芯片-以磁體浮力解決電線纏繞問題，重新設計三維芯片

第四章，如何實現可信可靠可解釋的人工智能

（方案：以磁體浮力解決電線纏繞問題，重新設計三維芯片）

怎么改變人工智障呢？如何實現可信可靠可解釋人工智能？

就按照仿生辦法，模仿三維神經元集群。具體的，要兩步來解決。

第一步，改變芯片結構，從二維芯片改為三維芯片；第二步，解決固體與流體矛盾。

第1節，  改變芯片結構，從二維芯片改為三維芯片。

    先談第9節，再回過來談第1節的用路由器模仿神經元。

第9節，解決固體與流體矛盾。

大腦骨骼是相對固態的，神經元所處的環境是液態的，便于突觸游動、互連、刪除。生命體內，是以固態物質作為框架，以流體傳遞物質、能量、信息。

人類發明的集成電路，電線是固定的，其中的電子是活動的，以活動的電子傳遞信息。作者的思路是，讓固定的電線，也像神經元突觸那樣游動、互連、刪除。

前面第1節，用路由器集群的接口線路太多，會造成電線纏繞。芯片上集成電路也需要解決電路短路、斷路問題。電子設計自動化(英語:Electronic design automation,縮寫:EDA)的一個重要任務就是解決布線問題。數學中圖論的路覆蓋理論，提供了一種指導解決固定線路短路、斷路問題的理論。作者沒有研究過圖論路覆蓋理論，并不打算以路覆蓋理論解決電線纏繞問題。

作者引用固體——流體理論，以模仿神經元突觸末梢游動、互連、刪除的方式，解決電路短路、斷路問題，即解決電線纏繞問題。

所以，實現三維芯片的方案，就是找到一種既是固體、又能克服重力、還能流動的便宜材料，以此材料為基礎的技術就可以解決三維芯片無數連線、無數開關問題。

這種便宜的材料，在現實中早已經存在。本節會討論該便宜材料的使用方法。

太空微重力環境對解決固體與流體矛盾有巨大幫助。太空，是天然的微重力環境，比地面更好。這種便宜的材料既可以在地面使用，如果到太空使用，更節能，也能解決人在太空失重環境下需要昂貴的生命保障系統問題，有利于將來向太空進發。現階段，還是以地球重力環境下討論此材料如何解決電線纏繞問題。

這種材料就是常見的磁體。磁體發出磁力，可以克服地球重力，并引導連線模仿神經元突觸的連接，即線路接頭套上磁頭，以可控磁力控制接頭連接或脫離接觸。這可以稱為磁控接頭移動技術（軾轍結合技術，軾相當于固定線路，轍相當于游動線路）。

但磁力與電路中電流會互相影響，磁力對其它元器件也有影響，所以必須屏蔽或增大間隔，或者將來采用對磁力不敏感的光計算芯片。

現在的芯片，連線已經太多太復雜，且連線是固定的，只有連線中電子是流動的。

集成電路的發展方向，除了微型化方向，還可以在固體——流體理論指導下，模仿神經元間可活動的、可刪除的突觸連接方式，讓電路間連接可活動、可刪除。

這是20世紀70年代芯片，電路遠沒有21世紀芯片復雜。

這是21世紀初計算機芯片。

這是當今芯片的模擬圖，連線非常多。

     現階段，還無法實現芯片內部疊層間連線游動、互連、刪除。芯片內部疊層連線接頭可移動，這是將來長遠目標。

再看一張形象圖。這是英偉達發布會對GPU的示例。

但可以嘗試，在芯片群之間采用磁控接頭移動技術（軾轍結合技術，軾相當于固定線路，轍相當于游動線路）。

CPU、GPU、NPU之間連線，可以嘗試采用磁控接頭移動技術（軾轍結合技術，軾相當于固定線路，轍相當于游動線路），從而在硬件方面模仿神經元間可活動的、可刪除的突觸連接。

