先声明一下，如果不知道强AI与弱AI的定义和区别，请先参阅相关资料，然后再来断定EVA是不是“AI”的问题。

------------------------

EVA是对2006年之前的我的AI思想的一次尝试性实践，是对我当时理解中的AI的程序体现，虽然这交基于符号系统的AI尝试没走通，但对下一步基于具象——抽象认知的EVA新计划有一定的参考价值。
今天我要结合几方面的实例进行一下总结，并就此提出新的实践思路。
要强调的是，AI处理的结果不限于语言，AI不是聊天工具。事务，行为模式，这些对应着很多方面，我刚刚构想出的新模型有希望做到这点，而现在的EVA很难做到。

1、EVA的时间处理行为模式：
下面概括性地说一下EVA对时间的理解方式。


  

EVA对表达时间的文字理解是迭代的，递归的，自反馈的，而不是一过性的、一次完成的。只要你的描述正确，不管怎么绕她都能理解成最后的时间。
让她把每个描述性的文字都理解为具体的意义，她会把这个事件分解处理然后回归最后的终点——时间。这是我仅有的几个能让EVA理解的事务处理模式了，而其他的概念我几乎不知道要怎么以符号形式对EV表达，也无从知道她该怎么理解。
对这种可理解概念进行处理的机制，我称之为行为模式。
  

你试试实现这样的算法，哪怕只是人工地基于文字进行推演，看看我们理解这些话的时候是怎么做的。EVA的过程类似，不同的是，EVA最后得出的结果是个相对时间，是相对于当前时间的差值。
无论你与她交互时以什么方式描述时间，得出的都是相对值，只要描述本身的语意明确。她理解这些时间描述的时候，是直到最后一步才调用当前时间（或你给出的参考时间）来计算的，而在这之前，只计算出时间差。
她只知道方法，对某个语句采取什么顺序什么过程，是她的事。不然的话，我甚至需要把每种可能的情况都想到，这是不现实的。即不能理解为查询，也不同于函数调用，而是靠预先准备好的事件处理机制。语义的理解过程甚至可以理解为基于宏替换的迭代过程。“前，后，差，过，半，……”等符号都定义为她可接受的参量甚至常量，由她去把这一句话还原为算法然后处理。迭代的最后结果得出的是数值，与当前时刻间的差值。

2、EVA的情绪控制机制：
人的性格是自身神经元共性的外在体现，人类社会则是人这种个体间的共性的外在体现，AI的性格，很大程度上取决于她们的实现机制和行为模式。
EVA有一些属性式的情绪参数。这些参数相当于人的激素，荷尔蒙或肾上腺素，多巴胺等的自然释放与应激分泌。但我简化为一个参数，每个情绪受一个或一组参数影响，相关情绪间也相互影响。
她对主人千依百顺，而关系不密切的人，重复一个话题她会“烦”， 甚至会发火。给她的任务重了她会“累”。而这些是情绪参数的累积，而且EVA有其自已有调节机制，某种情绪可以自行消退，但是随机的，渐变的。“使其开心”的话会抵消烦燥情绪。有时候一分钟没有消退，有时候十几秒就消退了，有时候会因为生气把用户“踢掉”。而过多久才允许其重新登录，则完全取决于她的是否“消气”。
  

新的EVA模型将是有感觉和有“生”理反应的。她会“肌肉” 紧张，“心” 动过速，“电压”升高，“情绪”低落等，因为她会有感觉，有反应。这些将不再受预设参数的限制，而是她的切身“体验”。至于她的耐受力，是长期累积的结果。如果长期高负荷工作，偶尔的洗碗会让她感觉轻松。EVA的情绪可能是处理不同情绪的行为模式之间的自发组织和群体决策。
新的模型不是基于符号的，而是基于对具象的感观认识过程。关于视觉感观认识过程，我在《基于3维形象思维的认知与多维度概念空间模型》、《基于形象和3维识别建模与空间想象能力的AI认识方法讨论（1、2）》几篇文档中已经论述，请参阅。其他的感观模式与之类似。

