专利名称：：经由多个通过预定关系连接在一起的概念节点定义人造大脑的方法和装置的制作方法
技术领域：
：本发明一般地涉及人造大脑，更具体地，涉及把信息作为多个能够通过预定关系相互连接的单独概念存储的方面。
背景技术：
：当对待仿真人类大脑的处理系统时，在过去已经使用了多种技术。一种是利用第一主旨系统，它以多个规则和各种层次结构(hierarchicalstructure)的形式定义人造大脑。例如，某些语言学系统利用由多个语言规则组成的数据库，使用所述多个语言规则把句子分解为其各个部分，例如主语、动词和宾语，然后把句子作为部件组(groupsofcomponents)组织为段落(paragraph)，并把段落组织为整个大纲(outline)。这些系统中的一些系统具有确定特定句子和段落背后的概念的规则，并且甚至产生整个大纲。第二类型的系统利用神经网络，神经网络由与输入和输出节点互连的多个加权节点组成。训练称作激活节点的各个内部节点，以提供系统的整体表示。这些是非线性的网络，并且每一个节点具有通过训练确定的功能，等等。没有一个给定节点具有预先定义的关系。任何类型的用来表示一系列复杂关系的节点系统通常要求多个单独节点，每一个节点按激活等级定义，使得特定节点基于输入或事件的“触发(firing)”将导致顺序的多个节点的触发以表示整体概念。这些节点的使用并不有助于以离散方式定义概念，或者以适当的方式互连这些概念。
发明内容这里公开和要求保护的本发明在其一个方面包含，一种用于定义节点网络的方法，每一个节点表示一个唯一(unique)概念，并且通过与其他概念的唯一关系在各个概念之间形成连接。为了更完整的理解，结合附图参考下面的描述，在附图中图1示出了一般人造大脑和相关联的神经元数据库的整体框图；图2示出了概念组织；图3示出了一个概念流的示意图；图4示出了多个神经元的框图，通过各种关系示出了其互连；图5示出了定义为丛(clump)的各种关系流的示意图；图6定义了丛组织的替代示意图7示出了一般整体人造大脑的框图和接收文本输入并提供输出的操作；图8示出了NID的示意图；图9和图10示出了额外的概念流的示意图；图11示出了图9的概念流的替代示图，其中示出了神经元；图12示出了分解器(parser)的示意图；图12a示出了到丛的系统链接的图；图13到图18是示出各种丛的表格。具体实施例方式现在参考附图，其中这里通篇使用相同的附图标记指代相同的元件，示出和描述了用于经由通过预定关系连接在一起的多个概念节点定义人造大脑的方法和装置的各种示图和实施例，并且描述了其他可能的实施例。附图不一定按比例绘制，并且在某些实例中，只是为了说明性目的，附图在某些地方可能被夸大和/或简化。本领域技术人员将理解基于下列可能实施例的例子的很多可能应用和变型。现在参考图1，示出了表示人造大脑的处理系统的总体框图。总体上，由附图标记102指示大脑处理系统。其可操作以便在输入线104上接收输入，并在输出节点106上提供输出。输入端103可以接收输入，例如语音、文字或者某些感官输入，并且节点106上的输出可以是动作、文字，等等。应该理解，向系统提供某种信息的任何类型的输入，静态或者动态的，可以适用。在人造大脑的一种实施方案中，系统将和用户对话。用户可以以查询形式输入文字(或者输入语音，该语音被转换为文字或者某种类似的机器可识别形式)。例如，输入可以是一个问题，该问题可以请系统“showmethetree(向我显示树)”，随后，这被系统解释以便可能显示树的画面。系统有可能检测到某种歧义性，因为它不理解该查询是试图向它询问植物还是图表，因为术语“树”可以是被定义为树的植物，或者，它可能是树结构形式的图表。在此情况下，输出可以是向用户提出的问题，询问用户指的是植物还是图表。然后，将接收另一个输入，指示其是植物。然后，系统将进一步对其处理。但是，如果用户已经指明该查询为“showmethetreethatwastobecutdown(向我显示要被砍倒的树)，，，则根据人造大脑的训练水平，能够确定在概念“cut”和作为植物的树(而非作为图表的树)之间存在某种类型的学习的关联(learnedassociation)。在此情况下，将不要求额外的查询。当然，这是可被接收的输入类型和可被提供的输出类型的非常简单的例子。此外，在对话流程中，有可能上下文足以揭示树是植物类型，例如因为先前的查询可能已经指向在树林中散步以找到“树”。这个上下文被保持在正在进行的上下文列表中。在此情况下，大脑自己可以解决歧义性，并且将无需澄清性查询。大脑处理系统102和由多个此后称为“神经元”的单独神经元节点组成的节点阵列104连接。节点阵列104可操作以便在多个神经元的每一个中存储唯一的概念。这个概念可以涉及具体对象(hardobject)或者抽象理念(abstractidea)。例如，在基于植物的上下文中，所述概念可以是树的概念。它也可以是“卡车”的概念。此外，它可以涉及“救火车”的概念。任何复合数目的单词可以定义一个特定概念，并且这个特定概念不一定要求它是单个单词，相反，它可以是多个单词的组合，并且甚至可能包括用短语具体表达的概念。如下面将描述的那样，当在句子的上下文中看时，每一个概念与其他概念具有某种类型的关系。为了进行任意类型的对话或者在对话中转达(relay)特定的整体概念，多个单独的概念按特定顺序和组织方式被组织。因此，一个单独的概念在特定方式中的结构和顺序定义了一个理念(idea)或者一个“概念流(conceptualflow)”。将在下面更详细地描述这个概念流的细节。现在参考图2，示出了概念宇宙(conceptuniverse)的示意图。示出了多个节点(神经元，注意通篇将可互换地使用“节点”和“神经元”)，每个节点表示一个单独的概念。一个可以是特定动词的概念，一个是特定名词的概念，等等。这些概念中的每一个均具有与其相关联的一组关系。例如，在对话中可以利用特定句子，其中，陈述了“AleopardnamedEgorisinthecatfamilyandhaswhitefurandwearsaredcollar.(名口Egor的豹属于猫科，并具有白色皮毛，并戴着红色颈圈)”。有多个关系存在于这个句子内。首先，如果这些关系先前不存在，则将生成用于豹概念的神经元，并且在豹和被定义为“猫”神经元的先前存在的神经元之间产生关系。这将以这样的方式生成其中，所生成的关系被定义为是“豹”概念和“猫”概念之间的“父母(parent)”关系，即一个“父母”关系。在豹神经元和名字“Egor”之间还将生成“...的实例(instanceof)”关系。在“Egor”神经元和“红色颈圈”神经元之间将存在“拥有(possession)”关系。如果先前存在概念“红色颈圈”作为神经元的概念，则将在“Egor”神经元中生成到“红色颈圈”神经元的该关系。从“红色颈圈”神经元到“Egor”神经元还将生成称作“返回关系(backrelationship)，，的关系。这在下面提到具体关系时将更详细地描述。对于这个讨论的剩余部分，神经元之间的关系将被称作“rein”或者关系“rein”。一种额外的关系将是属性(attribute)，它将示出具体“Egor”神经元的属性将指向“白色”神经元，假设先前存在在神经元中被具体表达的这个概念。当定义特定分组(grouping)、即句子时，只需要定义在这个分组(以自然语言形成逻辑分组的句子)中被定义的概念，然后定义各个概念之间的关系。一旦分组(即句子)中的概念以及那些概念之间的关系被定义，则该句子或者逻辑分组的整体理念或者概念被定义。这可以被进一步扩展到整本书中的段落、章，等等。这也将在下面被更详细地描述。往回参考图2，示出了多个神经元，各自定义了概念。定义了第一分组202和第二分组203。它们分别是独立的分组。概念及其关系的特定分组将与例如特定句子相关联。现在参考图3，示出了一个特定整体概念流中的概念流的示意图。下面的句子是由图3的概念流表示的Adogisadomesticanimal.Dogsarecompanions.Dogsaremembersofthecaninefamilyandtheyarehairy.AdogIknowofisnamedFido.(狗是家畜。狗是伙伴。狗是犬科成员并且它们是多毛的。我知道的狗名叫Fido)然后该顺序流将在各个神经元之间行进。在这个例子中，存在“狗”神经元、“家畜”神经元、“伙伴”神经元、“Fido”、“犬科”神经元和“多毛”神经元。句子流将是“狗”和“家畜”之间的第一关系，沿着由①表示的第一路径。将存在从“家畜”回到“狗”的第二个流，因为存在从“狗”到“家畜”的关系(作为父母关系(parentage)之一)，即“狗”是“家畜”范畴的成员。“家畜”和“狗”之间的关系是“狗”是“家畜”范畴的孩子(返回关系(back_rein))。然后将存在在“狗”和“伙伴”之间定义的下一关系。在“狗”神经元处将存在一个关系，指示“伙伴”神经元是关联关系，这将和④关系具有返回关系。因此，狗将具有被存储的到“伙伴”的关系，而伙伴将具有被存储的回到“狗”的关系。