磁控接頭移動技術（軾轍結合技術），是怎樣的呢？大家在生活中是常見到的。

這幾張圖，即演示了磁控接頭移動技術（軾轍結合技術）。

磁控接頭移動技術（軾轍結合技術），可以實現磁平面無接觸的平移、升降。

電線接頭套在磁平面上，接頭隨磁平面移動。而指揮控制磁平面的，又是接頭所連的芯片。

先把芯片整體當做一個神經元胞體，芯片外連電路就像突觸，接頭就像突觸末梢。而磁平面受控于芯片，芯片指揮磁平面帶著接頭，模仿突觸的移動、接觸或脫離。

將來，在芯片內部，嘗試在疊層間連線采用磁控接頭移動技術（軾轍結合技術），以解決芯片內部線路纏繞問題。

磁控接頭移動技術（軾轍結合技術），其技術的缺點是非常明顯的，即接頭移動速度非常慢，遠遠不如固定連線開關。而且，變化的磁力會影響各種元器件運行，必須留出足夠隔離空間，這會大大增加電路板體積（將來，對磁力不敏感的光計算芯片成熟后，可以降低電路板體積）。

如果是為了數值計算，傳輸數據的連線盡可能是固定的，固定的連線才能傳輸大數據。

而另一類需求，即為了在硬件層面模仿神經元集群，則芯片間連線可以先嘗試用磁控接頭移動技術（軾轍結合技術）。機柜的空間較大，可以容納大體積的電路板，電路板上芯片間距可以放得很大，以安裝磁體定子、磁平面動子等元器件。

這類模仿神經元集群的芯片群組，其傳輸的數據格式，可以模仿TCP/IP數據格式，即前幾位是芯片地址。同時不完全照搬TCP/IP數據格式，而是有改動，即改為可讀寫應用層數據包內容。

上一節，用路由器模仿神經元時，路由器不會讀寫應用層數據，路由器就像信使，沒有必要讓信使讀寫信件內容。路由器間的學習，是互相學習路由表，并計算路由途徑。這是路由器間的自學習、自組織。

而芯片群，既可以通過交換路由表而學習和組織起來（讀寫TCP/IP數據標頭），又通過交換其它數據如數值、函數、圖形而學習和組織起來（讀寫TCP/IP應用層數據包），還能模仿神經元集群用連線實現分解、構建三維音畫、抽像、記憶、聯想、復雜推理 等功能。

至此，在序列-結構-運動-功能的理論體系里，作者探討了現有芯片的兩大瓶頸。一個是結構上瓶頸，摩爾定律逐漸失效，集成電路很難再微型化，于是芯片逐漸朝3D方向發展，不斷堆疊，堆疊導致了電路連線復雜，極易纏繞。作者提出，利用磁控接頭移動技術（軾轍結合技術）解決電路連線纏繞問題。磁控的連線接頭，模仿突觸末梢，可移動、可互連、可脫離、可刪除。芯片之間數據結構，模仿TCP/IP協議，加上地址頭，可尋址。

第二個功能上的瓶頸，現有人工智能技術大多是改進函數，通過純算法虛擬搭建仿神經元突觸式連接。導致功能的瓶頸的原因，除了芯片結構的原因，就是芯片內部連線、芯片外部連線是固定的。

作者提出，利用磁控接頭移動技術（軾轍結合技術）從硬件芯片上真實搭建仿神經元突觸式連接。磁控的連線接頭，模仿突觸末梢，可移動、可互連、可脫離、可刪除。芯片通過自學習、自組織，實現正負反饋、自動修正，以及分解、構建三維音畫、抽像、記憶、聯想、復雜推理 等功能。

磁控接頭移動技術（軾轍結合技術），既解決了電路連線纏繞問題，又模仿了神經元突觸式連接，在結構-運動-功能三個層次都改進了現有計算機硬件，為計算機軟件開發提供了更高層次的硬件基礎。

結構-運動-功能三個層次要得到改進，前提是EDA在設計人工智能類腦芯片時，就把磁控接頭移動技術（軾轍結合技術）運用于解決電線通道纏繞問題。

但讀者可能會提問，在當今移動互聯網發達的社會，是否可以把數據中心的服務器、路由器比作神經元胞體，是否可以把移動終端比作突觸末梢？為何移動互聯網沒有“覺醒”成恐怖的天網？

