# 莉拉人工智能技能 >_制造智能——从理论到工业应用_ ## 概述该技能描述了 Leela AI 与 MOOLLM 的关系。 Leela 开发 MOOLLM 着眼于制造智能，每天使用它进行实际的开发、边缘盒管理、编码、调试和设计工作。该团队正在探索明斯基、派珀特和德雷舍尔的理论基础最终如何部署到工厂车间。 ## 莉拉和加里·德雷舍 Leela 的基础是 Gary Drescher 在 MIT 在 Marvin Minsky 和 Seymour Papert 指导下的工作。德雷舍将让·皮亚杰 (Jean Piaget) 的发展心理学带入计算中：婴儿通过感觉运动经验进行学习并构建_图式_（情境 → 行动 → 结果）。亨利·明斯基（Henry Minsky）在学生时代就接触过这一点。几年后，他重新实现了 Drescher 的算法，并与 Cyrus Shaoul 和 Milan Minsky 一起创立了 Leela AI。 _Leela_这个名字在梵文中是神圣游戏的意思——创造、毁灭和再创造的游戏。要点： * **模式机制** ：Leela 使用模式构建世界模型，该模式推理哪些操作是可能的以及执行操作时会发生什么变化。目标是通过链接模式来实现的（规划器找到结果与目标匹配的操作）。 * **自我监督学习**：Leela 从探索性行为中学习，无需标记示例或明确奖励；它形成并检验假设。在多目标网格世界实验中（Kommrusch 等人，IWSSL 2020），Leela 以 ~160N² 步数与 DQN ~360N^2.7 步数达到了训练目标，并且没有遭受灾难性遗忘。 * **神经符号扩展**：后来的工作（建构主义学习的符号指导、视频数据的神经符号学习、法学硕士协会）将符号图式系统与神经感知（对象/姿势检测、皮质柱、多法学硕士实例）结合起来。 _LLMs 协会_（Kommrusch & Minsky，IWSSL 2024）将 Drescher 的模式机制映射到多智能体 LLM 上：好奇心驱动的目标、多个计划、计划不同且一个成功时的训练样本、上下文子激活（一个智能体“潜意识思考”）以及增量 LoRA 更新；评估目标ARC-AGI。 Leela Core 使用混合技术来制造视频智能——基于 ConvNet 的因果推理和可解释性。请参阅：[schema-mechanism/]()，[reference/drescher-lineage.yml]()， [reference/publications.yml]()，[reference/society-of-llms.yml]()。 ## 核心技术 ### 神经符号视觉传统的计算机视觉是模式匹配。 Leela 的神经符号系统是_因果推理_。神经符号： Layer_1：神经网络 - 物体检测（那里是什么？） - 姿态估计（它是如何定位的？） - 运动跟踪（它要去哪里？） Layer_2：象征性的 - 上下文推断（这是什么情况？） - 因果推理（为什么会发生这种情况？） - 对时态事件数据库的 SQL 查询 - 预测（接下来会发生什么？） - 解释（人类可读的“为什么”） layer_3: pda #LLM 接口层 - 生成：自然语言→ SQL - 执行：执行查询 - 解释：结果→意义 - 解释：用简单的语言解释因果关系 - 可视化：图表、时间表、地图 - 记住：查询历史、偏好神经层提供感知。符号层提供推理。 PDA层提供自然语言接口——表面是神经的，协议是符号的。 ### 模式机制 (Drescher) 每个推论都遵循 Drescher 的模式模式：架构：上下文：[可观察的条件] 行动：[发生的事件] 结果：[观察到的结果] 学习：边际归因： - 哪些上下文特征可以预测结果？合成项目： - 未直接观察到的推断实体概括： - 这个模式什么时候适用于其他地方？ ### 边缘计算架构智能位于边缘，而不是云端：边缘架构：边缘盒：地点：工厂车间延迟：<50ms 功能：[推理、警报、日志记录] 云：目的：培训、聚合、分析延迟：非实时可接受原理：| 实时决策发生在边缘。学习和优化发生在云端。数据主权属于客户。 ## 应用 ### 1\.安全监控安全监控：目的：通过预测意识预防事故例子： - 车辆区域内的行人 - ppe_compliance（安全帽、背心、眼镜） - 人体工程学风险（重复运动、提升姿势） -near_miss_detection（事故前的千钧一发）输出：警报：实时通知解释：为什么这是一个安全问题建议：建议采取的行动审核：记录合规性 ### 2\.流程优化流程优化：目的：通过观察和推理提高效率例子： - 周期时间分析 - 瓶颈检测 - 空闲时间测量 - 工作流程优化输出：洞察：正在发生什么因果关系：为什么会发生建议：如何改进模拟：假设情景 ### 3\.