要理解存储在“狗”神经元中的是到其他神经元的关系而非“来自”其他神经元的关系，即，对于狗神经元来说重要的是知道其具有到伙伴神经元的关联关系，而不是知道伙伴神经元具有到狗神经元的返回关系。以类似的方式，流中的下一个关系将是“狗”神经元到“犬科”神经元的关系，其为父母/孩子关系之一。“狗”神经元指示存在到“犬科”神经元的父母关系，而“犬科”神经元将指示回到“狗”关系的孩子关系。因此，“孩子”关系不被存储在“狗”关系中。然后，将存在在“犬科”和“多毛”之间定义的关系，这是关联关系。最后的关系将是到“Fido”神经元的instance_of(...的实例)关系。在到“Fido”的一个方向中将存在作为实例关系的关系，而从“Fido”到“狗”的返回关系将是“inStance_of(...的实例)”关系。这些关系将在这里下面被更详细地描述。如上面所指出的那样，节点阵列和为人造大脑存储的整体信息由利用各种关系互连在一起的多个概念神经元组成。即，一个特定神经元可能具有成千上万的到其他神经元的潜在关系。例如，“狗”神经元可能和“犬科”神经元、“狗的身体”神经元、“皮毛”神经元等相关。但是，直到某个概念流(例如和特定句子相关联的概念流)出现，这些关系才有意义。当概念流以某种有组织和结构性概念方式被设置时，这些概念把含义给予由概念流和特定分组的顺序、结构和组织机构传递的特定整体理念。现在参考图4，示出了与被标记为概念节点b、概念节点C...概念节点N的多个其他概念节点406相关联的单个概念节点或者神经元404。每一个概念神经元或者节点在块408中具有一组性质(property)与其相关联，定义特定神经元的某些方面。例如，如果概念神经元是树枝的概念，则性质块可以包括例如它比较细、具有小于特定直径的尺寸、由木头形成等内容。这些是针对其属性固定的某些内容。尽管在通过引用包含于此的母申请中未讨论，但是应理解，概念神经元可以被生成为具有某些性质，例如它们的单词类型，即名词、动词等，并且它们可能已经定义了与其相关联的性质。或者，这些概念神经元可以是“学习的(learned)”神经元。可以有文字神经元、可以有身份神经元，等等。但是，每一个神经元或者节点构成了要么是具体对象要么是抽象理念的特定概念。在系统中其被神经元ID“NID”定义，这是把一个神经元引向另一个神经元所需的全部东西，即，它是NID流。往回参考图4，特定神经元404被定义为具有多个到其他神经元或者节点406的关系(rein)。可能有成千上万的这些关系，对于每个神经元这些关系的计数可能高达32K。当向包括神经元的节点阵列的知识集合查询特定关系时，这些关系是有用的。例如可能期望确定关于狗的信息。节点阵列将进入并确定最近的关系，然后确定最远的关系。例如，它可能首先确定狗是犬科的，并且狗拥有狗身体。然后它可以再进一步并确定，由于狗存在于狗身体中，它拥有脚爪，然后，进一步的关系将是它拥有爪子，因为它拥有脚爪。直接关系将是到特定神经元的最接近(immediate)的关系，然后一个较远的关系，即被一个关系隔开的关系，将是进一步的关系。查询可以按具体关系定义，一个例子是“构成(made_0f)”关系，它定义构成特定对象的组成的某个神经元。例如，狗身体将由脚爪、尾巴和毛发构成。人们可以查询狗由什么构成，并且数据库为了响应该查询将查看最近的构成(made_of)关系。同样，数据库查询只需查看关系以确定如何产生特定响应。因此，往回参考图4，所有的潜在关系(它们是直接关系)，流到概念节点406。然后，每一个概念节点406流到相对于概念节点B被示出为概念节点410的其他概念节点，并且概念节点412与概念节点C相关联。因此，如果期望的关系是从概念节点404往下两步的那个关系，则能够通过允许往下两步取关系来确定概念节点404和概念节点410之间的关系。通过按关系定义查询，可以定义特定关系路径。因此，特定概念节点之间的所有关系都是“潜在”关系，直到做出查询或者构成句子为止。从如何定义神经元的观点，可以从存在于特定段落或者对话内的特定句子分解一个单词，并被“概念化”为特定神经元，其中，该神经元的性质可以被定义，并且该特定概念和其他概念神经元之间的关系被定义。在概念化过程中，在存在于特定对话内的各个其他神经元之间定义关系。该对话可能导致将被呈现的新关系。例如，如果对话指示“狗有红色颈圈”。指示将是在“狗”神经元和“红色颈圈”神经元之间存在POSSN(拥有)关系，这先前可能已经存在。这些关系将导致已经存在的“狗”神经元可能具有指向“红色颈圈”神经元的POSSN关系，以及存储在“红色颈圈”神经元的往回指向“狗”神经元的P0SSN_0F关系。这是如何作为特定输入对话的结果定义关系，这在下面更详细地描述。一般地，如上面多次指出的那样，每一个要被知道的唯一概念被具体表达为单个神经元。虽然所有神经元实质上相同，但是真正重要的信息不是在它们中存储了什么(或者它们的具体特性)，而是它们如何与其他神经元互连。这些连接定义了关于它是什么的概念，即，其与系统内的其他概念的唯一关系。这些关系可以固定，或者它们可以改变。某些可能是临时的，即它们消失，或者不消失。如下面将描述的那样，这些关系、即关系连接(relationalconnection)中的大多数是非加权的，但是有些是加权的。有些是两个神经元之间的双向连接，例如ASOC关系，以及分离例如PARENT(父母)和CHILD(孩子)关系之类的关系所需的其他概念。一般地，当讨论一般的上下文或者概念流时，人们必须查看概念或者思想的传递。一般地，使用单词传递概念或者思想。人类主要的记忆机制是存储概念或者思想而非借以传达它的单词。存在存储精确文字的记忆机制，例如记忆独立宣言，但是在这里不讨论这个。跨越所有文化存在概念记忆的事情，因为所有的语言旨在通过使用单词传达某些东西。提供了使用概念节点和关系互连来表示整体概念，从最简单的到较为复杂的概念。听者，一般像是分解器——文字的翻译者——尽力得出单词本身试图传达的更多含义。文字通过各种渠道进入，并且其被分解和处理。概念被记在四个基本的神经元类型其中之一中。第一个是简单神经元。这是其中单个概念被存储在单个神经元或者节点中的神经元类型，其中，神经元只是该概念的占位者(placeholder)。如上所述，关系连接“关系(rein)”被提供给在大脑的整体上下文内给予所述神经元含义的其他概念(或者单词)，以便提供知识集合。这些简单神经元以真实方式存储概念之间的关系。例如，单词“狗”形成了“狗”神经元，并且该神经元通过关系链接到帮助在系统中建立狗的概念的其他神经元。这可以只是单个神经元，或者是需要多个关系的多个神经元。简单和复杂神经元的神经元ID(NID)共享同一编号空间。复杂神经元是另一类型的神经元，需要它们是因为偶尔存在对具有修饰性形容词的名词(例如“黑狗”)的重复引用。生成复杂神经元以便处理这些情况。例如，复杂神经元和其相关联的概念携带了所有“狗”的含义和“红色”的修饰，但是不具有其自身复制所有链接的开销。这是因为尽管在文字上需要两个单词来传达复杂的“红狗”概念，但是该概念可以被在单个概念中查看。通过比较，当提到具有特定特质或者关联的具体的狗(例如“那条狗”)时，生成简单概念神经元。简单神经元指“狗”的具体实例，并通过INST_OF“dog”连接到“狗”，并通过INST关系从“狗”连接到“那条狗”。另一种神经元类型被称作“丛(clump)”神经元。这是收集关于已经发生的动作的信息的“丛”，并用其储存该特定动作或者事件的所有历史的概念。因此，每一个丛神经元包含到动词(区别特性)的连接。这些丛是名词采取的动作的贮存库，并且每一个这样的丛暗示了什么可以被看作独立从句的内容，具有处理从属从句的变体。一般地，大脑分解句子并输出存储被分解的“思想”的单个概念丛(Conc印tualClump)。概念丛存储思想而非单词，即，对于该特定句子，它是概念的语义组织，要理解，一般认为一个句子定义了特定的单个思想(记住，某些句子传达多个思想，并且它们必须被单独地处理)。在存储思想或者概念的序列时，提供了捕获输入流或者概念(即“概念流”)的丰富集合的能力。将这些不同的流分析为概念上相等的可能性也被考虑到了，并且也规定了为生成输出提供丰富的句子再生范围。这在下面定义概念流时将被更详细地描述。一般地，如下面将进一步描述的那样，一个概念丛是一个基本的句子丛，该基本的句子丛在其最基本的等级取得句子的单词和短语，并将其转换为一系列语义角色，这些角色其中之一是PAS动词，其中定义了分配特定丛的大多数其他角色的主动词。此外，如下面将描述的那样，每一个概念丛被定义为提供一个角色。它既是具有被定义的与其相关联的概念集合，以使其利用定义特定概念与“从”(它为一个句子)的关系的特定关系(rein)指向这些特定的概念神经元的神经元，而且也定义了丛的角色。但是，有多个和丛相关联的角色，这将在下面描述和给出。现在参考图5，示出了如何表示概念流的理念。存在被称作句子丛(SentenceClump,SC)的丛类型，句子丛定义了与其相关联的特定神经元及其流。这些被示出为线性流，但是实际上它们并非这样相关。例如，特定SC可以把各种概念神经元定义为名词、动词、形容词、宾语等。但是，它们被线性地表示只为了示出它们在特定SC内具有某种关系。