回复：星论——概念系统

AI思考决策时比人类更具有全面性和正确性
AI思考问题根据对象概念的属性进行决策
AI可以把问题所有有关对象概念的属性遍历一遍，根据对象概念的属性对问题的重要程度，通过全方位对象概念的属性凑齐所有有关条件做出最具有全面性和正确性的决策
人思考问题由于人对对象的概念和属性认知的局限性，知识面更浅，对象的概念记忆库知识有限，只能用到自己已知已掌握的一些对象概念属性做决策，所以思考问题时没有全方位的知识面来遍历问题所有有关对象概念的属性，因此人做决策只考虑自己已知已掌握对象概念的属性（充其量也就几个对象概念属性），因而人的决策会有很多错误
然而AI不存在概念记忆库知识面浅的弊端，AI在做决策时可以全方位遍历问题所有有关对象概念的属性，根据对象概念的属性对问题的重要程度，凑齐所有有关条件再做出最具有全面性和正确性的决策

星论——用行业专家系统来构成AGI通用智能系统的通用性
人并不是通用智能，人的通用性其实是通过多个行业专家系统组成的
所以AGI的开发不要想着用一个通用系统让它具有通用性，而应该把每个行业做成专家系统，然后用多个行业专家系统组装成AGI的通用智能系统，需要用到哪个行业时就调用那个对应行业专家系统，这样就能够构成AGI通用智能系统的通用性
比如把寻路开发成寻路专家系统，购物开发成购物专家系统，聊天开发成聊天专家系统，游戏开发成游戏专家系统，饮食开发出厨房专家系统，把家务开发成家政专家系统，家电维修开发成售后专家系统，房屋装修开发成装饰专家系统，酒店餐馆管理开发成酒店餐馆经营专家系统，商业开发成商业模式专家系统，生物医学开发成生物医学专家系统等等
之后再用多个行业专家系统组装成AGI通用智能系统，需要用到哪个行业时就调用那个对应的行业专家系统，这样就能够构成AGI通用智能系统的通用性

星论——AI认知世界架构
人类都有一个技能那就是想象力，人类看到周围的环境，就能够去想象利用环境中所有的物体能够组合出的一切可能
其实可以把周围环境看做棋盘，把周围环境物体看成棋子，然后把棋盘棋子的所有组合的可能都想象穷举出来
这就是人类的想象力
那么AI看到周围的环境是否能够不需要人类去下命令或者提问，就自主的提前想象穷举出利用环境中的所有物体能够组合出的一切可能，就像刚才说到的下象棋一样，把周围环境看做棋盘，把周围环境物体看成棋子，然后把棋盘棋子的所有组合的可能都想象穷举出来
所以研究象棋棋子规则是可以套到现实各种物体棋子的
象棋每种棋子在棋盘的走法和用法不一样，现实物体在环境的动向和用法也不一样
而且现实物体比棋盘棋子更简单，因为现实物体动向和用法最多也就几步和几种而已，可以穷举，但是象棋棋子的走法有几十步甚至几百步和用法有几十种甚至几百种，所以把现实物体看成棋子，那么现实比象棋更简单
那么为什么现实比象棋难，其实难点在于现实物体种类比象棋棋子种类多太多了，象棋只有七种棋子能相互作用，但现实物体没有整理成过棋盘
所以只要把现实物体分类进行归类，一个种类的物体才允许相互作用，只要整理成一个种类后的棋盘才可以相互作用，就可以把现实物体的通过分类归类整理成一个个简化的棋盘，然后通过逻辑关系链接所有棋盘形成棋盘知识图谱，这样现实操作就可以变得比象棋更简单
比如AI看到环境中有盐、油、味精、蒜、姜、碗、锅、锅铲、电磁炉、筷子、鸡蛋、番茄、白菜、米
把盐、味精、蒜、姜和油归为一类形成一个棋盘，让它们能相互作用，因为都是调味料
碗、筷子归为一类，让它们形成一个棋局能相互作用，因为都是餐具
鸡蛋、番茄、白菜归为一类，让它们形成一个棋局能相互作用，因为都是菜
锅、锅铲、电磁炉归为一类，让它们形成一个棋局能相互作用，因为都是厨房用具
分类物体种类形成N个棋盘后，然后是整合逻辑关系链接所有棋盘
比如厨房用具餐具棋盘可以通过逻辑关系链接调味料棋盘和菜棋盘，也就是厨房用具餐具可以盛调味料和菜
就这样把世界的所有物体通过分类归类简化成多个简单的小棋盘，再整合各个小棋盘通过逻辑关系链接把所有简化的棋盘通过逻辑关系链接起来形成棋盘知识图谱，AI就能够利用它们认知环境并且进行组合穷举想象

