“哦，就像我们用的GPU，是不是？”鲁少校继续问。
“只能说很像，GPU是做神经元网络解算的，而我们的动态库模组，主要是支持临时的，简单计算过程的动态信息元，做计算使用的，我们继续吧。”林久浩回答，并继续讲解。
“够用吗？”安静问了一句，因为这种动态库模型芯片模组的研发，安静曾要求林久浩带领技术团队，给予了机器人研究所大力支持。
“够用，够用。”鲁少校赶紧回答。
“我们把关注点制定为动态信息元，每一个动态信息元采用一个动态信息元计算芯片计算，并将动态信息元建立向量关系，形成相对关联关系。”林久浩边画图边解释。
“大量的临时动态信息元都建立相对关系，这个连接关系太复杂了，如果是一百个动态信息元，那么连接关系就。。。。。。”鲁少校还在算。
“不用这样计算，因为自淘汰机制会设定距离阈值，大于距离阈值的关注点不建立连接，所以自淘汰机制先在图像中划定几个关注点区域，我们先假定这些区域的关注点是一个整体，并临时给一个定义名称。”林久浩说完，在白板上画了区域。
“然后呢？”鲁少校问道。
“然后，我们知道，如果一群关注点属于一个整体，那么，在后续的时间序列图像中，这些关注点会形成整体运动的规律，我们继续设定向量连接的阈值，如果属于整体的关注点，那么它们的向量距离不会超越阈值。”林久浩解释道。
“哦，如果不属于整体，那么后续的运动过程中，一些关注点向量距离就会超越阈值。”鲁少校理解着。
“是的，如果明显超越阈值的关注点，例如A点与D点之间的向量距离阈值为5，在运动中向量距离超越了5，那么这条连接就断裂了。”林久浩还是边画边解释。
“我们就把它淘汰出整体定义，对吗？”鲁少校问道。
“不一定，我们举例，A点与D点在一开始是有连接关系的，例如，人把手垂在腰间，与腰部的关注点形成向量连接，但是，高高抬起手臂，手与腰之间的连接，大概率会超越距离阈值，手与腰部的关注点连接关系断裂，然而，手与手肘到肩部的连接没有超越阈值，所以这条连接还在，自淘汰机制建议，所有连接断裂的关注点排除出整体定义。”林久浩继续解释。
“哦，如果一个人趴着然后站起来，很多点是不是就会发生脱离阈值的现象？或者一条狗蜷缩着，突然伸直，是不是也很麻烦。”鲁少校继续发问。
“这就是横向拉伸和纵向拉伸算法扩散问题，我们在动态库模型算法中，可以加入这方面的功能，继续跟踪这种横向拉伸和纵向拉伸的现象。”林久浩继续解释。
“小林，你考虑的问题很超前呀。”安静夸奖了一句。
“我听琪琪说的，机器人研究所一直希望能够通过多元关联拟脑模型，判断人物的行为特征，要想判断行为特征，就要先能够对人物整体定义。”林久浩回答。
“哦，你这个想法非常好，我们部门可以继续研究，利用动态库模型完成关注点整体定义。”鲁少校说道。
“这个算法就叫【关注点整体定义自淘汰算法】吧！”安静把算法的名字定了下来。
“不过，鲁少校，您们部门在使用这个算法理念的时候，能不能对定义对象的纵深建模同时研究一下？”林久浩继续加码。
“纵深建模？”鲁少校没明白。
“就是，当A点与B点是关联的，并且我们在多个时间序列图像中收集了最大关联向量距离为5，当这两个点重叠的时候，我们认为A点与B点形成了5的纵深，可以利用这个条件做立体建模的依据。”林久浩解释。
“是呀，老鲁，这个世界上绝大部分生物都具备对称性。”安静也补了一句话。
“哦，哦，明白了，太好了，解决大问题了。”鲁少校很快就明白了，本来立体建模就是内二实验室的研究内容之一，现在全连接在一起了。
鲁少校的问题解决了，大家休息一会儿，统一喝水，统一去卫生间，军人多了，行动也很统一，休息片刻，会议又继续。。。
“该轮到我们的问题了吧？”安静问道。
“对，你们不关心感应层前端的技术，你们关心的是从前端输入的多种信息源，如何转变为内容描述，对吧？”鲁少校先问了一句。
“这一点你们做的怎么样？我们现在要开始芯片化信息元编码搜索过程了。”安静说道。