在可能是段落中的句子的特定对话中，示出了多个SC。一个SC由丛ID(CID)“9017”定义。还提供了SC“9181”和SC“8911”，其间可能包含多个SC。整个SC组被组织在所谓的控制器丛(CC，ControllerClump)中。一般地，思想流通常用连词或者通过起到连词作用的标点(假设连词)把句子连结在一起。控制器丛是在高得多的等级存储信息的方式。控制器丛提供了一个句子的思想的线性演进。这通常是逻辑演进(即，想然后实现，期望然后现实)。控制器丛基本上是在由句子定义的特定理念分组中被连接的思想的实质。同样，这将在下面更详细地定义。现在参考图6，示出了可以如何定义理念序列的替代示意图。在一个对话中，通常有若干段落，即离散的理念集合之间的逻辑中断。句子描述特定思想，并且段落中的各种句子定义被以某种逻辑方式分组在一起的那些思想的逻辑演进。两个顺序段落定义两个思想组。因此，可以示出第一段落Para1，它具有多个句子丛SCI、SC2...SCN与其相关联。这被称为控制器丛CCl。第二段落Para2具有句子丛SCl、SC2...SCM，连结在一起作为句子丛CC2。在更高等级，这所提供的是大纲丛(OutlineClump,0C)。这基本上是文本材料的主旨的较大视图，即，它为话题提供了范围或者大纲，例如“这本书的主旨是什么？”。大纲丛可以概括一个段落，或者它可以提供书中各章的概括(如果合适)。现在参考图7，示出了基于输入分解英语并把其概念化的一般结构，无论输入是某个类型的文字还是口头输入。这将在下面进一步描述。此外，用于存储概念神经元等的系统的一般结构也将在下面描述。为了本讨论的目的，有必要确定概念在特定句子中如何流动，并且该结构将如何提供某种益处。事件或者文字输入在块702提供，并且这被输入记号化器(tokenizer)704。记号化器基本上可操作，以便把文字转换为句子记号和/或NID的列表。记号化器是对分解块706的输入，用来把句子或者其片段分解为记号替代列表的集合，其中对替代物加权。然后这被输出到概念化块708，它可操作以便确定存在于句子内的特定单词背后的概念。然后，这传递到解析块710，以便从通用类别解析OTD以找到被存在于句子内的特定单词引用的具体NID。一旦完成，则在块712生成丛，它把角色分配给NID组以便形成NID组和与其相关联的角色。然后，这个块流到块714以便根据丛生成关系。这是把丛转换为作为具有相关联的NID的关系的更简单形式的尝试。然后，在块716这将提供操作的完成。一般地，分解器是自然语言分解器，它可以利用很多不同类型的方法。在本实施例中使用的类型是使用用于语言的巴科斯-诺尔范式(BNF)布局描述的谓词-论元-分解器。实际上，虽然分解器的某些领域使用语言学上常见的常规“谓词_论元结构”(PAS)，但是对于操作来说其不是必要的。这个BNF范式是选择之一，并且很多其他的选择可被使用和预期，所以其使用不是限制性的，并且可以利用其他的分解器来提供分解操作。记号化器704是其中进入的句子被解体为“记号”的操作，记号是对应于各个单词和标点的项目，但是其中，单词已经被某种形式的内部序列编号定位，如果它们已知的话。因此，这个简化的列表(非文字)随后被转发到分解器供后续处理。分解块706是把句子断开为其更简单部分的设备，其中，分解器由语言的自顶向下的描述定义。在所利用的特定分解器算法中，利用巴科斯-诺尔范式(BNF)，它是用于描述英语语法的自然语言C++分解器，利用自然语言C++分解器把英语语法翻译为计算机语言。因此，记号化器最初把句子断开为对应于各个单词和标点的项目，然后，分解器把句子断开为其更简单的部分，并且组成部分被以某种方式保存。一般地，这是“语义”分解器，并且主要被有效句子的句法和语法驱动。这些组成部分的堆随后被传递到概念化块708，以允许它们被转换为丛神经元。这里所定义的“丛”是记住和动作、体(aspect)相关的某些东西的神经元的形式，或者，仅仅对具体时间，例如“明天”是真实的。在技术上，任何短语，独立或者非独立的，可以被形成为丛，尽管那可能是对存储器空间的不良使用。简单地定义了某些东西，例如“所有的鸟飞行”的这些短语或者丛可以被更简单地存储为简单神经元之间的关系。一大类的信息能够以这种方式存储，尽管存储在神经元(不是丛神经元)中在很多情况下变得不实际。在这里描述的系统中，所有的句子被形成为丛，后续过程确定它们是否应该被转换为神经元关系并删除，或者被允许保留。概念化的主要操作是1.把类别解析为神经元的实例(例如具有NID“6921”的我的鹦鹉Fiji，来自“鹦鹉，，)2.为每一个被分解的历史日志或者列表生成一个或更多个丛。3.转换列表或者日志，并把NID解析为丛中的角色(其中角色将在下面描述)。4.管理未使用(not-to-be-used)试验丛的回收(在下面这将被描述为神经元的临时组，神经元的临时组不会被存储长的持续时间，而将只因临时原因被使用)。一般地，分解器在上下文池中建立很多有用的包括近来内容的历史的数据列表(上下文池由近来使用的关系即其历史组成，并且可以具有或者不具有到其的临时方面，艮口，如果它们在对话中未再次出现，则它们在一个时间段后将衰退以便被复位。这提供了对话的近来历史的某些知识)，并且某些工具被概念化块708调用以便把神经元的类别(一般族)解析为涉及当前话题的具体神经元。某些丛可以被几个其他的丛重新使用(共享)，出现多次的句子片段也是如此，例如介词短语。“蝙蝠在夜间飞行”和“当然，你今晚可以在桥附近找到蝙蝠，因为蝙蝠在夜间飞行”共享公共的“语义”丛。较高等级的“控制器”丛管理短语和概念的相互连接，而“大纲丛”概括段落的内容。和常规神经元一样，丛神经元以后可以被丢弃_不被记住_如果在21天时段上没有被重新生效(下面描述)。某些类型的丛在本质上是纯粹限定性的，并且它们的数据被更适当地存储在简单神经元之间的关系的集合中。这种情况的例子是“天和水是蓝色”的。这些是限定性陈述，就像“我的狗有四个脚爪”。这个例子示出了拥有——可以被作为中心概念存储的静态条件。可以被转换为关系的示范性陈述包括1.主语补足语一"Thesefloors,whicharewetwithrain(这些地板，它们被雨淋湿了)”。2.所有格_"Mydoghasfourpaws(我的狗有四个脚爪)，，。3.组成部分(Part-ofs)-“Theengineincludesablock,acarburetor,andseveralmanifolds(引擎包括汽缸体、化油器和几个集合管)”。4.f^m-"Acatisamemberofthefelinespecies(Ithink)！(MMiM^类成员(我认为)！)，，。被转换为关系的丛可以被删除，或者被保留供控制或者大纲丛进一步使用。在转换过程以后，分解为丛的过程结束。神经元关系(NeuronReins)如上面指出的那样，在大脑中正常神经元之间的连接通过“关系(缩写为“rein”)”形成。用于其他类型的神经元(例如丛或者身份神经元)的关系具有特殊的关系并被给予其他的名字，例如丛神经元的角色。每一个类型的神经元具有其自己的编号顺序(或者编号空间)，用于枚举其关系连接。对于正常神经元，关系被划分为两个范畴具有加权连接的那些和没有加权的那些。图8中绘出了数据空间中的关系的结构。每一个关系在最高位(MSB)中具有8比特字段，它规定了关系的类型，这是Cmd字段。8比特Cmd字段可以被划分为分离的Opc和百分比子字段。这将是3比特Opc字段和5比特Cmd字段。提供了和Adhoc标志相关联的单个的1比特字段，并且剩余的比特，23比特，构成了关系的剩余部分。Adhoc标志定义该比特为临时或者真实关系，这将在下面描述。因此23比特神经元字段包含神经元或者丛的顺序号。用于非加权神经元关系的Cmd字段利用整个8比特字段，所以可以定义最多255个关系。当然，至于如何定义关系，这取决于系统设计者。附录Al提供了某些关系及其相应的定义，注意这并非穷举列表，并且额外的关系被利用或者可以被定义。对于具有百分比权重的关系，使用构成Cmd字段的五个最低位(LSB)的5比特按比例调节的(scaled)无符号百分比字段。这造成了非常有限数量的命令opcode，总共限于5到6个这样的关系(每一个这样的关系把非加权关系的可用数量减小32，从非加权关系的总数255往下)。因此，总共最多有255个关系，允许加权和非加权关系。当然，这可以通过增大Cmd字段的长度补救。应该理解，关系的总长度可以增大以便扩展寻址空间。由于只使用了5比特字段来存储百分比，所以每一个计数达到大约3.3%，从比特值“0”的值0%到比特值“31”的值100%。除非由生成链接的源数据另外规定，权重被缺省设置为大约50%。对于系统的一个例子，与加权神经元相关联的各种Op码在附录Al中被给出。现在参考图9，示出了神经元之间的特定关系集合的示意图。这表示在给定时间这个特定神经元集合及其关系的状态。关系已经生成，并且神经元被针对这个特定例子“固定”。因此，这表示系统在特定时刻的静态状态。应该理解，在以对话形式接收某种类型的输入期间，例如，额外的概念可以被引入，或者，概念之间的额外的关系可以被引入。