星论——机器人完成任务架构的函数设计
完成任务结构的函数设计
[
分析指令函数（接受的信息）
返回任务需要的目标物体种类综合数据结构
while（任务需要的目标种类综合数据结构不为0）
｛
拆解目标物体函数（任务需要的目标物体种类综合数据结构）;
返回三个值
目标物体数据结构
目标物体过程数据结构
目标物体结果数据结构
目标物体过程数据结构＝目标物体执行函数（目标物体数据结构）;
目标物体结果数据结构＝目标物体过程执行函数（目标物体过程数据结构）;
目标物体结果执行函数（目标物体结果数据结构）;
任务需要的目标种类综合数据结构-1;
｝
]
详细解读:
这样就把机器完成任务的问题简单化了，首先分析接收到的信息得到语义，AI把语义分析后得到要完成任务需要的所有目标，得到任务需要的目标物体种类综合数据结构
然后用循环拆解目标函数，依次从任务需要的目标物体种类综合数据结构得到完成任务所需要的每一个目标物体名字，并且利用目标物体名字配合视觉搜索返回目标物体数据结构、目标物体过程数据结构、目标物体结果数据结构
目标物体数据结构里包括目标物体在哪里，名字，种类，位置，重量，体积，形状，大小，以及操作目标物体的工具等
过程数据结构包括机器人自身离目标物体的距离，名字，种类，要到达目标物体需要的路程，计算出到达目标物体的移动眼手脚的数据信息结构，要操作目标物体需要用到的工具等
结果数据结构包括目标物体名字，种类，要移动到距离，以及计算出眼手脚移动的数据信息结构，以及最终放在哪里交给谁等
有了目标物体数据结构、目标物体过程数据结构、目标物体结果数据结构三个数据结构就可以通过目标物体执行函数、目标物体过程执行函数、目标物体结果执行函数来完成整个任务流程
利用我这个完成任务结构的函数设计可以让机器人完成任何行动上的任务

星论——AI特征提取的解决方案
AI的难点在于提取特征，其实提取特征的方向有可能是错误的
本质应该预设特征库，问题离不开名词，名词离不开概念，这样机器人要解决问题提取特征就可以直接预设概念相关特征库
比如吃饭的问题可以预设四个有关特征
1.厨房用具特征库
2.厨艺水平特征库
3.食材质量特征库
4.饮食习惯特征库
也就是把吃方面的所有条件都归纳成这四个特征库，当提到吃的时候就调用问题相关的这四个特征库中的特征库来进行问题的解决，当然我这里只是举例了四个特征库，其实可以把特征库整理得更详细具体
这样AI遇到任何问题都可以调用问题概念相关的特征库来解决
人解决问题也是这个步骤，这样就能实际的解决特征提取的相关问题