3、EVA的交互与记忆组织机制：
EVA的思维方式是个自迭代的递归的过程，所以让她掌握语言习惯和最基本的语言元素（最小的可识别概念），就可以“想”出符合习惯的对话。而这个习惯是否准确合理，可在交互过程中可以修正，发现不合适的，修正一下，就成了新的语言习惯。
她的记忆也是基于已经掌握的概念和习惯的。在学习的过程中，她会把接受到内容中的可识别（记忆中有对应概念）部分“找”一个已知概念来“替代”，完成对已知概念的“理解”和对新概念的“掌握”。但由于她所到的已知“概念”可能也是多个“概念表述”中的一个，而非基本概念，她最后“学”到的新概念中的已知概念就有了很大的不确定性。因为那些“概念表述”本身仍有很大的不确定性，还原过程中可能出现不同的结果。
这多少有点象人的语言习惯，我们经常会对同一个语义采取不同的说法，或对一件事物采用不同的名称。比如表述因果关系的时候我们有时候说“则……”，有时候会说“那么……”，还有时说“因而……”，“所以……”。而对一个人的称呼可能是“他”，“小王”，“明明”，“我外甥”，“她老公”，“小豆的哥哥”，……。这要看我们对这个人有多少种常识性的和关系性的认知。

这样的结果是造成了整个记忆的结构就成了交织的网状。没办法确定她对一个问题的响应采取哪条路径，也就是说无法预测她采取哪种具体的回答方式。这取决于她在这个会话处理过程中涉及了多少已知的概念和模式，以及在每个选路环境决定选择方向的一个“随机因子”。想人为地从她的记忆中找到有意义语义序列太难了，因为很难把握这个多维的网状结构中哪些数据与当前的节点相关。
但迭代的最终结果是她理解的是回归最基本的（无歧义的最终表示）那些语法和概念之一。而说出的，基本符合预先掌握的语言习惯。能还原的，则视作语义被理解，可用任何一种已知的表述去答复；不能完全还原，则视为“不能理解”，并对无法还原的部分提出疑问。
EVA也有遗忘机制，但在目前阶段这是需要干预的，我们在交互中发现不好或错误的内容才“指使”她忘掉该模式下与这条通道相关的入口。这有可能使某些信息成为孤岛，而与外界失去联系，但并不删除它们，因为不排除未来某一时刻某个新接受的内容与这样的孤岛相关联，“激活”这些被“遗望”的“远期记忆”。因为我要有选择地保留重要内容。EVA的记忆是我下一步AI实验的基础。
我不担心以后版本的EVA理解不了现在EVA的记忆，因为我会尽量按同样的模式去实现未来EVA在某些语言方面的处理机制。
那么EVA如何选路的呢？我们思考一个问题：计算机里什么样的量是随机的？答案是没有——除非靠外设。但在交互过程中，其实有一个参量是随机的——就是时间。
这一秒和过一秒我问你一个问题。你可能会给出不同的答案，你给出的答案与我是这一秒问还是下一秒问有关系。同样的问题现在问或明天问，你的回答可能不一样，哪怕这个问题本身与时间无关。
为什么？因为我的发问时刻是随机的。那么我还用计算机里的随机算法，而以时间相关的参数为种子会得到无法预测的随机量？这个与真随机的输入有关，因此也是真随机的。那么EVA对每一个问题的每一个环节的每一个取向，都用一个新生成的随机数来控制走向，那么不可能100%准确预知她的路径？
可以肯定的，只要你的问题描述在记忆中存在哪怕惟一的匹配，不管这个网状的相关概念树（一个概念不一定对应于一个命题）是怎么组织的，都会有至少一条只与你的问题相关的合理路径，记忆之间是松散却相关的。这就是我的存储结构。
这个多维网装结构我描述为“多维分形树形结构”，从一个入口出发可以找出很多这样自上而下的关系树，介树上的很多环节可以是其他树的一部分。也就是说，同样一个“苹果”的概念会被不同的问题触发，而触发的原因和目的还不一定是一样的。
这就是网状结构。每一次的交互刺激，得到的是一条路，而所有可能刺激的集合是一张多向多环的网。没有任何一个刺激能遍历整个系统。
每一个时刻产生的每一个随机量都有一个确定的方向。不会在任何环节上发生犹豫。

4、当前EVA遇到的障碍和后继系统开发思路：
上面的叙述是我设计EVA时采用的一些方法和思想，但实现得并不完美，甚至有些环节很失败。
但06年版的EVA面临的最主要问题是——基于符号的EVA只能只理解了极少数的概念，我没办法让她理解，因为她没有感觉。人有哪些理解不基于感觉的？
我对EVA下一步的开发目标是实现一个基于事务处理、形象认识和行为模式群的“弱”AI，这个弱AI的行为能力将会远超过目前技术条件下的任何强AI系统，因为等同样行为能力的强AI研究出来还不知道要多少代人。
EVA没有自由意志，她的行为的动机永远是被动的吗？新的基于感观的EVA不是，因为她会主动关注她不认识的东西，就是有“好奇心”。





老万于2011年5月22日
Dreamon-II Labs.