预测性维护预测维护：目的：在设备发生故障之前修复设备信号：视觉：振动模式、磨损指示器、对准热：表明摩擦或故障的热信号声学：表明机械问题的声音模式架构：上下文：[设备状态、运行历史] 行动：[检测到异常] 结果：[预测的故障模式] 输出：预测：什么时候会失败解释：为什么我们预测这一点建议：维护行动置信度：确定性水平 ### 4\.开发运营自动化开发运营：目的：将 MOOLLM 模式应用于基础设施图案：文件状态： - 基础设施即代码 - git 作为审计跟踪 - YAML 作为配置连贯引擎： - 检测配置漂移 - 提出补救措施 - 解释变化光速： - 批量操作 - 并行部署 - 最少的往返次数 ## MOOLLM 集成 ### 房间作为区域 # 工厂区作为 MOOLLM 房间区域： id：装配线_3 类型：[生产、监控、室内] 包含： - 设备：[robot_arm_1、传送带_2、station_7] - 人员：[operator_badge_1234] - 相机：[cam_3a、cam_3b、cam_3c] 退出： - 至：暂存区 - 至：质量检查气氛：安全状态：绿色生产状态：活跃警报级别：无 ### 作为实体的角色 # 叉车作为 MOOLLM 角色实体：编号：叉车_07 类型：[车辆、自主、履带] 位置：loading_dock_2 状态：静止当前任务：等待许可关系：操作员：badge_5678 货物：pallet_1234 需求：燃料：0.73 维护：0.15 # 即将到期 ### 技能作为推理规则 # 安全协议作为 MOOLLM 技能技能： id：行人安全激活：背景：在车辆区域检测到行人行动： - 提醒车辆操作员 - 记录安全事件 - 跟踪行人直至区域畅通无阻广告：提供：行人区域监控满足：[安全、合规、意识] ## 团队团队成员 |角色 |背景 ---|---|--- **亨利·明斯基** |首席技术官 |麻省理工学院人工智能实验室、NTT DoCoMo、谷歌 Nest。马文·明斯基的儿子。 **博士。赛勒斯·绍尔** |首席布道师 |计算神经科学家、Digital Garage 联合创始人/CTO **博士。米兰·辛格·明斯基** |产品副总裁 |风险投资支持的初创公司，RayVio 联合创始人 **李双** |应用副总裁 |制造中的机器视觉 **博士。史蒂夫·科姆鲁施** |高级人工智能研究科学家 |深度学习，AMD/HP/国家半导体 **唐·霍普金斯** |人工智能架构师 |模拟人生、新闻、饼图菜单、MOOLLM 理论与实践相结合。明斯基的想法通过霍普金斯大学的实施经验和 Kommrusch 的深度学习专业知识进行完善，并部署在工厂车间。 ## 道德框架 ### 透明度透明度：原则：每一个推论都是可解释的实施： - causal_chains：在审计日志中可见 -confidence_levels：始终报告 - 不确定性：承认，而不是隐藏 - 限制：记录在案 ### 隐私隐私：原则：数据主权和最少收集实施： - Edge_processing：数据尽可能保留在本地 - 匿名化：默认情况下人脸像素化 - 保留：最小，可配置 - 同意：清晰的标牌、工人意识 ### 人类能动性人类机构：原则：人工智能建议，人类决定实施： - 关键决策：需要人工批准 - 建议：明确标记为建议 - 覆盖：总是可能的 - 问责制：人类仍然有责任 ## 集成点系统|整合 ---|--- **SCADA** |传感器数据摄取 **制造执行系统** |生产事件关联 **ERP** |业务环境丰富 **CMMS** |维护建议路由 **安全系统** |警报升级 ## 部署模型部署：边缘： Edgeboxes：源头的工业计算延迟：实时推理<50ms 弹性：如果云断开连接，则离线运行云：平台：客户选择（AWS、GCP、Azure、本地）目的：培训、聚合、仪表板主权：客户拥有自己的数据混合动力： edge_to_cloud：遥测、事件、学习数据 cloud_to_edge：模型更新、配置 ## 参考文献 *德雷舍，G.（1991）。 _Made-Up Minds._ 麻省理工学院出版社。 * 明斯基，M.（1985）。 _心灵社会。_西蒙和舒斯特。 * 科姆鲁施等人。（2020）。多目标网格世界的自监督学习：比较 Leela 和 Deep Q Network。 IWSSL，PMLR 131。 * [MOOLLM 技能]() * [模式机制]() * [reference/publications.yml]() — 论文和案例研究 * [leela.ai]()

艾莉拉

包含技能