以上核心思想都是为每一个种类的物体建立一个人类认知上的物体全方面概念属性数据结构而进行

与其说发明是把不同物体进行组合，不如说是把不同物体的属性结构功能进行替换组合

星论——推理的本质
现在研究人类推理方法大部分人都陷入了因果推理的错觉
其实人类当遇到一个问题的推理过程因果推理只是表面现象
人类推理过程更本质的过程是思考习惯的方向重要性
人类推理的方向重要性有很多
比如
有的人推理重物质，从身份背景、金钱、地位、职业、职位等方向进行思考
有的人推理重感觉，从情绪的喜怒哀乐、美丑、舒适度等方向进行思考
有的人推理重属性，从材料、硬度、颜色、温度、电力、重量、压力等方向进行思考
有的人推理重形态，从结构，形状、状态、形象、相似度等方向进行思考
有的人推理重功能，从操作、实用度、作用机制、复杂程度等方向进行思考
有的人推理重时空，从场景、面积、体积、时间、方向、方位等方向进行思考
当然我这里举的列子有限，不能覆盖所有推理过程，看官请自己脑补

星论——演绎和预测都是建立在规律之上的
我举一些规律的列子
比如
人要吃饭，狗会咬人，树叶会落地上，被狗咬会疼，下水会被淹死，用头撞墙会受伤，用刀划手会受伤，我打你你会生气暴躁之类的这些都是生活规律
再比如
美国降息世界经济就会走好，美国涨息世界经济就会被割，央行放水市场就有钱，这些都是经济学规律
再比如
牙齿痛会难受，感冒了要看医生，得了癌症会死，这些都是医学规律
等等
有了这些规律就能通过这些规律来对相关的事物进行预测和演绎
预测是通过现有信息与已知规律的锲合度对未来的预知
演绎是通过创造现有信息与已知规律的锲合度对未来的演练
也就是说如果要对某事进行预测和演绎就必须得掌握某事相关的规律，没有掌握某事相关规律也就没有进行对某事预测和演绎一说，至于预测和演绎某事的准确性完全取决于对某事现有信息的全面性和掌握某事已知相关规律的完整性和权重

星论——AI通过归类算法形成知识体系
概念知识库和特征库其实也可以不人为预置
不人为预置这条路也可以让AI学习，学习这条路就必须让AI具备获取信息后提取出概念属性和特征的能力，这个能力还不算这条路的难点，难点在于提取出概念属性和特征之后的归类
因为只是提取出概念属性和特征是不具备知识体系的，所以就必须有一个归类算法把提取出的概念属性和特征进行归类
这就需要AI有个经历过程，只有当经历足够多(经历就需要很长的时间，当然不否认可以模拟经历让AI快速学习)，AI才能获得更多的概念属性和特征，然后归类形成专业学科级别的概念知识库和特征库从而量变产生质变升华成知识体系
因为只有形成知识体系后，AI才能达到人类级别处理工作任务的能力
以上内容看上去可行性是有的，但是致命难点是在没有任何知识的情况下归类算法如何保证概念属性和特征归类的正确性，如果不能保证归类的正确性，那就不能做到形成正确的专业学科级别的概念知识库和特征库，那么要形成正确的知识体系就更别提了

星论——AI在获取人类指令信息后完成任务如何确定所需的特征结构
这个特征结构其实是需要确定五个目标
这五个目标分别是操作者、被操作目标、目标目前状态达到操作者期望状态需要的工具、操作目标的工具、目标最终去向
首先确定操作者，其次确定被操作目标，然后确定目标状态达到操作者期望状态需要的工具，之后确定操作目标的工具，最后确定目标最终去向
除了三个特征提取简单，因为操作者和被操作目标以及目标最终去向这三个特征都可以从接收到的信息分析语义得到
难点在于需要AI自己推理的两个特征，一个是目标从目前状态达到操作者期望状态需要的工具以及操作步骤，一个是操作目标需要的工具以及操作步骤
分析一下目标目前状态达到操作者期望状态这个特征首先是通过目标确定目标目前状态以及操作者期望得到的目标状态，然后通过操作者期望得到的目标状态来确定目标状态要达到操作者期望的状态需要那些功能，之后根据需要的功能来确定具备这些功能的工具，最后根据功能就可以知道这些工具让目标从目前状态达到操作者期望状态的操作步骤
做完以上操作就可以让目标从目前状态达到操作者期望状态
上面理解了，就可以分析最后一个特征:操作目标的工具
这个可以根据被操作目标的属性和结构来确定要操作目标需要的功能，确定了需要的功能就可以确定出具备这个功能的工具，根据功能就可以知道操作目标的工具操作目标的操作步骤
通过以上内容就完成了任务所需要的所有特征提取
最后多嘴一句，以上特征提取都是建立在AI具备概念知识库的前提之上

