- 机器学习支持：
- 迁移学习为主
- 强化学习为辅
- 知识表征宏微支持：
- 稀疏码
- 特征
- 概念
- 时序
- 价值
- 神经网络支持：动态、模糊、抽具象、组与分、感理性。
- 支持智能体自主终身动态学习。
- 无论宏观框架还是微观细节设计,都依从相对与循环转化。
- 思维控制支持：
- 出入 (行为 & 感知) //含反馈
- 认知 (识别 & 学习) //含类比
- 需求 (任务 & 计划) //含意向
- 决策 (求解 & 迁移) //含分析
- 数理：
- 集合论（迁移）
- 概率论（强化）
- 计算：使用最简单的bool运算：
类比和评价。 - 记忆结构：长时为网（启发式）、短时为树（递归）、瞬时为序（依次）。
- 编程思想：DOP (面向动态编程：知识由后天演化，先天仅编写控制器和存储结构)。
- 性能要求：可运行于单机终端（当前是ios设备）。
手稿：https://github.com/jiaxiaogang/HELIX_THEORY
网站：https://jiaxiaogang.github.io
文档：https://james4ever0.github.io/he4o 由James4Ever0提供，感谢❤
第一梯队:1950年图灵提出"可思考的机器"和"图灵测试",他说:"放眼不远的将来,我们就有很多工作要做";
第二梯队:1956达特矛斯会议后，明斯基和麦卡锡等等许多前辈穷其一生心血，虽然符号主义AI在面对不确定性环境下鲁棒性差，但却为AGI奠定了很多基础。
第三梯队:随着大数据,云计算等成熟,AI迎来DL、GPT热,但DL、GPT也并非全功能型智能体。
综上：近70年以来，人工智能研究跌宕起伏，但与最初设想的AI还相差甚远，he4o旨在实现螺旋熵减机式的通用人工智能系统。
螺旋论从2017年2月正式开始研究至2018年2月成熟，历时一年。
| 螺旋论：含三大要素：定义、相对和循环，共同呈现螺旋形。 |
|---|
| https://github.com/jiaxiaogang/HELIX_THEORY#%E7%86%B5%E5%87%8F%E6%9C%BA |
螺旋熵减机理论模型在18年3月成熟，直至今天此模型仍在不断细化中。
 |
|---|
| 1. 此图从内外双向、动静转化、主客角度，三种方式来解读。 |
| 2. 每外一个模块,与内所有模块之和相对循环 (如神经网络与思维,智能体与现实世界) |
注: 一切都是从无到有,相对与循环，he4o认为自己活着 源于循环; |
V1.0《初版》：
2017年2月立项 －2018年10月21日正式落地发布V1.0版本。
V2.0《小鸟生存演示》：
2018年11月－至今开发完成，测试训练中...
