当前强人工智能在前进中遇到的问题及解决思想

  现在看来，大模型的计算，如果使用传统的文件参数递归模型，如果遇到子循环体，会导致大量的无效递归运动，消耗掉内存，导致溢出错误的发生,大模型的计算模型估计还需要进一步的思考和升级
      
       对一个神经网络的排序过程，每一次排序都要进行全网搜索，这个是计算机算法体系结构的一个难题，每一次微观的行动都要调动全局的计算量来完成

      如果神经网络的数据量再大，那么整个排序过程将使得硬件资源难以支持，AJAX这种架构对于这种情况是否有很好的解决方案嘛？我们做类脑计算使用的是数字计算机，这种计算机的体系结构决定了，神经网络排序算法的时间复杂度必然与整个网络的数据量高度正相关，这些是否需要做一个抽象层？来解决这个计算机体系结构上面的问题呢？因为神经网络在细胞生命的体系结构中并没有遇到我们在计算机体系结构遇到的微观计算需要宏观计算量支持的问题？

      现在，我们把这个问题提出来，作为一个重要的研究来做，因为现在人工智能和神经元分析系统就卡在这个地方，全网的神经元数量达到5000个甚至更多的时候排序算法，就算是矩阵表，速度也变得很慢，机器人的自由度和类人功能无法完全实现，我们现在把这个问题抽象出来，形成一个研究方向，期待在未来能够彻底解决问题，我觉得他们美国那边可能在体系结构上面做了一些改进，比如说，把内存集成进入CPU，然后在三层计算的问题上，把磁盘这个延迟速度给  降下来，达到了某种高速大拓扑分析的效果，但是这个体系结构的难题仍然没有解决，我们要在理论上解决这个问题，要思考人类的神经网络在速度上面是如何摆脱计算机体系结构这种微观计算需要宏观全局量支持的问题的。。。。
    
      不解决这个理论上的问题，我们始终停留在技术的微小改进上面，去把理论上和体系结构上的问题用工艺和技术的改良来掩盖，这种表面化的进步会给强人工智能的真正进步埋下祸根。。。。
    
      这个矛盾用严格的数学语言来描述:在现有计算机体系结构上完成大规模拓扑分析，每一次微观计算都需要全局的数据量和计算来支持，一旦拓扑结构数据量大于某个极限，硬件资源将被耗尽，这个矛盾严重制约着人工智能的进步
    
       人类在进行分析和思考的过程中，明显没有使用遍历搜索算法这种计算机的体系结构的原理，人类使用的是 猜想和构思-预测的算法结构，就是先猜测然后提高命中率，在进行分块计算，并不是遍历算法在控制人类的分析模式，人脑和心脏里面有这种预测机制，人的猜想是建立在这种预测机制上面的 现在，我们需要对SEESAW和JWFD里面的这两种预测机制进行数学建模，这个地方的问题就是我们解决上面遇到这种计算机体系结构的关键技术来源
    
      是9746算法和莫比乌斯环的结构，来构建JWFD和SEESAW的预测机制，在这种机制的基础上，解决我们在这个地方遇到的问题，这个技术含量比矩阵引擎还要高，需要我们进行更广泛的猜想和分析。。。。不仅仅限于现有的知识体系
    
      模拟人脑和心脏的预测机制-构造一个猜想分析系统，用来解决遍历计算的难题，这个课题又是新的挑战，这就涉及到人脑和心脏的核心机制了，带有神秘主义的探索了，估计会遇到更大的困难。。。。进入强人工智能的深水区。。。这里需要进行大量的高维矩阵的模拟和运算，会遇到一些非常抽象的非线性结构，估计业界不一定会接受。。。。对这一个领域，我们需要做更多的逻辑上的说明，否则用户无法理解这些算法。。。

     我们必须牢牢抓住当前国际上的人工智能发展的机遇，在下一个十年，把强人工智能的真正的核心技术掌握住，因为再过一些时间，国际环境将发生变化。。。情况就不利于我们了，所以现在是最好的发展强人工智能的时代。。