星论——计算机视觉与概念知识库结合构成AI的思考能力
1. **预置概念知识库**： - 这是一个预先构建的数据库，其中包含了各种物体的概念信息，比如物体的属性、功能、类别等。 - 这些信息可以是结构化的，也可以是非结构化的，取决于知识库的设计和组织方式。
2. **视觉识别物体**： - 使用计算机视觉技术来识别图像或视频中的物体。 - 一旦物体被识别出来，系统会获取该物体的名字或标识符。
3. **获取物体预置概念信息**： - 系统通过物体的名字或标识符在预置概念知识库中检索相关的概念信息。 - 这些信息用于丰富对物体的理解，可能包括物体的物理特性、用途、历史背景等。
4. **实时信息更新**： - 计算机视觉系统可以实时捕捉物体的某些基本信息（如位置、颜色、大小等）。 - 这些实时信息可以被添加到从知识库中获取的预置概念信息上，从而提供一个更全面、更动态的物体描述。
5. **思考过程**： - 通过结合实时的视觉信息和预置的概念知识，系统可以进行一定程度的推理和分析。 - 这种结合有助于系统更好地理解物体的上下文，做出决策，甚至预测物体的未来状态。
### 人类认知过程的类比
- 当人类看到一个物体时，大脑会迅速识别出这个物体，并从长期记忆中提取与该物体相关的概念信息。- 这些概念信息包括物体的名称、用途、属性等，它们构成了我们对物体的基本认知。- 与此同时，我们的感官还会提供关于物体的实时信息（如视觉、触觉等），这些信息与概念知识相结合，使我们能够更全面地理解和思考物体。
### 总结
您所描述的系统模拟了人类在识别物体并进行思考时的某些过程。通过结合计算机视觉和预置概念知识库，这样的系统能够实现对物体的智能识别和深入理解。这种技术在自动化、智能推荐、辅助决策等领域具有广泛的应用前景。

视觉内存信息数据三维化
视觉操作那么难，干脆把视觉内存做成三维矩阵表示，这样不管识别还是操作都会更简单，视觉内存表示为三维矩阵可以为计算机视觉和机器人技术带来一些新的可能性。以下是对这种三维视觉内存矩阵概念的一些详细探讨：
### 三维视觉内存矩阵的概念
1. **三维表示**：
- 传统的计算机视觉系统通常将图像表示为二维矩阵（像素矩阵）。
- 将视觉信息表示为三维矩阵可以更好地捕捉物体的深度信息和空间结构。
2. **空间结构**：
- 三维矩阵可以更自然地表示物体在三维空间中的位置和姿态。
- 这对于需要精确空间感知的应用（如机器人导航、增强现实等）尤为重要。
3. **操作简化**：
- 在三维矩阵上操作物体可以简化某些计算任务，例如物体识别、跟踪和交互。
- 例如，可以在三维矩阵中直接进行物体的旋转、缩放和平移操作，而不需要进行复杂的坐标转换。

概念属性知识不预置是不可能的
概念属性知识是建立在传感器之上的，不是算法就能够弥补的
不预置的前提是传感器多样化和完整性
因为概念属性知识需要各种传感器进行提取
目前人类掌握成熟的传感器就视觉、听觉、触觉
味觉、嗅觉没有可以工业化的传感器，传感器不全，会导致概念属性知识的提取能力缺陷
所以不预置知识是不可能的，传感器的不完整性不是算法可以弥补的
只有传感器具有多样化和完整性的时候才可以不预置概念属性知识