佛学“五蕴”与层级时空记忆模型算法（HTM）过程上是多么巧合？

╰半橙微兮° 2022-05-15 01:04 440阅读 0赞

# 佛学“五蕴”与层级时空记忆模型算法（HTM）过程上是多么巧合？ #

## 一、佛学“五蕴” ##

我们读佛经时，经常遇到“五蕴”一词，如《般若波罗蜜多心经》：“观自在菩萨，行深般若波罗蜜多时，照见“五蕴”皆空。  
经文：以观舍利子为例，受想行识的相同道理论证  
（一）色蕴：即物质的积聚。色蕴包含内色与外色。内色就是：眼、耳、鼻、舌、身－－五根：我们所依靠生活的根身（身躯）；外色就是：色、声、香、味、触－－五境：所知的外境，这些都包含在色蕴之中。  
（二）受蕴即是领取纳受之意。对于顺境与逆境的领纳感受，它可分为身受和心受。身受由五根和五境所引起，它有苦、乐、舍（不苦不乐）三种感受；心受由意根所引起，有忧、喜。故受有苦、乐、忧、喜、舍五种性质。  
（三）想蕴：心于所知境执取形象。即是看、听、接触东西时，会认定所对的境有一定的相貌，然后为它安立名称，生起认识的心理。  
（四）行蕴：“行”是造作之义，行蕴是驱使心造作诸业，所造作的行为有善、恶、无记三种心理，称为心所生法，又称为心所。  
（五）识蕴：佛教对识蕴的解说有大、小乘的区别，在此依据大乘的分类来解说：识蕴分为八识，它又可分为三类：一者为心，它集起诸法，并能生起种种的法，此既是指第八识－－阿赖耶识。二者为意，它恒思量，即我们有一种心念，它一直执著有一个“我”，这就是末那识，称为意。三者为识，即是了别外境；能够知觉外面境界的心，称为识。有时候，心、意、识总称为心，也称为识蕴；识能够知道外境，所以是能知的心，因为由它带动其他的心念，以它为主，故称为心王，随它而生起的心念称为心所。  
五蕴包含了色、受、想、行、识这五类的法，各个合为一集，都是因缘和合的，它们相续不断的生灭，故五蕴的意思是五种不同的聚合。五蕴也被翻译为五众或五阴。“五众”是五种众多的法聚合在一起；“五阴”是五种法遮盖住我们的智慧之意。佛陀为利根的众生说五蕴；对智慧比较差的众生，佛陀则为他们演说十二处、十八界。  
![这里写图片描述][70]

## 二、HTM算法 ##

皮质学习算法（或称：HTM——层级时空记忆模型）是一种对新大脑皮质层结构与功能运作进行人工模拟的算法。核心算法是（Hierarchical Temporal Memory: HTM)，通过对空间模式与时间模式的提取,稀疏离散表征等的处理，可以实现实时时序序列异常检测，并实践证明是可行的算法。（参考：本人博客中：《为什么神经元有数千个突触，一个新皮质中的序列记忆理论(HTM算法基础)》和《应用层级时空记忆模型（HTM）实现对实时异常流时序数据检测》两篇翻译文章）。  
Jeff Hawkins在其2004年出版的著作“On Intelligence”中,提出了一种大脑皮层运作的理论,他称之为记忆-预测框架\[1\].该框架主要阐述了大脑皮层运作的一些原则,比如新皮层是建立一种对空间与时间的模式,目的在于预测,它具有层级结构,可以通过记忆模式与序列进行建模,层级之间信息存在上下互相传递等。这就是后来皮质学习算法的核心思想。在本算法里面,如下内容是非常核心与关键的：层级结构(Hierarchy)，空间与时间模式不变表征(Invariant Representations of Spatial Patterns and Temporal Patterns)，序列记忆(Sequence Memory)。

