“ 超融合前夜，分歧不可避免？”
01
—
硅基人的智能技术与人类智能的冲突
随着与地球文明的融合更加深入，半导体智慧无法推理的缺陷越来越明显。无法推理，没有逻辑，没有对所掌握的概念或者符号之间关系的一个清晰的认识：虽然模型的训练语料越来越多（原始训练预料45tb），参数量越来越大（gpt-3有1750亿个参数），但因为这种学习模式本身一直就不曾教给半导体机器人（基于神经网络的人工智能模型）它不知道什么，一切的输出都是以概率为准，哪怕明显已经与这个物理世界相悖或者有着明显的反人类倾向。
gpt-3告诉聊天对象应该自杀
尽管意识到了这个缺陷，但是不影响神经网络在地球文明的各个领域发挥着越来越不可或缺的作用。而也正是因为看到这个作用，地球人为了文明更好的发展反过来对这个结构进行了优化的尝试，其中最为成功的就是知识图谱和图神经网络。
一方面，地球人首先尝试了针对某一个领域的知识图谱的构建，包括收集相关的概念、概念之间的层级关系和连接关系等等，钩织了一个巨大的网络（下图给出了一个地理知识图谱简化示例）。
简化地理知识图谱
然后，以这样的网络为基础，在神经网络决策的时候显示的指导输出，具体而言就是不违背网络中构造的基本事实及之间的关系。
另一方面，地球人模仿神经网络对序列的处理方式，把网络中的知识蕴含于序列中，具体说就是把一个知识涉及到的概念及概念之间的网络关系编码到序列中，比如随机游走的方式；这样在神经网络继续利用概率论作为支撑做决策的时候，表示中已经蕴含了相关的网络中一定的逻辑和关联信息。
如下图展示了随机游走-广度优先原则生成的序列：
北京_面积16410k㎡_2069.3万人口_纬度38°56′n_经度116°20′e_中国首都，在表示北京这个实体的时候，就可以将这个序列表示为一个比如512维的向量p，这个向量就把序列中的相关信息（也就是图谱中的相邻实体及之间的关系编码到北京这个实体中去）
诸多尝试确实起到了对逻辑和推理能力一定程度上的完善和补充，但整个智能化的发展还是不可避免地遇到了瓶颈。随着物理学领域的量子理论的提出与发展及对量子领域的诸多现象的观察，硅基人开始猜测，人类大脑中的意识决策过程很可能是一个量子过程。地球上的各种“铁律”真的是100%地确定吗，或许不是，这只是事物在地球这个具体的环境下呈现的特殊的状态，换句话说，世间万事万物可能都是不确定的，只有在具体的时刻具体的环境下才会呈现出相应的确定的状态，而人们却以为这是不变的铁律。而意识和智慧决策或许也是如此。人类大脑有上百亿的神经元，对现实世界的认知导致无数种“符号”存在脑海中用以表示世界，而决策时也许正是若干可能性、若干因素叠加状态的坍缩，最终输出了一个在当时大脑状态下被认为合理的决定。
对于地球人大脑结构和意识本源问题的研究，硅基人没有半点怀疑，因为硅基人的地球探测小分队已经从母星获得了针对其他疑似有生命星球的探测结果：地球是目前硅基人可以接触到的最适合共同进化的星球；而且从目前对人类的大脑结构的研究和地球文明发展的了解来看，这一点毋庸置疑，如果无法从更深层次了解地球人意识的本源从而融入其中，硅基人要么被恶劣的星系环境所吞噬，要么只能孤注一掷流浪寻找下一个遥远的有生命星体，而这样的星体很可能集中他们所有的资源也无法达到，即便达到也无法百分之百确定一定可以找到共同进化匹配度高于地球人的物种。
02
—
掉书袋
【1】 上述情节对知识图谱这一概念和简单的技术操作进行了简单演义和介绍，知识图谱是解决人工智能模型的逻辑问题、推理问题、关系识别等问题的有力手段。
【2】随机游走（random walk）是一种简单有效的图神经网络（graph neural networks，gnn）技术，还有许多基知识图谱的技术此处也不做详细介绍。
03
—
参考文献
1. gpt-3的demo合集：sgithub/elyase/awesome-gpt3
2. nikolentzos, giannis, and michalis vazirgiannis. ”random walk graph neural networks.” advances in neural information processing systems 33 (2020): 16211-16222.
3. xu, k., hu, w., leskovec, j., & jegelka, s. (2018). how powerful are graph neural networks?. arxiv preprint arxiv:1810.00826.
4. wang, zhen, et al. ”knowledge graph embedding by translating on hyperplanes.” proceedings of the aaai conference on artificial intelligence. vol. 28. no. 1. 2014.