例如，如上面指出的那样，可能存在指示与特定概念神经元相关联的豹具有皮带的对话。如果这个特定关系先前不存在，则新的关系将被存储在豹神经元中以指向皮带神经元——假设先前存在的神经元。同时，将利用存储在皮带神经元中指向豹神经元的P0SSN_0F生成返回关系。此外，可能并非每一个豹，即基本概念将具有这个皮带。因此，可能存在名为Egor的特定豹拥有皮带的情况，这是豹神经元的实例-INST关系，所以Egor神经元拥有该关系而非豹神经元拥有它。返回图9，将讨论与猫神经元902相关联的关系。猫神经元具有多个直接关系，即从其移动一次。猫神经元和猫科神经元904具有父母/孩子关系，所以在猫神经元902存储有指向猫科神经元904的父母关系，并且在猫科神经元904存储指向猫神经元902的孩子关系。猫神经元902具有指向猫身体神经元906的POSSN关系，返回关系P0SSN_0F从猫身体神经元906指回猫神经元902。还有一个和猫神经元相关联的名字，它是“加非猫”，这导致“加非猫”神经元908，具有从“猫”神经元902指向其的INST关系，而返回关系INST_OF关系从加非猫神经元908指向猫神经元902。加非猫神经元908只是当查看性质时将允许系统确定与其相关联的文本单词的特定实例的概念。但是，该神经元自身只是具有各种与其相关联的关系等的猫的特定实例的概念。例如，加非猫神经元908和与红色颈圈相关联的对象神经元910具有关系，红色颈圈是红色颈圈神经元910。这是从神经元908指向神经元910的POSSN关系，具有从红色颈圈神经元910指回它的返回关系P0SSN_0F。此外，力口非猫神经元908和神经元912具有关系，该关系是拥有关系，所以在神经元908存在指向神经元912的POSSN关系。神经元912是和对象——白色条纹尾巴相关联的那个神经元。因此，这是白色条纹尾巴神经元912。它具有到神经元908的返回关系P0SSN_0F。因此，加非猫神经元908仅提供猫神经元902的实例，所以潜在查询“什么名叫加非猫？”将导致将找到加非猫神经元908的搜索，并允许返回关系把搜索引导到猫神经元902。猫身体神经元906具有多个组成部分，这些是分别与脚爪、尖耳朵和尾巴相关联的神经元914、916和918。这些中的每一个具有与其相关联的MADE_0F关系，并且这些中的每一个具有回到猫身体神经元906的返回关系PART_0F。此外，脚爪神经元914具有到和爪子相关联的神经元920的MADE_0F关系，具有到神经元914的返回关系PART_0F。当猫移动到更高等级概念——猫科神经元904等时，抵达不同的较高等级层次。但是，关系不和层次相关联。这只被嵌入关系自身内。例如，猫科神经元904和较高等级神经元——动物神经元924相关，存储在猫科神经元904的父母关系指向动物神经元924，并且存储在动物神经元924的孩子关系指向猫科神经元904。应理解存储在任何给定神经元的关系定义了关系的类型，并且与该关系相关联的NID定义了其以定义的方式与之相关的特定神经元。此外，动物神经元924可以针对臭鼬神经元926具有父母/孩子关系(注意，其间可能具有不同等级的父母/孩子关系，但是为了简单的目的这已被简化)。臭鼬神经元926具有到和名字P印i相关联的神经元928的INST关系。这被示出以表明神经元924也具有与之相关联的针对用于白色条纹尾巴的神经元912的POSSN关系。因此，加非猫神经元908和P印i神经元928都和同一白色条纹尾巴具有关系。还示出了白色条纹尾巴神经元912和尾巴神经元918之间的ASSOC关系。这是双向神经元，表明两者之间存在关联。进一步参考图9，注意，在静态模式中，这些关系允许人们获得关于特定概念的大量信息。例如，假设对这个特定节点阵列做出查询，询问下列“给我讲讲猫？”，并包括搜索标准(其包括父母/孩子关系)、猫的所有实例，以及猫由什么组成(至少到一定程度)。这将返回信息，例如下列“猫是猫科范畴的成员，并且其拥有猫身体。猫身体由脚爪、尖耳朵和尾巴组成。一个特定的猫是名为加非猫的猫。”如人们可以看到的那样，这只不过要求确定以猫神经元904为中心的概念的顺序，并只通过单个关系步——即一个搜索度——循着从其向外到其他概念的关系。现在参考图10，示出了更简化的图，该图示出了至少直到猫科神经元924的图。图10中所示这些神经元中的每一个，除了尾巴神经元918外，始自臭鼬神经元926和P印i神经元928，提供了神经元编号。如图所示，每一个神经编号被下划线以将其与附图标记区分。猫身体神经元编号是“3011”，猫神经元902具有NID“2031”，并且猫科神经元924具有NID“1003”。因此，查询将是“给我讲讲关于猫的一切”。这将被转换为NID“2031”。然后，这将给予响应“‘2031’在范畴‘1003’中，并且拥有‘3011，。‘3011，由‘3005，和‘3101，组成。存在叫做‘7041’的‘2031’”。只需利用特定神经元的性质部分确定和该神经元相关联的文字以完成查询。现在参考图11，示出了图10中所示的各种神经元如何彼此相关的示意图。每一个概念神经元具有一个NID与其相关联，如上所述。除了性质方面(未示出)，还与其相关联的是关系。除了其指向的概念神经元的NID，每一个关系组成了该关系的类型。例如，在猫神经元902中，给其分配了NID“2031”。这具有与其相关联的指向神经元“3011”的POSSN关系，“3011”是猫身体神经元906的NID。此外，猫神经元NID“2031”具有指向NID“7041”的INST关系与其相关联。这是加非猫神经元908的NID。由于存在和这些中的每一个相关联的返回关系，猫身体神经元906具有指向神经元“2031”(猫神经元902)的P0SSN_0F关系。类似地，加非猫神经元NID“7041”具有指向NID“2031”(猫神经元902的NID)的INST_0F关系。类似地，所有其他的神经元具有指向不同神经元的各种关系。通过查看关系，可以回答各种查询。例如，问题可以是“什么类型的动物可能具有红色颈圈？”。这将只要求系统到达神经元910，并查看返回关系，以便回到具有引回到动物神经元924的父母/孩子关系的神经元。这将导致神经元902。通过使用关系互连这可以很快完成，然后只查找与神经元902相关联的文字并提供答案“这是猫”。另一个查询可能是“加非猫拥有什么？”。这将只要求到达神经元908并回到将具有与其相关联的最接近的MADE_0F关系的任何神经元。这将返回答案它拥有“具有脚爪、爪子、尖耳朵和尾巴的猫身体”。如索引中注明的那样，存在不同类型的关系。一些是父母状的、一些是孩子状的，并且一些是兄弟状的。父母状的关系是诸如PARENT、PART_0F、INST_0F和P0SSN_0F的关系。这意味着它们指回到更高的层次顺序。孩子状的关系将是诸如CHILD、INST、MADE_OF和ATTRIB的那些。兄弟状的关系将是诸如ASSOC和NAT_ATC的那些。在另一查询中，假设存在关于P印i是否和加非猫相关的问题。这将要求神经元928和神经元908被向后搜索到公共的父母/孩子关系，即它将循着父母状的链接回到公共概念神经元。当其抵达公共概念神经元时，这将组成关系。“丛”的概念被定义为包含对动词的引用(要求)并且取多个概念——无论其是单词还是句子的短语或者其他——并把它们转换为一系列语义角色的神经元。因此，它能够捕获在独立从句内具体表达的知识。相对于句子丛，这再次被那些句子的角色从语义角度调整。应该理解，当用于概念神经元时术语“关系互连”定义了一个神经元和另一个神经元之间的关系。以类似的方式，“角色”仍是丛神经元和构成该丛的所有概念神经元之间的关系。角色定义了丛中这些神经元中的每一个或者丛内的每一个句子的关系。为了理解丛的概念，首先有必要确定如何形成丛，下面是这些讨论。谓词论元结构(PAS,PredicateArgumentStructure)对于任何句子或者思想来说，主动词是重要的。它像是句子轿车的驾驶员。对于任何给定句子，从该句子选择一个不同的主动词可能导致迥然不同的含义。主动词把语义“角色”或者“责任”分配给各种语法要素，并且当该动词改变时，整个句子改变。唯一的动词可以以某种方式、在特定时间出现，它可以携带一个主题，并且可能存在主作用者(mainagent)，或者经历该动词的动作的某种事物。例如角色、经历和位置的修饰语使单词能够转移到概念。单词不被存储——单词背后的概念被存储。PAS由可以被分配给任何给定动词的多个不同角色构成。这些角色的例子陈述如下作用者“Ge0rgi0”描绘裸体的演员。经历者狗捉到“飞盘”。时间“在晚上”，生物出来活动。方式小鸡“迅速”穿过道路。地点我喜欢“在棒球场”吃热狗。话题=Snakes声称“中国烹调是危险的”。利用动词的PAS信息，分解器能够理解在动词和与其相关联的角色和角色或者它们可能分配的责任之间可能出现的唯一关系。可以在不同等级分配各种角色。在句子等级，施加“句子角色”。这些是由动词分配的语义角色之外的角色。在句子等级，句子角色经常用来连接思想。相关对(correlatepair)，例如“如果-则”将在句子之间建立唯一关系。