| 架构图 |  |
|---|---|
| 架构设计 | 由螺旋论展开成螺旋熵减机模型,再由螺旋熵减机模型展开为系统架构 |
| 代码占比 | 内核代码中神经网络占30％,思维控制器占50%,其它（输入、输出等）共占20%; |
| 神经网络 | 神经网络的模型十字总结:横向宏与微,纵向抽具象; |
| 思维向性 | 每一种操作方向表示一种思维操作，如：认知、决策、理性、感性。 |
| 思维模块 | 1分2分4分8: 感知(入),识别(认),学习(知),任务(需),计划(求),求解(决),迁移(策),行为(出) |
| 思维架构 | 思维控制器整体呈现螺旋形运行 |
| 1 | 多向飞吃 |
|---|---|
| 说明 | 在这个DEMO中,它已通过交互学习,知道饿了吃坚果可以解决饥饿问题,也通过交互学习到飞行可以解决距离问题,在扔出坚果后,它会自行飞过去吃掉以解决饥饿问题; |
| 操作 | 在这个DEMO中,我投喂了两个坚果,并且点击了模拟饥饿(因为等手机掉电太慢了,很多时候我用模拟器跑,更不会掉电),别的都是它自己行为; |
 |
| 2 | 安全第一 |
|---|---|
| 说明 | 在这个DEMO中,在前面的交互中它被撞了一次,导致后面一看到飞过来的木棒,就立马躲开,并且再也不飞到下面了,即使扔坚果它也不去吃; |
| 操作 | 我可以用双击向下拉它,但它自己会立马躲上去,我也可以手动投喂坚果,但它依然会自己躲开不过去; |
 |
| 3 | 变向觅食 |
|---|---|
| 说明 | 在这个DEMO中,它会自动尝试飞到坚果处,并且吃掉,但它离的很近时尝试吃却没吃到,然后又思考了下,再飞近,才吃到坚果; |
| 操作 | 在这个DEMO中,我扔了坚果,点击了模拟饥饿,别的全是它自己的思考和行为; |
 |
| 4 | 先躲再吃 |
|---|---|
| 说明 | 在这个DEMO中,它在饥饿后,准确去吃,但此时看到木棒,立马又躲返回来,等到木棒过去安全后,又飞上去吃坚果; |
| 操作 | 坚果我扔的,饥饿我点的,木棒我扔的,别的全它自己; |
 |
| 5 | 初用工具 |
|---|---|
| 说明 | 在这个DEMO中,它可以通过踢行为来将带皮的坚果踢到路上,等木棍滚过压破皮后(初级使用工具功能),它再飞过去吃掉; |
| 操作 | 带皮坚果我扔的,饥饿我点的,木棒我扔的,别的全它自己; |
 |
付费：本软件是付费软件，分为使用付费和商业付费两个部分：
-
使用付费的价格＝需每年支付使用者平均一顿午餐的费用进行支付。
如果使用者的收入低于所在城市（地区）平均收入，则无需支付该项。 -
商业付费的价格＝该软件为基础创造的商业营收的0.1%进行支付。
如未创造营收，则无需支付该项。
打赏：您也可以对我进行打赏，以帮助我有更多资金与精力投入到该系统的研发，非常感谢。
- 回测：
继续试错训练、时序识别似层化
- 迭代细节：
迭代Canset类比算法、整修outSPDic的BUG、TCPlan支持反思R子任务、启用迭代前段条件满足、迭代时序全含算法
- 综合训练：
连续多向觅食、打开protoFo的全局防重、完善TCPlanV2流程细节、试错训练、广传染&窄计数
- 回测训练：
训练用搬运、微调:多触发Canset类比抽象
- 迭代TCPlanV2 & 连续视觉：
训练用搬运(失败)、迭代TCPlanV2、训练用搬运(成功但不稳定)、连续视觉
- 回测训练：
测试、支持OutSPDic、训练无皮果动机ok、训练Canset试错训练ok、训练学去皮ok、训练有皮果动机ok、微调:持续价值感的任务的失效机制调整为-负mv反馈后任务不失效、训练学搬运
- Canset的传染机制：
Canset的传染机制: 批量判断否和批量唤醒
- 测训&修细节：
概念识别BUG导致feedbackTOR不成立、迭代convert2RCansetModel()算法:1.优化条件满足判断 2.候选池宽入100%激活
- Canset的IndexDic：
HCanset的IndexDic收集与计算
- 训练测试：