作者完全認同以上形象的比方，并相信將來移動互聯網會“覺醒”出智能。

但是，前提是做出兩個改變。第一個改變是，服務器、路由器必須能讀寫TCP/IP數據，從標頭到數據包。第二個改變是，服務器、路由器能指揮所有通訊節點間的物理接觸或脫離，而現在的通訊節點間物理接觸或脫離都是由人手動實現的，并且配IP地址這活兒幾乎也是手動輸入。下一章，作者將繼續探討這個問題。

倒敘完了，先談了第9節，再回到第1節。

第1節，改變芯片結構，從二維芯片改為三維芯片

現有人工智能界，從用一維CPU改為用二維GPU，到華為的達芬奇結構，還有chiplet結構，還有神經擬態芯片，都在不自覺的向三維結構發展，但還不是真正的三維結構。

如何改為真正三維結構？有多種辦法，如模擬生成真實神經元，又如把硅晶片做成 三維立體的，如此等等，有好幾種方法可以改為三維結構。

關于生成真實神經元集群，作者以前設想，采用CRISPER技術切割DNA，單獨培養神經元集群。這么做的倫理道德風險，是非常大的，而且成本高，效益低。成本高，原因是明顯的，培養一個活體，需要昂貴復雜的生命保障系統。效益低，原因也是明顯的，生物受地球重力影響，其體積重量是有限定的，那么人腦神經元集群的數量 也是有極限的，那么其智商也是有極限的。現在，國外又爆新聞，在大鼠腦袋里植入人腦神經元。是不是國外放松了 倫理道德審查標準？還需要觀察。

作者也曾設想，把硅晶體做成三維立體的，但并未找到 在硅晶體內部刻畫線路的方法。

而本書開篇第一章，介紹一種宏觀的 模擬三維結構的方法：聯系電信運營商的機房，在凌晨時，用路由器模擬 神經元胞體，用電線模擬突觸。因為機房路由器集群數量 比神經元集群數量少得多，所以初期圖靈測試時，用簡單的測試：在黑色背景圖中找出 手寫白色阿拉伯數字。

但難度也是顯而易見的，螞蟻的神經元數量約25萬個，人腦神經元數量約860億個。路由器體積龐大，占地、耗能，如果讓由路由器集群 模仿萬億神經元集群，其占用空間非常大，其耗能也非常大。

現在前沿的研究，是憶阻器，還有光芯片，等等，但沒有看到特別大的進展。

以上幾種辦法都有缺點，或者成本很高，或者有倫理道德風險，或者很耗能，或者占用空間大，或者技術不成熟。

特別指出，路由器集群，即使縮小再縮小，也無法完全 模擬神經元集群，因為電線會纏繞。導致纏繞的根本原因是，流體與固體的區別。作者找到了解決方法，讀者可以在研究中使用，這是下一節探討的內容。

本節，探討模仿神經元集群時的一些細節，如集群內組合問題。

相對于CPU、GPU芯片，互聯網節點 更加具備模仿神經元的基礎。特別是路由器，可以模仿胞體與突觸……

以識別數字6為例，探討如何用路由器模仿神經元。

上圖示例，從一張圖片中提取數字，現有技術不模仿神經元集群，就能輕松完成了。

第一步，檢測有數字的地方，也就是確定數字的x軸y軸位置，這第一步，現有攝像頭技術已經可以檢測了。眼睛的聚焦，是靠神經元集群來實現的。本書雖然嘗試用路由器模仿神經元，但是聚焦功能，不是本節討論的重點，在此，就用攝像頭技術來聚焦了。

第二步，把待識別數字旋轉，也就是以z軸旋轉，這第二步也是現有攝像頭技術可以完成的。人或動物，是由神經元集群指揮頭部偏轉以旋轉眼睛的。為了簡化，在此，就用攝像頭技術來聚焦了。

