自然世界的数字原理

在软件工程师眼里一切皆对象，世界是一个分层的树形结构，每个人都在时间域的树形结构中哈希碰撞，寻找自己在这个世界中的最佳位置。而硬件和图像处理工程师看到的则是数字的世界，我们每个人的身体都可以用三维数字矩阵存储在计算机中。甚至我们大脑在认知决策过程中的思维也会通过功能磁共振成像技术检测后以四维时间序列的数字矩阵存储在计算机中。黑白图像本质就是表征黑白亮度值的二维矩阵，彩色图像则是由RGB向量空间构成的数字矩阵。我们缤纷多彩的的物理世界其实就是一个数字组成的世界，叠加了时间维度的变化就是信号。人的大脑思维活动本质就是不同区域神经元信号的变化，我们大脑中呈现的一幅幅画面其实就是一种数字信号，通过检测提取这个信号，技术上可以由计算机程序解码出这个图像，从而知道你的大脑刚才在想什么画面。

我们每个人的声音也是一种数字信号，作为天才的发现，我不得不感慨傅里叶变换，卷积这些信号与系统科学的伟大。这些基础的学科广泛应用于机器学习和人工智能的应用与研究中，例如卷积在图像分割中用于提取特征，本质是一种滤波器。如果我们识别一张图片中的汽车是卡车还是小汽车，那么我们把图像背景中与汽车无关的信号通过卷积滤波器踢除，从而提取出只和车相关特征，再去把提取的特征输入到分类网络中进行识别。傅里叶变换可以用来对医学图像进行滤波处理，比如高通滤波和低通滤波。高通滤波可以用来增强图像的边缘和细节，而低通滤波可以用来平滑图像并去除噪声。傅里叶变换还可以用来进行频域分析，比如检测图像中的周期性结构或者特定频率的成分，这对于诊断和分析医学图像中的特定病变或结构非常有帮助。因为我们人体的结构成像得到的数据本质是一种数字信号矩阵，我们的身体组织在没有病变的情况下，所有地方软组织都是一样，这样成像的信号就是均匀的，一旦某个位置的软组织有病变，信号的强度就会发生变化，这就是为什么可以通过机器学习或者人工智能模型去分割和识别病灶区域，并引导手术机器人精准操作和疾病诊断，切记AI图像分析的本质是对数字信号特征的挖掘。

作为神经网络起源的感知机其实就是数字逻辑电路，我们大脑神经元控制肢体的原理与芯片的原理高度一致，所以大脑相当于CPU。认识这个物理世界的本质才能去理解大脑产生智慧的根本原理，既然这个物理世界是数字的世界，一切皆数字，我们知道计算机用0和1编码来存储数据，那大脑的神经元是怎么存储人一生中所经历的数据呢？目前神经编码与计算学科在努力揭示这个谜团，如果这个方向的基础学科能够突破，可能推动类脑芯片的研发应用。因为大脑其实和计算机类似，有存储记忆数据的海马体，大脑的网络模型会随时存取这些数据。作为大脑的感知器，人的眼睛把物理世界的各种数据传递给大脑后部顶叶区域的视觉神经元，这些神经网络模型会加工处理这些数据特征，比如这个动物的耳朵是尖的还是圆的，并输入到大脑的认知决策系统，从而你可以确定它是狗还是猫，人工智能的各类深度学习模型就是模拟了大脑的视觉机制，在人脸识别和图像处理领域得到了非常精确的应用，识别的精准度甚至超过了人类大脑。

已知人脑有千亿级的神经元数量，目前通用的AI大模型也可以达到数十亿的参数量。既然我们生活的物理世界是数字的世界，一切皆数字，那么大脑网络模型和人类开发的人工智能大模型其实有相通之处。人工智能是基于数字编码和算法运行，人类大脑本质也是信息的处理和传递，只是这种数字信息可能不是以计算机的二进制编码方式，同时这些数字的载体和运行方式两者不同而已。

AI大模型与人类大脑网络模型都需要学习和训练，只不过AI大模型基于大数据进行，而人脑网络模型则是小样本学习。例如我们人类小孩只要认识一次猫和狗就学会正确分类，但是AI大模型则需要大量的猫狗图片数据的学习训练。

人类的一切知识都是主观的思维建模，是对复杂事物的简化。那么什么是模型？模型是大脑对我们所生活的物理世界的映射，是真实世界的缩影。认知就是从外界感知数据，建立大脑网络模型，使用大脑网络模型进行推理决策。人的认知就是建模的过程。因此能够挖掘和识别物理世界的关键特征，对外部世界的认知就越深刻，越能做出正确的决策。从这个角度看，AI大模型也是与人脑网络模型相通的，因为AI大模型的本质就是对特征的挖掘分析。

另一层面，每个人包括已经逝去的个体最终都会形成稳定的认知模型边界，所以孔子说的"吾十有五而志于学，三十而立，四十而不惑，五十而知天命，六十而耳顺，七十而从心所欲，不逾矩。"其实就是到了一定年龄人的大脑网络模型就会稳定下来，不会再进行大的迭代升级，会形成一种固定的思维形态，思考方式和性格，这也是AI大模型可以根据逝者生前的语言、声音和性格特征，留下的文字思想等数据进行模拟并以AI数字人的形式“复活”其本人的依据。