回测实时竞争和HSolutionV3
- 迭代hSolutionV3：
迭代hSolutionV3、迭代迁移: 综合indexDic计算 & 推举继承合并
- 解决方案实时竞争：
支持持续反馈 & 持续反馈评价、Cansets实时竞争、迭代TCPlanV2
- 搬运训练：
搬运动机训练、学会搬运、运用搬运、Root竞争进度分加权、hCanset迁移优化: 基于r场景树和hAlg抽具象树实现迁移
- 搬运训练：
搬运动机训练、交层Canset训练、规划搬运训练步骤、迁移时连带迁移SP值、构建Canset改为场景内防重、同质任务执行太多次问题: 同质Root合并、决策性能优化(15s至1s)
- 去皮训练：
整理Canset演化过程、废弃Canset识别类比、加重Canset预想与实际类比、全面支持cansetAlg的共同抽象即匹配、预想与实际类比中的实际fo: 采用pFo.realMaskFo生成
- 去皮训练：
H任务支持TCScene & TCCanset & TCTransfer、HCanset由R场景改为单独场景、优化去皮训练步骤
- 去皮训练：
学会去皮、训练步骤设计与实施
- 去皮训练：
去皮动机
- 多线程思维：
思维用TI和TO两个线程、回归测训
- 测父子任务：
迭代TCRefrection反思: 改到行为化前、反思识别二次过滤器
- 防撞和觅食训练,等安全再吃训练：
性能优化、防撞训练ok、觅食训练ok、防撞觅食联合训练ok、持续饥饿感
- 识别准确度提升：
识别二次过滤器
- 回测Solution数据流竞争演化情况：
训练测试稳定的scene演化过程、迭代solutionFoRank排名器
- 梳理TO数据流：
Solution竞争断层: 宽入窄出、solutionCanset过滤器、solutionScene过滤器
- Canset迁移性增强回测：
修复canset迁移后支持indexDic等BUG
- 提升Canset迁移性决策部分：
Canset迁移性增强的决策支持、TCScene场景树、TCCanset.override算法、TCRealact可行性、TCTransfer推举和继承算法、相应更新SPEFF
- 提升Canset迁移性认知部分：
外类比支持匹配度共同点、构建新Canset优先用场景alg、迭代Canst识别&全含判断、Canst外类比、Canst空概念、抽象Canset初始SPEFF、Canset识别支持AIFilter、回测Canset迁移性
- 训练：
觅食和防撞训练、特征主观恒常性、Canset惰性期、测得Canset迁移性差问题
- 优化：
测决策循环连续飞躲、反思子任务不求解、BUG_行为转任务死循环、BUG_静默任务被激活、调整过滤器提升识别准确度、觅食训练规划:mv进时序(未完成)、增加迁移性与识别准确度:废除客观特征
- 优化：
使取S越来越准、识别率低BUG、支持AIFilter过滤器
- 回测：
测试条件满足功能、回测项大整理、修复R任务的Canset再类比时机与条件判断BUG
- 优化：
迭代canset前段条件满足、使概念识别越来越准、修复前段条件满足不完全的问题
- AIRank：
概念识别和时序识别的综合竞争: 支持强度竞争、回测
- 二十测：
回归测试
- 优化：
抽具象多层多样性优化、持久化与复用概念相似度、迭代时序识别：持久化与复用indexDic、canset演化周期、废除TO反思识别
- 测试：
废弃isMem、继续测试反思
- 测试：
测试任务失效机制
- 调优：
任务失效机制
- 测试：
测试TCRefrection、性能优化
- 十九测：
迭代TCRefrection反思
- 梳理TC数据流：
决策配置调整: 快慢思考部分、学时统计 & 用时概率、测连续飞躲、Analyst综合排名
- 梳理TC数据流：
识别准确度优化：逐层宽入窄出、数据流：整体观、快思考慢思考、TCActYes每帧O反省
- 性能优化：
优化pFo识别性能、迭代Demand支持多pFos、十八测回归测试
- 工具优化：
十七测、强化训练工具优化：支持模拟重启、思维可视化工具优化：支持手势缩放