例如“但是”的状语连词代表和先前陈述相反。这在理解思想之间的关系时扮演了关键角色。现在参考图12，示出了从记号化文字到丛的过程的示意图。如上面指出的那样，分解器的基本流涉及1.记号化(tokenization)2.预规则层3.PAS动词选择4.后规则层5.语法分解6.规则解析7.打分8.概念‘成丛，(conceptual‘clumping，)记号化在块1202启动以便从最基本等级开始。目标文字必须在试图分解它之前准备。施加记号化过程以便把文字断开为若干基本分组。在语言中，这些经常被称作单词，艮口，逻辑语义元素。这些单词不一定必须是正式单词，因为它们可以是未知的字母集合或者符号序列。这些“记号”是驱动分解过程的输入。该过程中的下一步与预规则层相关联，如块1204所指示。预分解层用为后来的语法分解器提供线索的标志来标记所有的相关记号。对于每一个句子，预规则只需被执行或者运行一次。它们不因不同的动词尝试而改变，因为无论主动词最终是什么样，它们都保持为真。下一步骤是在块1206的PAS动词选择。谓词-论元结构(PAS)，或者主动词，被通过打分系统选择。打分系统确定尝试哪些可能的动词。不管成功与否，由于分解器的递归性质所致，其他的选项也被选择和尝试。对于任何给定的分解尝试，选择的PAS动词是主动词。继续向前，分解器假设这为真，并且就好像它确实如此那样继续。这使分解器能够避免在语法分解期间始终试图解决这个问题的复杂性。下一步骤是在块1208的后规则层。根据假设选择的PAS动词，把后规则施加于输入记号。在英语中，存在一旦辨别出动词就可以应用的规则。由于在任何给定的分解中，分解器假设主动词，所以主动词已被辨别。过程中的下一步将是语法分解，如块1210所表示。这是递归过程。当分解文字时，有很多必须做出的“决策”。很多单词可以以多个单词类型工作。经常使用不恰当的语法和标点，但是那不能妨碍分解器的任务。“决策节点”已经被实施，它们经过分解过程跟踪这些决策。决策节点的例子如下TheCopsclaimedthatcriminal.在主动词“claimed”以后出现决策点。动词“claimed”的PAS数据指示“claimed”分配了“主题(theme)”角色。这个主题表示动词“claim”。作为主题，整个角色自身可以是具有其自己的PAS动词的嵌套从句。在遇到“that”的点上，语法分解器无法肯定是否存在嵌套从句，“that”是否是关系代词，它是否是不相关的关键词，或者“that”是否是限定词。嵌套从句被语言学称为“CP”或者补语化成分短语。补语化成分可以具有它们的头，或者将使其开始的单词，或者，它们可以被假设。这些情况将是以下这样ThecopsclaimedthatAllRelativePronounTheme(IjfW^^^WilS)Thecopsclaimedthatcriminalsaredangerous:NestedTheme(嵌套主题)CPw/CP头·Thecopsclaimedthatcriminalisdangerous:NestedDeterminedThemeCPw/noCPhead(嵌套确定主题CPw/无CP头)Thecopsclaimedthatcriminal:DeterminedTarget(石角定的目标)在“Thecopsclaimedthat...”需要决策节点。决策节点存储枚举的关于决策的信息集合。节点被可能性域包围。决策逻辑确定选择哪个可能性，并且它在日志中记录该选择。某些节点导致歧义，而其他的不会。在任何给定分解失败或者成功后，所有歧义节点将被捕获。实际上，做出其他的选择，并且分解器试图分解该特定版本。在以这种方式处理决策时，分解器的手是干净的。实际上没有决策，因为所有导致有效分解的决策在这个阶段是有效的和可接受的。过程中的下一步是确定角色解析。在该角色解析中，语法角色被转换为其PAS角色对应方。主语可以变为动作者、经历者，等等。通过使用各种规则定义PAS动词，这些规则根据语言学规范设置。然后这些角色必须被打分，这个打分被看作竞争。这在块1212被推动。有效的语法分解选项是为分解而竞争的竞争者。存在多个在其上判断竞争的层，如下1.PAS层2.角色层3.上下文层分数被计算，并且选手们竞争。在这个实例化中最高分数获胜。如果没有可行的选项，则决策将落入一系列绝望模式。这些模式改变预规则工作的方式，并且逐渐地变得不那么限制性。一旦某些语法限制放松了，一个句子像是“Theismyfavoritedeterminer"将分解。如果所有其他的失败了，则最终尝试是把句子分解为片段。尽管这里已经讨论了语法+PAS分解器，但是应该理解，也可以使用其他分解器。可以使用语法分解，可以使用基于统计的分解(即在Google类型系统中通常可找到的类型)，或者，可以就使用基本的PAS分解器。如上面描述的，概念丛是概念的集合，其中，单词被用来传达概念。这个概念集合是聚在一起形成思想的集合。在块1214分解器的输出是单个丛，它被整洁地以其概念形式存储。在打分操作期间，返回片段，采取绝望尝试，等等。这被块1216、1218和1220示出，每一个采取单独的路径回到初始记号化块1202以便再一次通过该过程。在语法分解操作期间，以及在动词选择时，可能有歧义。在歧义节点1222解决这种歧义。如果语法分解已经是可接受的，则其将传递到歧义节点1222。一旦消除了任何歧义，这将传递回到PAS动词选择块1206，然后到打分块1212。歧义节点块1222确定是否有歧义，并且，如果有，它将传递到上个歧义节点，然后回到语法分解。如果语法分解失败，则其也将传递回PAS动词选择块。关于歧义，有两个主要类型的歧义词汇的和结构的。当一个单词可能意味着不同事物时出现词汇性歧义。在技术上，同形异义字头可以被不同地解释。像bank、jump、chair或者cup的单词都具有多个含义和用途。一个例子是“Americanchairseeksarms.”实际上这里有两个词汇歧义。第一个，即美国种类的“chair”，或者是美国的某种事物的“chair”，例如领导人、州长？另一个歧义是这些“arms”是身体部分还是椅子的部分？一般地，词汇歧义在单词可能起到讲话的两个或更多个部分的作用时出现。通过比较，结构歧义在短语所有者可能被错误施加时出现，例如在短语“Hepaintedtheactorsinthenude.”中。问题将是关于此人是在裸体的同时绘画，还是他描绘的演员是裸体的。一般地，上下文可以解决结构性歧义。此人因描绘裸体闻名？已知他是个古怪或者激进的艺术家？这个陈述和另一个可能帮助人们理解的陈述捆绑？各种歧义组合、不良标点、复杂句子和未知单词可能导致各种各样的语法分解。例如，在短语“ChockorecognizedZoolsflyinthenight.”中，该句子可能具有多达15种不同的含义。例如，它可能是“inthenight,Chocko‘recognized'acertaintypeoffly.(在晚上，Chocko“认出”某个类型的苍蝇)”，或者“Chocko丨recognized丨Zools[that]fly.(flyingZools).Chocko“认出”飞行的Zools0(fIyingZools)，，。如上面指出的那样，丛基本上收集关于发生的动作的信息，并储存该事件的所有历史。这样的丛是被名词采取的贮存库，并且每一个这样的丛暗示了什么可以被看作独立从句的内容，用变体处理从属从句。因此，概念丛存储分解的“思想”，并且一般用来保存句子的动词，尽管它无需这样。为了方便，如上面指出的那样，丛神经元具有其自己的编号和空间。在基本等级，丛取得句子的单词和短语，并将其转换为一系列语义“角色”。三种类型的语义角色驱动基本的句子丛。主要的是PAS动词(ROLE_CLUMP_VERB)。主动词分配存储在丛中的大多数其他角色。重要的是注意不同的PAS动词将分配不同的角色。某些动词不能分配某些角色，并且很多时候被分配的角色被以各种方式限制。这些限制在给分解打分时提供帮助，因为它们将有助于准确的句子重建。除了主动词外，是ROLE_TASPECT。它包含PAS分配动词利用的时态和体(aspect)。在基本句子等级的最后驱动角色被利用五个模式角色中的一个或更多个捕获R0LE_M_INTENT、ROLE_M_ABILITY、R0LE_M_0BLIGATI0N、ROLE_M_DESIRE禾口R0LE_M_POSSIBILITY。利用这三个角色POSS、TASPECT,MODAL,能够重建动词、时态、体和语气(modality)。可以利用关系捕获像是“Wantedtobejumping(想在跳跃)”的内容。完整的句子，“Therabbitmayquicklyjumpoverthecarrot(兔子可以迅速地跳跃过胡萝卜)，，，断开为丛2001，如图13中所示。在这个丛中，可以看到有多个和被解析的神经元ID(NID)相关联的角色。例如，角色ROLE_CLUMP_VERB被解析为和“jump(跳跃)”NID相关联。角色ROLE_TASPECT被解析为和PRESNID相关联。