01
—
硅基人的智能技术与人类智能的冲突
随着与地球文明的融合更加深入，半导体智慧无法推理的缺陷越来越明显。无法推理，没有逻辑，没有对所掌握的概念或者符号之间关系的一个清晰的认识：虽然模型的训练语料越来越多（原始训练预料45tb），参数量越来越大（gpt-3有1750亿个参数），但因为这种学习模式本身一直就不曾教给半导体机器人（基于神经网络的人工智能模型）它不知道什么，一切的输出都是以概率为准，哪怕明显已经与这个物理世界相悖或者有着明显的反人类倾向。
gpt-3告诉聊天对象应该自杀
尽管意识到了这个缺陷，但是不影响神经网络在地球文明的各个领域发挥着越来越不可或缺的作用。而也正是因为看到这个作用，地球人为了文明更好的发展反过来对这个结构进行了优化的尝试，其中最为成功的就是知识图谱和图神经网络。
一方面，地球人首先尝试了针对某一个领域的知识图谱的构建，包括收集相关的概念、概念之间的层级关系和连接关系等等，钩织了一个巨大的网络（下图给出了一个地理知识图谱简化示例）。
简化地理知识图谱
然后，以这样的网络为基础，在神经网络决策的时候显示的指导输出，具体而言就是不违背网络中构造的基本事实及之间的关系。
另一方面，地球人模仿神经网络对序列的处理方式，把网络中的知识蕴含于序列中，具体说就是把一个知识涉及到的概念及概念之间的网络关系编码到序列中，比如随机游走的方式；这样在神经网络继续利用概率论作为支撑做决策的时候，表示中已经蕴含了相关的网络中一定的逻辑和关联信息。
如下图展示了随机游走-广度优先原则生成的序列：
北京_面积16410k㎡_2069.3万人口_纬度38°56′n_经度116°20′e_中国首都，在表示北京这个实体的时候，就可以将这个序列表示为一个比如512维的向量p，这个向量就把序列中的相关信息（也就是图谱中的相邻实体及之间的关系编码到北京这个实体中去）
诸多尝试确实起到了对逻辑和推理能力一定程度上的完善和补充，但整个智能化的发展还是不可避免地遇到了瓶颈。随着物理学领域的量子理论的提出与发展及对量子领域的诸多现象的观察，硅基人开始猜测，人类大脑中的意识决策过程很可能是一个量子过程。地球上的各种“铁律”真的是100%地确定吗，或许不是，这只是事物在地球这个具体的环境下呈现的特殊的状态，换句话说，世间万事万物可能都是不确定的，只有在具体的时刻具体的环境下才会呈现出相应的确定的状态，而人们却以为这是不变的铁律。而意识和智慧决策或许也是如此。人类大脑有上百亿的神经元，对现实世界的认知导致无数种“符号”存在脑海中用以表示世界，而决策时也许正是若干可能性、若干因素叠加状态的坍缩，最终输出了一个在当时大脑状态下被认为合理的决定。
对于地球人大脑结构和意识本源问题的研究，硅基人没有半点怀疑，因为硅基人的地球探测小分队已经从母星获得了针对其他疑似有生命星球的探测结果：地球是目前硅基人可以接触到的最适合共同进化的星球；而且从目前对人类的大脑结构的研究和地球文明发展的了解来看，这一点毋庸置疑，如果无法从更深层次了解地球人意识的本源从而融入其中，硅基人要么被恶劣的星系环境所吞噬，要么只能孤注一掷流浪寻找下一个遥远的有生命星体，而这样的星体很可能集中他们所有的资源也无法达到，即便达到也无法百分之百确定一定可以找到共同进化匹配度高于地球人的物种。
02
—
掉书袋
【1】 上述情节对知识图谱这一概念和简单的技术操作进行了简单演义和介绍，知识图谱是解决人工智能模型的逻辑问题、推理问题、关系识别等问题的有力手段。
【2】随机游走（random walk）是一种简单有效的图神经网络（graph neural networks，gnn）技术，还有许多基知识图谱的技术此处也不做详细介绍。
03
—
参考文献
1. gpt-3的demo合集：sgithub/elyase/awesome-gpt3
2. nikolentzos, giannis, and michalis vazirgiannis. ”random walk graph neural networks.” advances in neural information processing systems 33 (2020): 16211-16222.
3. xu, k., hu, w., leskovec, j., & jegelka, s. (2018). how powerful are graph neural networks?. arxiv preprint arxiv:1810.00826.
4. wang, zhen, et al. ”knowledge graph embedding by translating on hyperplanes.” proceedings of the aaai conference on artificial intelligence. vol. 28. no. 1. 2014.