练并且产生其自己的核心参数组。随着接收到更多的数据，中央处理单元20细化并且修改其核心参数使得特征化的准确性和范围(breadth)随时间增强。
[0030]机器30将通常被用于特征化物件，例如通过检测状况的出现。机器30可以是水果分类机器、检测机器、商店结账机器、医疗诊断机器、故障检测机器等。本发明不限于与任何特定类型的机器一起使用。例如，机器30可以是在高科技制造设施的入口的安全检查系统的一部分，在该情况中其可以被用于检测可以被用于盗用知识产权或者技术数据的任何数字贮存装置的出现。在商店的入口/出口处的机器可以被用于检测被盗窃的商品。故障检测机器可以检测在飞机机翼中的微小裂缝，并且医疗诊断装置可以检测癌症、骨折或者其它状况的类型。水果分类机器将检测水果上的瘀伤或损坏。如果检测到目标物件的出现，则将产生警告以邀请可以确认目标物件/状况的出现的操作员，或者激活自动的响应，诸如锁定不期望的对象、将其重新指引到垃圾箱、开启修补标签或者在医疗文件中放置评论。
[0031]不同的机器遇到不同的物件和状况，暴露于不同的信息，并且可以学习和开发不同的分类/特征化规则。因此，每个机器30具有一组独特的强项和弱点。每个机器30发送数据到其它机器30和中央处理单元20并且从其它机器30和中央处理单元20接收信息。可以通过使用预定的协议的任何安全网络实现不同的机器之间的以及机器30和中央处理单元20之间的通信。
[0032]处理单元(例如，机器30)基于机器30之间的数据比较确定哪些数据应该被发送到哪些其它处理单元。例如，如果数据比较透露机器X遇到了机器Y还没有遇到过的物件，则机器X可以将机器Y还没有遇到的物件的参数传送到机器Y，使得机器Y当其第一次遇到所述物件时将辨识所述物件。在另一示例中，其中无花果分类机器30和橘子分类机器30相互以及与其它机器30比较数据，无花果分类机器和橘子分类机器可以注意到其它的机器的一些将通常是圆形的并且共享类似的特征的对象分类为无花果和橘子。它们可以传送数据到那些机器并且可能从那些机器获得参数，使得两组机器可以区分无花果、橘子和其它物件。即使无花果分类机器从来没有直接遇到过橘子，由于它从橘子分类机器学习了橘子参数，所以当它将要接收到橘子时它将能够辨识橘子。
[0033]在另一示例中，建筑物A中的安全检查机器可能经常遇到由员工携带的USB装置。另一方面，建筑物B中的安全检查机器可能不会遇到来自其员工和客户的USB装置。当比较建筑物A和建筑物B处的机器之间的物件时，建筑物A处的机器可以发送USB装置的参数到建筑物B处的机器。如果建筑物C处的第三机器已经具有其自己的USB装置的参数，则建筑物A和C处的机器可以比较它们的内部参数并且作出任何更新以进一步细化所述参数。
[0034]如所解释的，机器和处理单元可以通过比较和更新它们的参数相互“学习”。在一些情况中，在一个处理单元中丢失的参数通过从另一处理单元接收而被添加。在其它情况中，识别相同的物件的不同的参数触发处理单元修改一个或多个组的参数以强化特征化能力。
[0035]在一个实施例中，每个机器30或一组机器30结合人工智能程序并且能够基于输入学习或者改变它们的内部状态。例如，随着更多的物件通过机器30，机器30可以学习普通物件。机器例如可以结合神经网络。在开始时，初始化神经网络的突触权重和阈值并且第一组物件被引入到机器以接收输出。例如，当机器30是水果-分类机器时，输出将是分配给每个水果的分类(例如，等级A、等级B、多汁、拒绝)。机器训练器初始地将随机地混合的一批水果进给机器30并且提供每个水果被如何分类的输入，从而“训练”机器30。这种类型的机器训练是已知的。机器30通过使用测量以及每组测量应该产生的结果，产生一组状况以用于识别水果应被如何分类。机器对物件运行测试、进行测量并且为每个物件产生参数组。每个机器具有记录它所遇到的所有物件的参数的贮存单元。在用一组水果的初始训练之后，每个机器具有其所使用以特征化接收到的下一水果的内部参数组。机器30或一组机器30见过的水果越多，其将在其存储器中具有的数据点越多并且下一特征化将会越准确。不断地修改内部参数以增强特征化的准确性。
