开发程度没有很实在的数据支持，但是人类的大脑确实还有更大的潜能，像电影《超体》一样，女主大脑开发100%之后变成了一个有特异功能的存在。

现实生活中也存在那种由于意念自身疾病被治愈或者在某个特殊时刻产生意想不到能力的事件。

                               强AI类人机器人设计

  前言：在我的理论圈内，机器人的数据计算，只需要几个单片机加低端微机就可以进行处理。在数据计算中，最消耗资源的属于图像的计算。而机器人采用大脑的抽象化数据记录方式和数据处理方式，大大节省计算资源。

很多时候，一个人很容易陷入自己的理论怪圈，走不出来，所以在此把论文贴出，希望大家能够指正。

    在这里，我略去引证部分，只发论证结果。

一．人体AI组成。

A.视觉信息

1.眼睛信息获取组成。

颜色、光线强度、角度、尺度、比例。

光线强度就是亮度。在人体视觉中，通过光线的反射，辅助眼睛识别物体的角度以及阴影。通过漫反射，辅助眼睛识别物体的光滑度。

角度分为视觉角度和物体角度。视觉角度为视界角度以及物体在视网膜的投影角度。物体角度为构成物体轮廓的角度，物体角度由垂直平面和景深构成。

尺度为双目视差。

比例是什么呢？物体在视网膜中会有个投影，这个投影会随着距离的变化进行等比变化。

当视觉角度不变时，物体在视网膜投影的轮廓角度也不会变，变化的只有尺度。

眼睛通过尺度比例的变化，对物体的尺度和距离进行经验主义判别，节省了大量的计算过程，所以人体才会有经验主义的条件反射。条件反射的速度要比经过计算的回馈速度快上非常多。

光线强度差形成的阴影，是眼睛对物体识别的最重要辅助，是物体分割定义的重要参数。后面见整体与个体的定义。

1.大脑对视觉信号的处理。

方位：视觉方位、地理方位、特征方位。

设定三维场景空间。在三维空间内------

视觉角度和尺度，构成了物体的方位识别。方位分为三种。视觉方位和地理方位，以及物体特征方位。

视觉方位为物体在视界内的相对方位。地理方位为物体在地理环境中所处方位。特征方位指物体特征在物体上处于的方位。

方位和尺度与角度，构成了视觉中的三维空间。大脑中的三维空间模型有两个：认知记忆空间和瞬时视觉空间。

认知记忆空间为自己经历过的空间和通过知识获取认知补充的地理空间。瞬时空间为当前时间下眼睛所看到的空间。

3.形状的定义

大脑通过物体在视网膜的长期投影形状，在情感值影响下，对物体轮廓做出定义。如，条，线，块，方，圆，点等等。

如中文是线条与点组成的，线条不同方位的交叉组合，构成了不同的文字。

4.视觉组成总结。

地理三维场景空间（（瞬时三维场景空间（物体视觉方位（颜色，形状（角度，尺度，相对方位），尺度，比例，光线强度，特征），物体地理方位（物体视觉方位（颜色，形状（角度，尺度，相对方位），尺度，比例，光线强度，特征））））。

4.物体轮廓（角度，尺度，相对方位）表示方式与特征识别。图示：

在角的定义上，分为锐角和圆心角。锐角只是为了与圆弧区别的角，并非几何上的锐角。

三维场景空间，划分坐标值，表示方法为360*360*尺度。以物体轮廓右下角所处的坐标为原点，为物体建立轮廓角度数值。

划分坐标值的尺度，是以视觉分辨率为标尺的。视觉分辨率分为角度分辨率和尺度分辨率，指眼睛所能够分辨的最小角度和尺度。可以根据数据应用，标定角度和尺度的精度。

如，坐标尺度一毫米为一个坐标点，角度以0.1度为一个坐标点。

物体的一个点，会有两个角度和尺度，即平面的，与垂直的。每个坐标点，以两组角度和尺度表示，采用遍历法进行数据组计值。设定，坐标尺度精度为1毫米。

如，视觉立体场景坐标｛x.y.z(圆心角x度，平面尺度---在表示中，这里尺度为固定值1毫米，所以不再表示。景深尺度），（锐角X度，垂直尺度）｝

｛x.y.z(x,y，XXX毫米)，x,y,z(x,y，XXX)，x,y,z(x,y，XXX)......｝就这样，采用遍历方式记录每一个三维空间相对应坐标的物体平面和垂直两个角度。

