技术摘要：
本发明申请提出的学习方法，是模仿人类记忆的联想激活过程，通过总结经验、经验泛化、利用经验和输入信息重组成多种响应方案，并按照趋利避害的方式来评估这些方案，并通过把一个响应方案分成多个中间环节来寻找可模仿的经验等手段来实施响应。通过本发明申请提出的方  全部
背景技术：
当前人工智能通常是为特定任务设计的，还没有能够完成多种不确定性任务的通 用人  工智能。当前人工智能通常是从大量的标记数据中寻找映射关系，它们无法从输入的 信息推  测原因、预测结果并做出选择和响应。所以，当前的机器智能和人类的智能差异很 大。而本  发明申请中，我们提出一种建立多分辨率对象，并在学习和生活中提取这些对象 之间的多分  辨率连接关系，建立多分辨率关系网络。在新的信息输入后，我们通过调用输 入信息在多个  分辨率下的组织关系，并寻找记忆中类似的组织关系，来推测信息的产生原 因、预测可能的  结果并做出合理的选择和响应。本发明申请在多分辨率关系网络的基础 上，进一步提出了建 立类似于人类的思维、情绪和个性的人工智能的方法和步骤。
技术实现要素：
在本发明申请中，我们首先提出几条关于人类大脑工作方式的基本假设，然后通 过这  些假设来分析大脑的工作流程。然后我们提出如何在机器上实现类似于大脑的基本 假设，并 提出了在机器上如何模仿大脑的工作流程，来实现通用的人工智能。 首先，我们假设大脑具有多分辨率下的对输入信息的特征提取能力，其目的是对 输入  信息在不同分辨率上建立联系。其次，我们认为大脑具有联想能力，它可以根据过去 的经验  来预测输入信息产生的原因和可能带来的结果。再其次，我们认为大脑具有泛化能 力，这是  为了把过去的经验应用于不同的对象上。再其次，我们认为大脑存在需求和情绪 系统，这是  大脑在输入信息刺激下，创造出各种可能的响应，并从中选出符合大脑期望的 响应。最后， 我们认为大脑具有模仿的能力。大脑通过模仿过去多段经验，并通过泛化能力 把这些经验和 现实信息相结合来执行模仿，并在输出过程中根据实际情况不断调整。 图1是本发明申请中提出的实现通用人工智能的主要部分。S1是实现多分辨率数 据特 整个机器的思维过程是迭代的。机器每次处理新信息的方式都是：把目前的目标， 转  为“继承目标”。机器对新信息做多分辨率特征提取。在关系网络中，通过联想能力，寻找 和 “继承目标”、“新信息”相关的经验。通过泛化能力，把这些经验泛化到输入信息上。通过  借鉴这些经验过去的组织方式，把泛化后的经验片段按照时间和空间关系，组合成一个可 能 的响应计划。然后基于过去的经验，在“趋利避害”的原则下评估响应计划可能给自己带 来 的影响。如果无法通过评估，则重新建立响应计划；如果通过，则把响应计划作为输出计 划，  通过分段模仿的方式，把这个计划中的每个环节展开到更加具体中间环节。这个过程 也是迭  代进行，直到展开到机器可以立即执行的底层经验为止。这个过程是一个边想边做 的过程，  在这个过程中，一但有新信息输入，机器再次回到“把目前的目标，转为继承目标， 4 CN 111582457 A 说　明　书 2/25 页 并对新  信息做多分辨率特征提取”的过程中去。所以，在本发明申请中，机器只需要使用很 简单的 步骤反复迭代，就可以实现类似于人类的思维过程和人类的需求以及情绪响应。 附图说明 图1是本发明申请的主要组成部分。 图2是实现多分辨率特征提取的方法。 图3是一种功能模块组织示意图。 图4是另外一种功能模块组织示意图。