人工智能模拟大脑机制的构想

最近构思了一个人工智能。它的核心原理就是在强化学习的基础上引入PAD emotional state model（PAD情绪模型），为了能够模拟真实的生物学习。

PAD情绪模型把人类情绪解构为了三个光谱：愉悦至不愉悦、高强度至低强度、支配至不可支配。理论上，人类所感知的情绪都能用这三个光谱表示，而进一步则需要逻辑判断。

说回强化学习，它可以被理解为黏菌寻路：两者本质上都没有「智慧」，但通过正反馈强化，都能展现出十分强大的「智慧」。虽然底层依然有很多差异，但在本人看来，这和生物的神经元连接十分相像，只是机制不同。

回到主题。尽管承载情绪状态的底层模型已经有了，但最大的挑战在于强化学习该怎么处理这个情绪状态，又该通过什么来更新情绪状态。

首先，要让神经学习处理这个情绪状态，无法保持抽象的概念，而必须对其学习做出实际影响。「愉悦至不愉悦」这一光谱能被直接转换成神经网络的正反馈，而「高强度至低强度」和「支配至不可支配」则相对棘手：前者主要表示生理状态，后者则伴随着逻辑判断。由于机器没有身体，「高强度至低强度」这一光谱或许能尝试映射到神经网络的处理频率等方面，目前只是理论。而「支配至不可支配」这一光谱则很难转化成神经网络的本能反馈，需要思考如何让神经网络理解「激进」与「保守」。

其次，要更新情绪状态，必然要伴随对外界的复杂判断，这也就回到了神经网络。这里需要有一个神经网络专门进行复杂判断。

说到这，整个架构就十分清晰了：需要一个输入端接收外界信息并用于更新情绪，然后一个输出端根据更新的情绪与经过输入端处理的外界信息（不能只有情绪而没有外界信息）进行行动判断。

同时，事实上，输出端也应该能更新情绪。本质上，输入端属于一种本能与直觉的处理，而输出端则是经过了理性判断后得出的结果，而这一判断同样理应影响情绪。

总而言之，这依然是个发散的构想，目前依然在框架阶段。