物体轮廓库中，需要把瞬时三维空间的坐标，进行两个转化。一是转化为地理空间坐标，二是物体特征方位坐标。转化完毕后，瞬时空间内数据清空。

如上图，转化为地理坐标｛x+n.y+n.z(x,y，XXX)，x+n,y+n,z(x,y，XXX)，x+n,y+n,z(x,y，XXX)......｝，转化为物体特征坐标｛0.0.z(x,y，XXX)，1,0,z(x,y，XXX)，2,0,z(x,y，XXX)......｝。转化后的尺度XXX，数值为，XXX+Z，XXX-Z。

这样，物体的轮廓三维数值表达方式就出来了。在物体的三维建模中，只能用数值集，不能用函数。

但是，因为视觉方位的改变，坐标与角度的数值，随之就改变了。那么该用什么方法确定两个就是同一个物体呢？

例如一个立方体，第一次见到的时候是平放的，第二次是以一个角支撑的。那么两次的数值是完全不同的。假如角度分辨率是0.1度，设定视线是与水平面平行的，那么只需要360度/0.1次垂直角度旋转修正，只要是同一个物体，必定会有一组或者N组角度的数值是完全对应的。如果对应成功，则停止旋转取值。在角度修正旋转时，采用四象限切割方式，进行四线程同时旋转对比。

如果采用垂直旋转，则必定会有一组尺度的数值是对应的。

如果对应不成功，则识别为不是同一物体。

但是还存在很多轮廓一样，图像或色彩分布不一样的物体，该如何识别呢？

先左右旋转，进行角度修正对应。对应成功后，再前后旋转，进行尺度修正对应。尺度对应成功后，截取角度和尺度全部对应成功的一段画面图像，进行二维图像特征识别。

这是物体轮廓特征识别方式，理论上识别正确率，可达100%。在面部识别中，那么识别对象无论是否戴口罩或眼睛，都可以准确识别。

4.类别识别。

我们可以通过面部识别，精准的判断出两个面孔是否为属于同一个人，那么如何通过视觉识别两个物体为同一种类物体呢？如猫和狗的特征区别。

假设，把一只猫和一只狗，染成同一个颜色。我们如何区分哪个是狗哪个是猫呢？这就需要用到比例算法了。因为人的眼睛长期接受视觉投影比例的变化，所以对比例的运算速度是无以伦比的。

每个自然生成的不同物体的轮廓和特征轮廓都是不同的。特征在物体上所处的比例也是不同的。物体特征在视网膜上的投影比例也是不相同的。

我们对物体种类的区分，是建立在一个定义的基础上的。例如，狗有很多种，形态差异特别大，甚至连声线都有非常大的差别。例如哈士奇和斗牛犬，那就是两个物种。但是，别人告诉我，那都是狗。那么大脑就会自动把两个物种归类到同一物种下，然后自动寻找这两个物种的共同点。如果找不到共同点，则采取排除法进行筛选，这只斗牛犬不是什么其他物种，最后只剩下犬类这个物种。然后会寻找一个逼近值，这两只狗是有哪些特征最相似，又与其他物种有很大区别。

例如，狗的嘴巴比较长，猫的嘴巴不凸出。所以，在平面视觉投影中，猫和狗表现的轮廓也不一样。

再拿西红柿来说。西红柿有大有小，形状也差异比较大。颜色有深红，浅红，粉红。小西红柿圣女果，在形态上，和普通西红柿相比，完全是两个蔬菜种类。大家都叫它为圣女果，但是在我心里，它依然是小西红柿。无法从视觉上对它归类，我是如何把它归类到西红柿的呢？口感，味道。在这里，它们具备共同点。就是说，总是要找个关系，把它们牵连起来。

找牵连关系，有先定义，再找共同特征的。有具备了共同特征，再进行定义的。在这里的特征识别上，神经网络和深度学习是最好的。

所以，在物体的归类上，利用深度摄像采集到的数据，进行深度学习。

一个场景中，会有N个物体组成。每个物体，都是一个整体或者个体。每个整体都由N个整体或个体构成。