提供了角色ROLE_M_POSSIBILITY，它和“may”NID相关联，角色“R0LE_ACT0R”和“兔子”NID相关联，角色“ROLE_EXPERIENCER”和“胡萝卜"NID相关联，以及角色R0LE_NAN0R和概念“迅速"NID相关联。还提供了命令字段，它是位于丛的每一个角色中的2比特字段。其主要目的是允许丛的可重用性。如果丛要扩散，则随着时间它们将消耗大量存储器空间。为了缓和这种情况，实施了一种方法来允许重新使用现有的丛，例如共享靠近所需东西的丛。如果一个新的丛只有“η”个角色量不同，则作为结果可以共享基础丛以节省存储空间(其中“η”由决定通过重新使用丛是否实际上节省任何时间/空间的函数确定)。作为对此的替代，并可能更优选的一个是最小化这些额外丛的生成，使用链接列表结构保存丛的希望要的内容。然后将评估每一个这样(树状)的结构分支的价值，以确定应该选择哪一个作为丛神经元被输出。如上面多次指出的那样，单个神经元表示单个概念，并且到其他神经元的连接建立其在整个数据库的上下文内的含义、表示和目的。在另一方面，丛利用“语义角色”来捕获大脑内概念的某些方面的历史。为名词和动词建立这些语义角色允许系统更容易重述事物。分配给单词的角色(以及它们使用的规则)被用作单词的现有历史。利用它们或者不利用它们，系统可以选择替代的单词呈现(word-rendering)或者相同概念，但是角色使得该选择更容易。因此，语义角色起到“粘合剂”的作用，它提取现有神经元互连暗示的含义——具有或者不具有层次，并在需要的情况下把它们的变形引导到句子中。在进一步继续之前，按照PAS描述语义角色的一般概念可能是有帮助的。PAS语义角色一般地，句子中的所有名词被视为动词的论元，其中，每一个动词给每一个名词分配一个被称作语义角色的标记。针对特定动词的语义角色的总和是该动词的“谓词论元结构”，或者PAS。同样，注意PAS只是这里可利用的多个分解器其中之一，并且预期可以利用其他的分解器。一般地，这个系统的目的是从句法或者形式(例如单词顺序)分离语义，或者含义。这个系统被设计成处理人们可能改变英语中的单词顺序或者甚至时态但是保留相同含义的各种方式。提供了这种单词顺序改变的三个例子。它们如下主动句相对被动句句子“Iatethecookie(我吃小甜饼)”和“Thecookiewaseatenbyme(小甜饼被我吃了)”表示相同的事情。它们都有被吃物和吃的人，但是单词顺序不同。PAS模型把吃的人标记为作用者，并且把被吃物标记为经历者，而不管单词的顺序如何。双宾语或者VG动词双宾语动词是例如“give(给)”的动词，它可以带有宾语，例如在“Mosesgave‘Miriamacookie(Moses给‘Miriam小甜饼，)”中。所有的双宾语动词也可以被用作常规的及物动词，具有额外的介词短语，例如在“Mosesgave’thecookietoMiriam.'(Moses把小甜饼给Miriam)”中。但是，在两种形式中，Miriam仍是最后有小甜饼的人，Moses仍是把它给她的人，并且小甜饼仍是被给的东西。也是在使用双宾语动词的情况之下，并且尽管其实际上可能被以相同方式处理，其是用于特殊枚举。只在某些方言中，一般不是双宾语动词的单词可以变成双宾语动词，以便指示受益方。例如“I'mgoingtopaint‘meafence”或者“I'mgoingtokill’meabear.‘”最终形式，称作限定性双宾语动词使用，只在利用另一宾语或者限定词限定一个宾语的动词中出现。例如，“Youshallcall‘hisnameJohn(你应该称他的名为John)”或者“Letmemake‘youanicesupper.‘(我给你做顿不错的晚饭)”，或者"Octaviawillcall'Isabelacab.'(Octavia将给'Isabel叫出租车)”。这有时候可能会使人困惑——Octavia现在将称Isabel为出租车，还是Octavia为了Isabel方便叫了出租车？作格动词(ErgativeVerbs)如果作格动词被及物或者不及物地使用，则它们表现不同。如果它们被不及物地使用，则它们表示对主语做出了动作。但是，如果它们被及物地使用，则它们表示主语对直接宾语{故了云力作0这个的列子是句子"Thealienraygunliquefiedthegreenchair.(外星射线枪液化了绿色椅子)”和“Thegreenchairliquefied(绿色椅子液化了)”。例如，在这两个句子中，“Thealienraygunliquefiedthegreenchair.(外星射线枪液化了绿色椅子)”和“Thegreenchairliquefied(绿色椅子液化了)”，相同的宾语被液化——绿色的椅子——尽管其在第一个句子中是宾语，在第二个中是主语。值得注意，第二个句子不是第一个的被动态。被动态将是“Thegreenchairwasliquefiedbythealienraygun.(绿色的椅子被外星射线枪液化了)”。提供了三种范畴的角色，通用角色、常规角色和专门分配的角色。这些被定义，其中，通用角色是在任何句子中可被使用的角色，无论动词类型如何。常规角色是必须被动词分配的角色，它们不是在任何句子中都可以出现，并且专门分配的角色是只能被某些种类的动词分配的那些角色。这些角色被在附录B中定义。回到丛定义，除了在图13中描述的简单丛以外，还提供了嵌套句子丛。这些比基本丛略微复杂，因为这个丛类型包含起到被具有关系形容词(relativeadjectives,Radjs)的PAS动词句子分配的整个角色，嵌套WH角色的作用的嵌套丛，并且动名词是这个的例子。例如，句子"Therabbitthatbitmemayquicklyjumpoverthecarrot.(咬我的兔子可以迅速跳过胡萝卜)”。图14示出了在角色R0LE_ACT0R中参考丛“2002”的丛“2001”。这表明额外的角色ROLE_CLUMP_VERB和单词“bit(咬)”相关联，并且角色R0LE_EXP和单词“me(我)”相关联。但是，有时候不需要把关系形容词存储为嵌套丛，尽管那是其在语法上它们将分解的方式。使用关系形容词来确定名词。通过确定人们在考虑“whichone(哪一个)”来解析名词是有帮助的。但是，如果丛关系形容词形式是新的信息，其应该被存储。系统将解析名词，或者，它将必须生成新的概念，该概念以较高的优先级标志等待解析。连结句控制器丛(ConjoinedSentenceControllerClumps)思想流通常利用连接词或者通过起到连接词(假设连接词)作用的标点把句子连结在一起。这些是在句子等级，并且被用来并列、从属或者建立条件(如果/则)。这种情况的明确例子是"Lukewantedpeanuts,howeverhegotcashews.(Luke想要花生，但是他得到腰果)”。这种情况的假设例子是“Luke想要花生。他得到腰果。”。人们可能选择形成两个标准丛，并存储来自一个的正向句子角色，和到另一个的返回链接，但是那可能被视为是限制性的。存在各种可以得出这两个思想的形式，并且如果系统被允许提取任何特定的一个来标准化，则其可能陷于系统应该不必应对的复杂性问题(即“Lukegotpeanutsbuthewantedcashews.(Luke得到花生但是他想要腰果)”)。更准确的存储信息的方式是利用较高等级的控制器丛，如上所述。控制器的假设是其线性地演进，即，它是线性概念流。连接的丛被以线性方式存储。如果一个未被明确地表达，则系统将把它们存储在逻辑演进中(即，想要，然后，实现，期望，然后现实)。控制器是被连接的思想的实质，并且这在图15中示出。在图15中，丛“2001”被定义为控制器丛。这具有两个角色SENT_SEQ角色和SENT_C0NTRAST角色。第一个角色被分配或者指向丛“2002”的被解析NID，并且第二个指向丛“2003”的被解析NID。丛“2002”具有多个与其相关联的角色。这是用于单词“want(想要)，，、“Luke”和“peanuts(花生)”。动词“want(想要)，，是用于这个丛的主动词，并占用角色R0LE_CLUMP_VERB。单词“Luke”取得动作者的角色，并且单词“peanuts(花生)”取得经历者的角色。所有者是控制器丛，丛“2001”。丛“2003”和单词“got(得到)”、“Luke”和“cashews(腰果)”相关联。这个丛中的主动词是动词“got(得到)”，动作者是单词“Luke”，并且经历者是单词“cashews(腰果)”。所有者仍是丛“2001”。利用这个安排，在较高等级存储将允许输出侧上更大的表达多样性，并允许在分析过程中较强的匹配概念的能力(例如用于回答问题)。现在参考图12a，显示了示出丛之间的链接的示范性流图。系统具有各种类型的神经元，其中，经历神经元和正常神经元链接到丛。对于“经历神经元”，所有其他的神经元捕获知识、关系和事实，但是经历神经元捕获经历的情绪、时刻和期望。以这种方式，这个神经元定义了经历的实质概念。为了方便，用于经历的神经元ID具有其自己的编号空间。因此，经历神经元捕获与第一人经历伴随而来的进一步等级的细节和微小差别。