[0036]在一个实施例中，每个机器30将其遇到的所有的物件的参数传送到中央处理单元20。中央处理单元20保持核心参数组。中央处理单元20通过运行每个输入以产生和修改核心参数来处理从系统中的多个机器30接收的数据，所述核心参数被用于特征化下一水果。
[0037]中央处理单元20还结合人工智能程序。由于中央处理单元20从网络中的所有机器30接收数据，它将开发覆盖所有的全局可能性的更广的参数组。此外，不同于机器30，中央处理单元20将能够分析区域性趋势。基于其发现的趋势和模式，中央处理单元20可以为某些机器针对它们将遇到的新的参数做准备。可替换地，机器30可以直接地相互共享它们遇到的数据，有效地相互“教导”。
[0038]中央处理单元20还接收外部数据40，诸如将选择性地分布到机器30的智能数据或者任何数据。外部数据40可以包括关于在某些区域中的情况的智能信息或者细节。例如，假设机器是检测机器的情况。如果贵重的画作在意大利的佛罗伦萨被盗窃，则外部数据可以被用于通知中央处理单元20关于该情况。作为响应，中央处理单元20可以调节参数以提高画作的灵敏度并且传送调节的参数到机器，使得机器将几乎立即“寻找”被盗窃的画作。类似地，如果体育场具有缓慢移动的长队，则可以输入请求以降低在入口处的机器的灵敏度级别，以帮助队列更快的移动。在涉及产品分类机器的另外的情况中，关于在给定的地理中的期望的天气趋势的信息可以警告系统以提高与该天气有关的某些类型的损坏的检测。在另外的情况中，涡轮机安全检验机器可以学习由于在某些季节和地理中的来自增加的鸟类迀徙的增加的羽毛残留导致的某些叶片的损坏的模式并且调节这些机器以提高那些检验机器每年在该时段并且在该区域中的灵敏度。外部数据50可以由机器训练器40或者从另外的源输入。
[0039]图2描述了机器30和中央处理单元20的一实施例。每个机器30具有采用人工智能的处理模块32以及贮存内部参数的存储器38。处理模块32和存储器38 —起被称为“处理单元”(32+38)。除了具有处理单元以外，机器30被配置为接收物件、移动接收的物件(例如通过移动机构)并且通过测试模块34使每个物件经受一个或多个测试。所述测试可以是形状或者重量的简单的确定，并且可以是更加复杂的成像形式，以及将有助于分析或检测状况的任何其它已知的测试。使用测试结果(例如，测量结果)，特征化模块36特征化所述物件。测试模块34和特征化模块36 —起被称为“测量单元”(34+36)，并且包括用于接收、持有和测试物件的物理组件。如果特征化物件需要更多的信息，则机器30请求来自诸如操作员或额外的传感器的外部源的额外的信息。在特征化所述物件中，机器30使用贮存在存储器38中的内部参数。内部参数通过将具有不同的状况的物件与它们的特征化相关联在之前产生。因此，特征化包括将测量结果与内部参数比较。随着接收到更多的额外的信息，每个机器可以更新或者修改其内部参数组。机器30具有用于通过网络交换信息的接收器/传送器39。
[0040]中央处理单元20包括处理模块24和存储器22，所述处理模块24包括人工智能程序，并且所述存储器22包括用于贮存关于网络中的不同的机器的核心参数和数据的机器数据库。处理模块24和存储器22 —起被称为“处理单元”(24+22)。中央处理单元20基于所述测量结果和其从机器30接收的特征化数据产生其自己的核心参数组。核心参数相比于任何单个机器30上的本地内部参数可能更具有广泛性和包含性，因为每个机器30仅遇到其直接处理的物件，而中央处理单元20具有全局视角。机器数据库跟踪向其发送信息的所有的机器。当接收数据时，中央处理单元20可以用机器ID标记数据以跟踪数据来自的、共享知识的那些机器、机器组或者机器族。这样，中央处理单元20可以捕捉任何趋势，诸如天气或其它外部普遍现象，或者监视可能是警告迹象的模式。中央处理单元20还使用机器数据库以确定哪些机器将受益于对参数的新的更新/修改。
[0041]如所示，中央处理单元20和每个机器30具有用于与网络中的其它机器30和处理单元通信的接收部分26和传送部分28。接收部分26和传送部分28可以是一个物理组件。如上所述，中央处理单元20还接收来自除了机器30以外的源的外部数据40。当机器30的处理模块32确定有即将到来的非常情况或者有需要警告的情况时，它通过警报产生器产生警报。当接收到警报时，将发生内部系统反应