梳理一个实现AGI的简单框架
更好智能的各个维度： 下面所列方法均有开源代码。
0 《人工智能的未来》（On Intelligence）一书，是由杰夫•霍金斯介绍了大脑的智能属性之一是预测， prediciton（预测的各个角度：4d时空预测，DFP多传感器相互的属性等信息预测-6表示方法，
发展progressive着提高预测的精度，cGAN各种条件下的预测）；监督学习的标签预测，特定环境的特定行动的特定结果的一致性cGAN，
Curiosity-driven Exploration by Self-supervised Prediction http://mp.weixin.qq.com/s/A3pYqzakPCYn68wcQfDtCQ AGI:我与世界的互动是不是如我所愿。动作条件CycleGAN好奇心探索，
熟悉环境的预训练。https://github.com/pathak22/noreward-rl
1更多的维度-空间(2d到3d)加时间监督 videogan；
1我们生活在四维的时空中，真正的智能必须感知这四个维度，3维空间和时间，所有接受的信息应该是视频形式，视频是非常好的输入素材。只通过图片训练的智能有其先天缺陷。
基于四维时空的预测学习或记忆学习。所以我们依据做了基于视频的预测。
2更多传感器，视听触等, 压力的感知和 reward 动作的感知学习。 宽泛讲就是多维度的信息，比如虚拟环境各种指标信息--DFP，不同传感器互相监督即cGAN；
2视频的信息从像素出发维度太高，而且视频中很多内容是完全不同的，区分视频中的不同物体应该不仅仅是从视觉区分（使用的时候是从视觉来区分，但是训练的时候是不同传感器直接区分的）
视频中不同物体的本质是物体的不同属性的区分，通过视觉联想其他感知信息的内容来区分。从视觉中区分出不同远近，不同软硬的物体，不同用途的物体，不同冷热危险的物体。现在只做了深度的学习，其他属性还未开始训练学习。
3 Progressive Growing of GANs 智力的成长发展，2分类或3分类进行简单功能的精准实现 --7-- 上下左右，前后远近 先离散后回归。
3学习开始可以从简单开始，就像progressive growing gans 图像越来越清晰，分类或其他功能的准确度也可以越来越精确，先从2分类或3分类开始训练即可。
将特征空间压缩到非常低的维度，比如高低，胖瘦，大小，快慢，前后，左右，上下，
4 conditon gan；条件生成 外界环境的特定条件下的特定反应。 最新的cGAN 论文。https://github.com/pfnet-research/sngan_projection
condition：不同时间，不同空间，不同条件，不同的传感器属性，不同物体属性。
cGAN 各种不同的条件就是标签，条件监督可以用在传感器监督，标签监督，更细致的监督可以参考pix2pix-vid2vid-两幅图像大小一致的情况, vectro2vector
生物各种不同情况的反应就是各种condition GAN的 动作输出。语言的很多限定词都是conditon，无人驾驶的红绿灯，各种异常情况都是各种conditonGAN。
因果推理和cGAN的预测也是相关的。
5 人脑发育到一定阶段神经元增长不多，增加的是神经元的链接，通过不同区域神经网络的链接的增加，实现了不同的关系属性及概念的互相链接。这个可以对应进行神经网络的highway的不断增加。
5 more and more highway for 概念关联。
6capsnet 胶囊 (Capsule) 是一个包含多个神经元的载体，每个神经元表示了图像中出现的特定实体的各种属性 多属性表示。
code:
cGAN https://github.com/pfnet-research/sngan_projection,
Curiosity https://github.com/pathak22/noreward-rl,
vid2vid，
下面是相对重复的一些关键点。
7极低的特征空间维度 beta-vae distangle:bayesgan https://github.com/ermongroup/Variational-Ladder-Autoencoder； 这些都是图像。
动作也可以很低，上下左右，前后远近，
8 cnn filter reinforcement learning 选择特定filter进行处理。 or densenet？
9 DFP Human certainly possess the innate ability to switch goals based on different circumstances -----联系 4
imitation carla； Curiosity-driven
10 vid2vid prediction https://github.com/createamind/vid2vid ; Curiosity-driven
动作与环境互动及强化学习所探索的！ 11 imitation meta-learning。 https://zhuanlan.zhihu.com/p/33789604
欢迎大家批评留言交流，提出不同的智能点的各种方法的实现思路想法
持续完善阅读原文 https://github.com/createamind/busyplan/blob/master/zdx/Plan-thinkout.md