经历的核心是丛，因此其将链接到丛。所有的正常神经元表示“概念”，并且从这些概念，存在到概念分组(丛)的链接°"Adogthatjumpedaroad,ateabirdandthenwenttosleep(跳过马路、吃了鸟，然后睡觉的狗)”链接到表示整个序列的控制丛。扮演一个角色的每一个概念将具有到它们在其中扮演角色的丛的链接。通过去往控制器丛，鸟丛能够回到其丛的原因(cause)。“概念化器”逻辑决定对丛做什么。如果或者甚至过程神经元，它可能需要被断开并作为类别等级属性存储。通过在丛中添加R0LE_EM0T关系，可以存储任何丛的情绪影响。例如，特定政治演讲的特定陈述可能已经激起愤怒，并且它可以被存储在精确的攻击性句子等级丛中。但是，演讲自身可能不是攻击性的，因此“政治演讲”丛将不得到R0LE_EM0T。另一个有用的东西是经历神经元指向丛的能力。如果变得愤怒的经历满足标准，其可以得到其自身的经历神经元(‘exper')。在这种情况中，我们将把exper(经历)链接到丛，并能够选择在经历中存储R0LE_EM0T。最后，丛是概念/思想的集合，并且通过利用神经元互连思想并把情绪影响分配给它们，我们提高了系统的灵活性，并且我们向仿真人类大脑更靠近了一步。大纲丛(OutlineClump)大纲丛(OC)非常像书本的内容表。它给出讨论的整体目的或者主题，并提供材料的内容表状的布局。例如，单个OC总结大脑已经吸收的训练文档的内容。另一个可能概括电影或者经历，例如我的“HawaiianVacationof1999”。OC是一系列以分层次方式排列的控制器丛(CC)的保存地点。在较低等级，句子由语义丛(SC)组成。例如，每一个段落由包括许多SC和最终总结SC的控制器丛管理。如果某人正在处理其正在阅读的书本，较高等级的CC被排列成负责一章的小节。在它们的上面，大纲丛(OC)把章节CC排序为整个书本。如果期望，能够丢弃除了总结丛以外的所有较低等级的语义丛(SC)，以提供书本的概要。无论在结构中的等级如何，每一个CC和OC具有附着于其的总结丛。例如，“小节”CC在其下具有用于每一个段落的总结Sc。小节自身具有总结Sc，所述总结SC是其下所有段落的SC的“卷起(roll-up)”。最后，大纲丛(OC)具有总结书本自身所涉及内容的总结SC。OC不同于其他类型的丛之处在于它能够包容文本或者讨论内容，以及经历(如上面讨论的“expers”)。经历神经元中的知识的类型被组织得非常不同于丛和概念神经元。它包括例如期望和预期(满足或不满足)以及涉及所述经历的各种情绪和时间标记的东西。OC具有所有丛的最少信息，但是包含多种类型的知识的最高等级的概要。它事实上是大纲或者站点，从所述大纲或者站点，从很多等级回忆知识。丛管理丛神经元的使用(和重新使用)必须被明确地管理。提出的新的丛神经元可能类似于现有的丛神经元(“丛”)。使用原始的丛作为样式或者模板生成MAKE_FR0M神经元而非生成基本上复制现有项目的完整丛可能更简短。生成非复制丛的过程采用以下步骤1.寻找匹配2.如果没有匹配，则生成新的丛。3.如果存在精确匹配，返回匹配神经元的丛ID。4.如果存在接近但是非完美匹配，则使用现有丛作为make-from模板。以这种方式，系统最大化其存储器资源的使用。当生成新的丛时，系统有必要首先确定是否存在类似的一个丛。提出的新丛和现有丛的各种匹配程度是可能的。“匹配”丛是具有相同的角色表集合的一个丛。即，所有角色是相同的，并且角色值是相同的(角色指向的神经元ID)。或者，可能存在部分匹配，其中，一些角色精确地匹配，但是其他的不是。系统必须确定相对于重新使用现有的一个丛，什么样的阈值将生成新的丛。例如，考虑短语“TherabbitbitThomas(兔子咬Thomas)”、“TherabbitbitLuke(兔子咬Luke)”，以及“Skipbittherabbit.(Skip咬兔子)”。这在图16中示出。这定义了第一个句子，动词是“bit(咬)”，动作者是“rabbit(兔子)”，并且经历者是“Thomas”。这是新生成的丛“2002”。当系统遇到下一个句子时，有必要决定下一步要求什么。函数需要确定存在和这个非常类似的丛。决定的输出将是使用丛“2002”作为起始点(因为它类似)(只差一个角色)。这通过把新的丛的类别整数MAKE_FR0M设置为旧的丛一丛“2002”的值实现。这将保留其中的所有信息，并且在和新的丛相关联的新表中，系统将只利用替换命令来指定变化。这将如在图17中给出的那样。这响应命令MAKE_FR0M=〃2002〃。这实际上用“Luke”作为经历者替换了“Thomas”。这将指令丛只利用新的经历者角色替换经历者角色。在输出侧，查看丛的工具将看到图18中的丛表格，其中，动词的角色、动作者和经历者被替换或者从模板取得。因此，这些实际上不存储在新的丛中，而只是看起来在丛中。注意，用于作为经历者的“Luke”单词的命令行具有信息R0LE_REPLACE与其相关联。在非标记丛的例子中，考虑短语“Skipbittherabbit”，其中，只有单个匹配存在，并且是在动词上。另两个角色不匹配。对于比匹配具有更多差别的这些非匹配丛，针对提出的丛生成了新的丛。受益于本公开内容的本领域技术人员将理解，这种经由多个通过预定关系连接在一起的概念节点定义人造大脑的方法和装置提供了一种人造大脑，为了允许它们具有能够被用来定义概念流的互连关系，它把多个概念排列在节点阵列的各个节点中。应该理解，这里的附图和详细描述被看作说明性的而非限制性的，并且预期不限于公开的特定形式和例子。相反，不偏离由下列权利要求限定的精神和范围，包括任何进一步的修改、变化、重新排列、代用、替换、设计选择，以及本领域技术人员清楚的实施例。因此，预期下面的权利要求被解释为包括所有这些进一步的修改、变化、重新排列、代用、替换、设计选择，以及实施例。附录Al非加权关系下面列出非加权关系。在枚举中使用了整个8比特Cmd字段。未给出枚举值本身，因为它时常变化。<table>tableseeoriginaldocumentpage23</column></row><table><table>tableseeoriginaldocumentpage24</column></row><table><table>tableseeoriginaldocumentpage25</column></row><table>关系命令码用途24个LSB的使用R—POSSN—OF拥有的所有者这是到R—POSSN的返回关系；MD指示拥有的所有者。例如，“我拥有轿车”，所以表示我的神经元将因此包含R—POSSN。R—POSSN的NID指向被拥有的项目，在这个例子中是轿车。轿车神经元将包含指回到我的R—POSSN—OF。拥有的理念不应与某物由什么东西制成混淆。"XPREP介词短语操作参见R—OP。MD指向具体介词单词，通常是分隔，例如“in(where)”。这个的使用在R—OP中以图形形式描述。"XPROP物理性质(列任何名词可能具有一个和更多个性质列表，其表)描述对象的某个物理方面。这些可以包括颜色、质地、大小，等等，并且在关于名词属性的章节中定义。可变长度的列表被记录在R—BLOCK列表中，具有在8个LSB中给定的长度，并具有在R—BLOCK的8到15比特中给定的RJ3ROP枚举。RJ3ROP从不作为关系独立存在。R—SPLIT相同单词，新概通过使用分隔神经元，例如“jump”或者“in”念的单词的单独含义可以被相互隔离。分隔神经元是被文字名Wp指向的东西，并且它将只包含R—SPLIT关系。每一个这样的关系的NID指向适当含义的分隔神经元。在分离神经元内(例如in表示在哪里相对于in表示时间)是指回到包含R—SPLIT的Wp的神经元的R—SPLIT—OF。为了在各种分离之间区别，每一个具有指向其百分比的R—ASSOC，例如在上面的例子中的where或者when。<table>tableseeoriginaldocumentpage27</column></row><table>附录A2下面的表定义了加权操作码(opcode)。<table>tableseeoriginaldocumentpage28</column></row><table>附录B通用角色这些角色可以在任何句子中使用，无论动词类型如何。R0LE_TIME(tim)这个角色包括所有和时间或者日期相关的短语，包括同时。时间可以是介词短语，副词短语或者适当的形式。例子”Thespecimenisleavingthepetryidishnow.，，ROLE—DURATION(dur)这个角色包括所有的持续时间，例如“Theheateddiscussionlastedforthreehours”，禾口“I'veeatennothingbutcookiesandcokeforayear.，，。持续时间可以是for引导，跟着是时间段的介词短语，“during”引导，跟着是表示在一个时间段上发生的某事的名词的介词短语，或者用“while”或者“as”连接的补语化成分短语。