以上步驟，是現有技術可以實現的，可以用攝像頭聚焦后數字后，再把像素投射到路由器集群上，路由器集群再匯總縮微成 標準日字型數字。

神經元群實現聚焦、旋轉，缺點慢。

攝像頭搭配芯片來實現聚焦、旋轉，優點快。

讀者會疑惑，既然速度慢了，為何多此一舉？作者這里想表的是，路由器集群可以模仿神經元集群。

第三步，縮放待識別數字。這步用路由器的匯總路由表功能，即可實現。匯總功能，相當于神經元集群的抽象功能，簡化了圖形。

以下這幾步，是一個生成路由表的逆過程。

路由器接口越多，越能接收更多鄰居路由器的路由表。接口是雙向傳輸路由表，既能當入口，又能當出口。

熟悉路由協議的讀者，有比作者更好的方案以識別數字。作者在此提出自己的具體步驟，

第一步，路由器判斷自己是在起始點q還是經過點j還是末端點d，判斷依據是8個接口打開了幾個，路由表傳輸的方向。

如果路由器只有一個接口打開 且沒有接收到路由表，則認為自身是起始點d，接口為出口，那就從出口發出<路由表> 并等待回復

如果路由器有二個接口打開，則認為自身是經過點d。d路由器把自身打開的兩個口填到<路由表>里，并從出口傳遞給鄰居路由器。

如果路由器有三個接口打開，則認為自身是經過點d且還是環的末端點d，那就檢查自身是否已在<路由表>里，如果不在表里就添加到表里，并從出口傳遞給鄰居;如果自身已在<路由表>里，則從第一個入口傳出<圖形表>。根據這三個接口方向，以及回傳圖形表，可以判斷是彎、還是環。

第四步，<路由表>被傳回到起始點d路由器，作為學習的結果，即結論是數字幾。

    這樣的學習，是模擬神經元集群的連接。

學習后，對新輸入的待判斷的圖形，反向比較起始點q、經過點j、末端點d是否相似。比較是否相似，在神經元集群里就是神經元是否被連接并傳輸遞質。路由器比較是否相似，可以用大規模集群模仿神經元集群，但本案例里路由器數量很少，只能借助通用計算機的算法。（算法很多，比如，先把上下左右四方命名為北南東西，再把圖形最大化分解原則，能分解成環的就不分解為彎，以此類推，環>彎>豎>橫。）

通用計算機根據<路由表>，判斷圖形與數字幾相似后，標注出結論，給出<判斷依據>，并把<判斷依據>和結論加入TCP/IP應用層數據包 發給起始路由器，起始路由器再泛洪發給其它路由器，這就是規則的形成與傳播（路由器不能讀取TCP/IP應用層數據包，只能由通用計算機讀寫數據包）。該規則是路由器自身制定、傳播修改的，這就是“自組織、自學習”。整個過程體現了正負反饋、自動修正。

讀者會有很大疑問，以上過程，增加了路由器集群硬件，比單獨的一臺通用計算機麻煩，速度又慢。據了解，谷歌的圖片****，通過大量樣本學習，已經可以識別大部分街景里門牌號了，也識別能其它圖片。而且，用模擬器模擬路由器時，也是調用的通用計算機，這與拋開路由器，直接使用函數算法配上通用計算機，有何區別？

以上的比較相似性，是不需要大量樣本的，甚至可以只需一個樣本即可完成學習。

以上的日文，只需看幾遍，人腦即可學會辨識其手寫體。作者相信，路由器集群也只需看幾遍，即可學會辨識其手寫體。  

這就是模仿神經元集群的學習，少量樣本，或者只有一個樣本，即可完成學習。甚至，樣本不齊整，路由器集群也可以模仿神經元集群，也實現聯想、想象、推理功能。不僅如此，路由器集群也能理解這些圖片的含義。

雖然，現在有很多函數算法配上通用計算機，通過大量樣本學習，能夠識別手寫數字了，但是依據這些算法理解圖片真正含義，有很大難度。更進一步的，若用這些函數算法理配上通用計算機，即使讀取大量樣本數據，依然在區別貓狗、理解道路標志意義、指導自動駕駛、理解語義、揣摩心理等等方面，沒有突破性進展。

特別是學習駕駛技術方面，王垠（www.yinwang.org）說得非常好，成年人幾個小時就能學會駕駛，避障、識別道路標志等簡直是輕而易舉。但計算機吞入了大量數據，依然不明白何為駕駛、避障、識圖。