- 梳理TC数据流：
整体兼顾、各线竞争
- 十六测：
性能优化、强化学习训练
- 强化训练：
开发强化学习稳定性训练器: RLTrainer
- 思维可视化工具：
TOMVisionV2迭代: 思维可视化
- 十五测：
春节结束，开工回归测试
- 十四测：
回测相近匹配
- 相近匹配：
相近匹配
- 回归十三测：
新螺旋架构测试、反省分裂迭代测试
- 反省迭代：
hSolution从SP取解决方案、分裂:感性反省 和 理性反省、废弃HN
- 思维控制器架构大迭代：
完善螺旋架构、废弃宏微决策、反思融入识别、工作记忆树迭代、迭代综合评价、末枝最优路径
- R决策模式迭代：
FRS评价器迭代、废弃dsFo、废弃PM、废弃GL
- PM稳定性迭代：
VRS评价器迭代、VRSTarget修正目标
- v2.0十二测与训练：
IRT的SP参与VRS评分、SP定义由顺逆改为好坏、紧急状态不反思、主客观互卡问题、tir_OPushM迭代：IRT的理性失效
- 网络节点类型排查：
指针集成type、自检测试、网络at&ds&type错误大排查
- v2.0十一测与训练：
子任务回测、R决策模式、防撞训练
- 子任务细节改动：
子任务的已发生截点、同级任务协作
- 子任务细节改动：
子任务协同、子任务不应期
- v2.0十测与训练：
子任务测试、防撞训练
- v2.0九测与训练：
觅食训练&变向觅食训练
- HNGL嵌套迭代：
内中外类比迭代v3,v4、迭代getInnerV3()、RFo抽具象关联
- v2.0八测与训练：
R-模式测试、觅食和防撞融合训练
- 决策理性迭代：
规划决策、子任务迭代：理性反思、来的及评价、嵌套关联
- R-决策模式V3迭代、反向反馈外类比
- v2.0七测与训练
防撞训练、R-模式测试
- In反省类比迭代、R-决策模式V2迭代
迭代触发机制: 生物钟触发器
- v2.0六测与训练
多向飞行正常
- AIScore评价器整理完善：
时序理性评价：FRS、稀疏码理性评价：VRS
- v2.0五测与训练
- TIR_Alg支持多识别
- v2.0四测与训练
- Out反省类比迭代 (DiffAnalogy)、生物钟(AITime)、PM理性评价迭代v2
- 决策迭代：PM理性评价
- v2.0三测与训练
- 决策迭代：（根据
输出期短时记忆使决策递归与外循环更好协作）
- 决策迭代：（根据
输入期短时记忆使决策支持四模式）
- 迭代外类比: 新增反向反馈类比 (In反省类比) (构建SP正负时序、应用SP于决策的MC中、迭代反思)
- 稀疏码模糊匹配
- v2.0二测与规划性训练－－回归小鸟训练
- 理性思维——反思评价
- 理性思维——TOR迭代 (行为化架构迭代、支持瞬时网络)
- 理性思维——TIR迭代 (时序识别、时序预测、价值预判)
- v2.0版本基础测试改BUG 与 训练
- v2.0一测－－小鸟训练——神经网络可视化v2.0
- 优化性能——
XGWedis异步持久化和短时内存网络
- 内类比 （与外类比相对）
- 迭代决策循环 （行为化等）
- 迭代神经网络 (区分动态时序与静态概念)
- 势 (小鸟生存演示) (v2.0开始开发)
- v1.0.0 (he4o内核发布)
- 螺旋熵减机 (产生智能的环境)
- MOL
- MIL & MOL (重构中层动循环)
- HELIX (定义、相对和循环呈现的螺旋型)
- 三层循环大改版 (mv循环,思维网络循环,智能体与现实世界循环)
- 相对 (he4o实现定义,横向相对,纵向相对)
- 宏微 (前身是拆分与整合,宏微一体)
- 定义 (从0到1)
- 规则 (最简)
- DOP_面向数据编程
- GNOP_动态构建网络
- 神经网络 (算法,抽具象网络)
- MindValue（价值）
- 树BrainTree(参考N3P7,N3P8)
- 三维架构(参考笔记/AI/框架)
- OOP编程思想->数据语言 (OOP2DataLanguage)
- 重绘了新版架构图; (AIFoundation)
- 金字塔架构
- 分层架构
- 流程架构