切切的看到了，怎么可能图像数据传不到大脑呢？
 这是因为你的视神经和大脑内层神经本来就是一体的。你的视神经看到了，就是你看到了，并不是图像数据传到你的大脑，你才感觉看到了。我们在前面举过一个有夜视能力人的例子。它就很有说服力的表明这个问题。
 那个具有夜视能力的人，因为视力很差，视神经只能获得模模糊糊的图像，他的视神经就是凭着模模糊糊的图像数据，不断向大脑内层传递“看到了”的信息，大脑深层也就因此认同视神经已经看到了。在光线很暗的时候，视神经仍然把看到了模模糊糊的图像认作是“看到了”，大脑深层也受到了“看到了”的信息，于是就表现出他这个人特殊的夜视能力。
 如果图像数据必须传递到大脑内层，那么大脑深层就需要“看到”清清楚楚的图像，才能够确认“看到了”，才能够使那个人感受到真真切切的看到了。
 由于神经系统的一体性，只要在内层神经向视神经发出“看看ＸＸＸ”的时候，视神经执行这条信息，在确认自己“看到了”后并返回信息，大脑内层神经就会认为是确实“看到了”。
 正因为如此，在眼睛发生问题时，它就会向大脑深层发挥错误的信息。其中最明显的就是错觉。例如通灵术就采用催眠的手法制造视觉错觉。在催眠状态下，你的大脑深层会在眼睛没有看到死去的人的时候，获得视神经传递来的“看到了”信息，于是你便认为是真真切切的看到了死去的人。通灵术是骗人的，但是造成它能够骗人的原因，却是因为视神经的图像数据并不像大脑传递。
 以上解释还有什么不恰当的地方？请人们不客气地指出！

以上解释还有什么不恰当的地方？请人们不客气地指出！

我觉得概念描述的很清晰，不过，最好能有一些具体的实现方法和应用实例。
谢谢�

先生的计算机模拟反射链是如何模拟大脑反射算法的？这两者有什么区别和联系（特别是区别）？还有大脑这套反射算法能否被计算机模拟�

以上解释还有什么不恰当的地方？请人们不客气地指出！
===================================================
无言�

能否以程序中类的形式描述一下楼主反射算法中神经元，或者用拓扑图的形式表示，这样能让其他人更容易理解你的思路，让更多人能参与思考该算法的可行