例子"Iwastalkingtothespacemenduringthelaunch.”,"MillicentCowkissedthecanarywhilethedogslookedon.”。R0LE_REAS0N(rsn)陈述的云力作目的。例如"Katrinknewhewantedhertoreadthatbook,soshereaditforhim”,或者‘‘B.iornsoldhissoulfor$20，，。理由可以是以because开始的介词短语，以so或者inorderthat补语化成分开始的补语化成分短语。R0LE_MANNER(man)描述动词如何被执行的副词状短语。例子‘‘ShediedwithdiRnity.”。方式可以是介词短语或者副词短语。R0LE_ACC0MPANIMENT(acc)这个语义角色代表伴随句子主语的实体。例如，“IwenttothesoftwarestorewithAnne-Marie.”或者“GowithGod”。句子的主语无需是作用者，例如在“ShewasattackedwithherfriendStacy.”中。伴随可以是以alongside或者with开始的介词短语，或者，它可以是动词短语togetherοR0LE_INSTRUMENT(ins)作用者是动作的发起者，工具(instrument)是作用者使用的东西。例子“Ibrutallymurderedhimwithaspatula^o注意，作用者无需在句子中以使工具存在。例如，在“Hewaskilledbythesword"中，不存在进行杀人的人(作用者)，但是有剑(工具)。工具可以是名词短语或者动名词短语。常规角色这些角色可以被动词分配；它们可能不一定在任何句子中都出现。R0LE_ACT0R(atr){故出动作的人,如在“Theredcoatsarecoming！”中。动作者可以是名词短语、动名词短语，或者补语化成分短语。ROLEEXPERIENCER(exp)经历者是经历变化或者感觉的名词，例如在“Tonnyfeelsverysadtoday，”或者“Heattackedmewithoutwarning！”中。注意，在主动cps中，所有的状态动词必须分配exp0动词“tobecome”根据下面的推理线索分配经历者。动词“tochange”，如在“RudolphchangedNancyintoanicerperson，，中，分配云力作者(Rudolph)禾口经历者(Nancy)。在“tobecome”中，如在“Ibecamenicer”中，动作者把他自己变得更好。在我们的模型中，我们称其为经历者，尽管这是任意的，并且他一样简单地可以是动作者。经历者可以是名词短语、动名词短语或者补语化成分短语。R0LE_THEME(thm)和话题类似。如在“Ijoinedyouinyourquestfortruth"或者〃Quitinvolvingmeinyourproblems"、"Datinginvolveslotsofmoney.，，主题可以是抽象名词或者动名词，或者补语化成分短语。R0LE_EFFECT(eff)动作的结果。只有效果名词因动词而存在才被分配效果。即，你必须能够用“效果”(不是“影响”)替换原始动词，并且句子必须保持为真。例如，在句子“Shebakedcookies.”中，说的是她做了小甜饼——她通过烤的动作导致小甜饼存在。因此，"cookie(小甜饼)”是效果。在另一方面，在句子“Shebakedcookiedoimh.”中，说的是她把小甜饼面团置于烤的过程，而不是她通过烤它使其成为小甜饼面团。因此，“cookiedough(小甜饼面团)”将不被视为效果，而是经历者。效果不要求动作者被分配。句子“Idiedapainfuldeath.”是这种情况的例子。在这个例子中，“I”是经历者而非作用者。因为状态或者状态动词，效果可以是名词短语或者形容词——我使她生气，“她生气”是效果。专门分配的角色这些角色只可以被某些类型的动词分配。R0LE_STATE(sta)这个语义角色是用于状态动词的表达使用，例如“tobe”，如在“lamhappy”中，并且也用于感观动词，例如“look”，如在“Youlookterrible.”中。注意，这些不是名词短语，而是形容词短语。这是非常罕见的现象，并且非常有限一在这里形容词只被包括作为谓词论元结构的一部分，因为它们被动词需要。分配给形容词短语的其他动词是“act”，如在“You'reactingstrangetoday，，中，“seem，，,如在“Youseemquitenice，，中，以及"stay”,如在“Istaywarmmostofthetime”中。状态可以只是形容词短语。ROLE_IDENTITY(idt)身份被针对系动词生成，但是不限于此，例如在“IamHannah，，中。“Hannah”接收身份的角色，因为它指示和主语指示的相同的实体。任何不是主语但是是其共同指示物的名词短语被分配身份的角色。身份可以是名词短语、动名词短语，或者补语化成分短语。R0LE_MEASURE(msr)所有量度云力词分配这个角色,例如“Pterodactyl'swingspanmeasuresfortyfeet".量度可以是名词短语或者动名词短语。这是可以是NP但不能起到句子的宾语作用的唯一角色。权利要求一种用于仿真人类行为的方法，所述方法包含提供多个神经元，其中一个神经元表示一个概念，在所述多个神经元中的至少一个和所述多个神经元中的另一个之间生成关系连接；其中，神经元的含义由通过所述关系连接在所述多个神经元中的所述至少一个和所述多个神经元中的所述另一个之间建立的连接确定。2.如权利要求1所述的人类仿真方法，其中，所述关系连接使用AND/OR谓词逻辑。3.如权利要求2所述的人类仿真方法，其中，所述AND/OR谓词逻辑使用列表中的序列来表达逻辑。4.如权利要求2所述的人类仿真方法，其中，所述AND/OR谓词逻辑使用常规逻辑门。5.如权利要求1所述的人类仿真方法，其中，所述关系连接还包含使用百分比权重在所述多个神经元中的所述至少一个和所述多个神经元中的所述另一个之间建立相对强度的步骤。6.如权利要求1所述的人类仿真方法，其中，所述关系连接还包含使用编码或者枚举连接类型的步骤。7.如权利要求1所述的人类仿真方法，其中，所述关系连接还包含使用编码或者枚举连接类型和使用百分比权重建立相对强度的步骤。8.如权利要求6所述的人类仿真方法，其中，所述关系连接还包含指向不同类别的神经元的步骤，其中，类别由所使用的具体代码暗示。9.如权利要求6所述的人类仿真方法，其中，使用编码或者枚举连接类型的步骤还包含第一组类型扮演左脑事实连接的角色，并且其中，第二组类型服务于所述事实连接。10.如权利要求6所述的人类仿真方法，其中，使用编码或者枚举连接类型的步骤还包含第一组类型扮演左脑事实连接的角色，并且其中，第二组类型服务于经验或者情绪角色的右脑连接。11.如权利要求6所述的人类仿真方法，还包含把所述多个神经元分离到一般分类中的步骤，使得单独的编号空间可被用于其顺序或者神经元ID号，并且其中，所述编号空间由所述关系连接的编码类型暗示。12.如权利要求1所述的人类仿真方法，还包含利用简单转换表在临时和永久存储器空间之间生成转换的步骤，并且该表可以包含“命中”条目来评估永久连接的相对价值。13.如权利要求1所述的人类仿真方法，还包含通过句子意图和内容的概念化来生成神经元关系连接的步骤。14.如权利要求1所述的人类仿真方法，其中通过与所述大脑周围的外部世界中的对象和概念的交互经验生成神经元关系连接。15.一种用于在节点网络中存储概念集合的方法，包含步骤定义多个概念，每个概念和一个节点相关联；针对给定节点，唯一地定义所述概念集合中的相关联概念的唯一表示；每一个节点包括用于标识所述给定节点的相关联的标识符；多个关系指示符，每个关系指示符定义从所述相关联概念到所述概念集合中的一个或更多个其他概念的唯一关系；其中，所述相关联概念能够承载对多个其他概念中的一个或更多个的唯一关系，所述关系是从所述多个其他概念中的所述一个或更多个到所述相关联概念。16.如权利要求15所述的方法，其中，关系指示符中被选择的那些在本质上是分层次的。17.如权利要求15所述的方法，其中，多个节点在语义分组中被分组，所述语义分组由其中每个所述节点和它们的相关联概念对概念的语义流所具有的关系定义。18.如权利要求17所述的方法，其中，所述语义流包含句子。19.如权利要求17所述的方法，所述语义流包含在所述语义流中具有动作关系的概念节点其中之一、在所述语义流中具有主语关系的概念节点其中之一，和在所述语义流中具有宾语关系的概念节点其中之一。全文摘要本发明提供了一种用于定义节点网络的方法，每一个节点表示唯一的概念，并通过到其他概念的唯一关系在各个概念之间形成连接。每一个节点可操作，以便除了唯一关系以外还存储网络中的唯一标识符和关于概念的信息。文档编号G06F17/00GK101809539SQ200880109527公开日2010年8月18日申请日期2008年8月5日优先权日2007年8月6日发明者G·P·汉米尔顿,L·K·沃马克,T·A·威塞尔申请人:枢科技术有限责任公司