“我可以告诉你的是，我们已经统一了内容规范，就是我们向你们拟脑层输送的是TAG组模型。”鲁少校。
“你们现在可以做到，把感应层的内容定义，转化成内容描述，然后直接提起关键字，以关键字形成TAG组关联模型，输出给我们的拟脑层，对吗？。”安静有点不信。
“对，其实有时候内容是可以跳过的，比如我们直接把视觉的东西用TAG定义，方形、梯形、三角型，多型组合，上下组成等，多角度多层次的感知。”鲁少校边比划着边说。
“还有颜色、大小、比例等，是不是？有没有初步判断？”安静知道鲁少校说的是CV视觉方面的，不是NLP自然语言方面的，而CV视觉方面是拟脑思维层与感知层相互对接技术的关键，反而是NLP自然语言处理部分，安静部门已经拥有了最先进的算法，不同规模的多层分级的训练模型。
“初步判断也是用多元关联技术做的，比如一辆汽车有多个特性，而且特性之间有关联关系，我们将关键字在这些关联模型中行走，找出最高命中率的信息元。”鲁少校慢慢解释着，从话中透露出也使用多元关联拟脑技术。
“这些对象的识别你们也是采用神经元理论，卷积算法完成的，怎么又涉及到我们拟脑思维层的技术了？”安静感兴趣的问道。
“对象感知基本上采用的是神经元理论，至于卷积算法，其实现在很多视觉处理部分已经脱离了卷积算法范畴，反而是关注点向量定义更有效。但是，神经元理论及动态特征分析也有不尽人意的地方，例如立体的物体不同的角度不同的成像，在卷积算法中会呈现不同的特征码组，容易被识别为不同的内容对象。”鲁少校解释着。
“这一点不是靠后期训练可以解决吗？不同的特征码组定义为同一个事物。”安静说的是，读一个立体实物多个角度产生的特征图像，统一定义为一个事物。
“不好，因为角度的偏差会产生大量不同的成像，不同的成像产生大量不同的特征码组，虽然多维度多层面可以减少特征码组，但是，还是不理想。”鲁少校对现有算法的效果不是很满意。
“那你们怎么办？而且还要尽量避免指向同一个事物的特征码组过多，怎么办？模糊计算吗？”安静问道。
“不是，我们对立体的事物，做轮廓抽离、纵横比分析、姿态还原等多种技术，将复杂的对象进行多维度多层次拆分定义，再使用卷积算法辅助，对了，我们将内容分离后的内容提取关键字，然后也用了多元关联拟脑模型做精确识别，跟你们那边做法差不多。”鲁少校现在说的是静态事物的分析，因为静态事物没有运动特征，只有在视角转变的时候才会产生相对的运动，所以很难通过运动特征识别，不过人工智能对静态事物的识别要求相对低于动态事物，如果识别不出来，可以先按照一个大盒子型物体计算。
“你说的感应层也会用到我们拟脑层的技术，就是先给我们输出一个模糊的事物定义，是吗？”安静继续问，因为这些问题将导致拟脑思维计算的准确性。
“是的。”鲁少校说完，突然转为严肃的说道：“西方一直有一种误区，他们太注重表象了，而忽略了本质，西方通过对表象的统计创造了很多伪概念，例如条件反射原理等，尤其是在神经元理论上，他们认为人对事物的辨识，是通过神经感应多层次多维度的碎片特征感知得出来了，实际上又机械教条了。”。
“不是吗？确实，我一直也对这一点有很多疑惑，而且以前就有一个前辈说过跟你一样的话，人类认知不只是神经反应，还至少需要一层脑思维。”安静说道。
“对的，跟你们拟脑层关系很大，人对事物的判断不只是神经皮层的感应，至少，我说的是至少经过了一层脑思维判断，有时候还需要多层思维判断。。。安静，你琢磨琢磨，是不是这个道理。”鲁少校说完，指了指自己的脑袋。
安静看到老鲁指了指秃顶，笑了一下，随即说道：“老鲁，你这么一说我就更确定了，所以在感应层就需要多元关联拟脑技术的支持，对每一个事物不但要多层次多角度的分析，而且还要把分析的要素关联起来，这样才能得
第十九章.与内二实验室的对话-->>(第2/3页)，请点击下一页继续阅读。