用路由器集群模擬神經元集群，是區別于函數算法配一維CPU二維GPU虛擬化連接神經元，另一條真實物理連接神經元的方式。

每個路由器都可以生成路由表，相當于一個神經元。而生成這么多路由表，怎么傳遞，怎么終止，是各個路由器互相學習過程、互相取舍的過程，這就相當于神經元集群互相觸發的過程、互相抑制的過程。

在作者有限的認知里，這就體現用路由器集群的好處：簡單的分解式學習、屈指可數的樣本數據、很弱的計算力、低能耗，通過路由器之間正負反饋、自動修正，就能實現避障、識圖，配上足夠多路由器就能實現語義理解。

這是中心計算模式，與分布式計算模式的區別。

現在CPU、GPU在勉強模仿神經元集群，意圖實現真正智能，但其實還主要應用于看圖說話等等 不影響安全的領域，如智能音箱。即使預測蛋白質序列，也是用計算機的數值計算功能，而不是理解蛋白質序列的意義。

而路由器集群，模仿神經元集群，應該比CPU或GPU干得好得多。

因為，已有實踐已經確認，在并行計算方面，CPU不如GPU。

現在，作者提出把路由器集群代替GPU，擴展GPU里每個計算單元的能力，賦予每個GPU單元一套路由算法。

雖然單個路由器里小小的芯片計算力很弱，但路由器集群在互相學習、互相取舍，這個學習、取舍過程，才是作者以前文章里說的“正負雙向反饋、自動調整過程”。

用復雜系統學來解釋，就是路由器集群有了“自學習、自組織”能力。而“自學習、自組織”能力，是集群實現智能的關鍵步驟，鳥群、蟻群、人群都是“自學習、自組織”的非中心計算形態。這與基于中心大CPU計算的形態，完全不同。

復雜系統論理論，是個大理論。

復雜系統論認為，集群會涌現出更高層次事物。鳥群、蟻群、黏菌，涌現出的智能，是無法用單個個體解釋的。用路由器集群模仿神經元集群，也是一條實現人工智能的可行之路。用函數算法配上通用計算機，之所以在語義理解、自動駕駛方面所遇到的瓶頸，就是因為其不采用集群而是盲目的擴大算力、讀取大量數據、只用函數解題造成的。

作者認為，只要認準一點，在實踐中已經證明，并行計算的GPU，比中心計算的CPU，更適合模仿神經元集群來實現人工智能即可。

所以，作者認為，在發展并行計算方面，在模仿神經元實現人工智能方面，大CPU<<GPU<<路由器集群。

（致讀者，有愿意一起寫的嗎？

）

第2節，  模仿神經元集群的機制：投****機制（待續）

問答，加15983338666

第3節，模仿神經元集群的機制：補全機制（待續）

第4節，模仿神經元集群的機制：刪除機制（待續）

第5節，模仿神經元集群的機制：聯想機制（待續）

第6節，模仿神經元集群的機制：想象機制（待續）

第7節，模仿神經元集群的機制：推理機制（待續）

第8節，模仿神經元集群的機制：其它機制（待續）

第一章，驗證：用路由器集群仿生神經元集群

第二章，作者眼中的 智能以及人工智能

第1節，定義：智能、人工智能

第2節，神經元集群運作方式：分解、抽像、重建、正負反饋等

第3節，神經元集群的動力源

第三章，比較：現有芯片的功能，以及與智能的差別

第1節，功能差別：智能與智障的差別

第2節，導致智障的原因：序列-結構-運動-功能不同

第3節，結構差別

第4節，運動方式差別

第四章，如何實現可信可靠可解釋的人工智能

第1節，改變芯片結構：三維重構

第2節，模仿神經元集群的機制：投****機制

第3節，模仿神經元集群的機制：補全機制

第4節，模仿神經元集群的機制：刪除機制

第5節，模仿神經元集群的機制：聯想機制

第6節，模仿神經元集群的機制：想象機制

第7節，模仿神經元集群的機制：推理機制

第8節，模仿神經元集群的機制：其它機制

第9節，解決固體與流體矛盾

第五章，可信可靠可解釋人工智能 對地球社會的影響

第六章，向太空微重力出發，組裝太空人

第七章，太空人的體積重量

第八章，太空人的宇宙觀以及人格特質

第九章，太空人與地球霸主的關系