## HTM学习过程 ##

在学习阶段，大致分为3步，对新模式进行记忆，转移概率矩阵的计算，对模式进行分组获取temporal groups。

I，模式进行记忆。当一个节点接收到一个新的模式时，首先是将输入模式与节点中已存在的模式进行比较（如，比较距离），如果该输入与某个存在的模式足够近，那么就激活该模式。如果没有找到足够近的模式，那说明这个输入模式是一个新的模式，将他存入模式集中，以待后用。这就是模式的记忆。

II，转移概率矩阵的计算。当一个模式被激活，回顾之前激活的模式，将矩阵中对应两者转移关系的位置自增1。当然，HTM也可以存储多步的转移，回顾数步以前被激活的模式，存储其转移关系。在所有模式输入完毕，对转移矩阵每行或每列（视存储情况定）进行归一化，得到转移概率。

III，temporal groups的计算。根据转移关系的统计，可以知道哪些模式转移相对频繁，而哪些模式之间转移概率相对较大。Temporal groups的计算的原则就是基于此，选取一些转移较频繁的模式作为种子点，从该种子点向与其转移概率最大的点进行生长，达到一定数目停止生长，从而实现temporal groups的分类。而每个group以及其coincidences之间组成的markov chain是模型序列记忆的关键。

需要注意的是，在训练完毕一层之后，再训练更高层时，首先利用识别流程，将前些已经训练好的层级的结果输出到更高层，进行学习训练，但是这里，一般将concatenation的各输入（子节点的输出）中最大值位置设为1，而其他位置置为0（David处理方法是每个coincidences为\#（子节点数目）维向量，每个元素存的是最大值位置索引，感觉这种省存储空间）。这实质上是一种稀疏化的处理，之后在介绍Numenta里面的HTM与现在介绍的HTM的联系和区别时还会提及。

## HTM识别过程 ##

在识别阶段，假设每个节点的C，G，transition probability matrix已经训练好。一个节点的输入过程一般分为两步，首先计算对当前输入，提取所有coincidences对该输入的certainty；其次是计算对当前输入，提取所有groups对该输入的certainty。

I，提取coincidences的certainty。对于第一层的节点，这种certainty通常是通过考量输入与模式之间的近似程度来实现，而对更高层，coincidences里面存的是各个子节点哪些temporal groups共同出现，所以这些子节点的temporal groups对该输入的certainty共同组成该coincidence对该输入的certainty。

II，提取groups的certainty。同理，groups里面是指哪些coincidences会共同出现，一个groups的certainty由这些coincidences的certainty共同组成（都是概率相乘）。

III，关于识别的一些思考

考虑下面公式（来自George论文，公式含义不细说），在序列记忆的情况下，实际上每个group的certainty不仅仅考虑了他包含的coincidences对他的贡献，同时通过序列转移情况，能够知道某个coincidence在前面已有序列条件下，现在出现的概率，这种序列记忆能够更好地反映出一个coincidence对某个输入的certainty。当然，在David的报告中，大多数情况下以下图中公式(4.4)为基本，没有考虑多步的转移。  
![这里写图片描述][70 1]

## 总结 ##

大家对上述内容有兴趣，可以进一步通过网络搜索进一步学习。本人之所以将佛学与HTM拉到一起，其实感想如下：  
1、Jeff Hawkins在研究人类大脑工作过程中，对人脑的存储记忆和预测过程的工作过程非常近似佛学五蕴的分析过程。其中，必须注意，佛学主要思想是否定“五蕴”的存在，认为“五蕴”是凡人的“妄想”，需要彻底破“五蕴”才能成佛。  
2、Jeff Hawkins通过仿真人类大脑神经元算法模型，已经获得成功，并已经在实时时序数据异常检测中成为佼佼者的算法。当然，其仿真过程也是非常接近“色受想行识”过程。  
3、应了一个故事，凡世间的科学家攀登2500多年到了山顶，发现释迦牟尼佛正在山顶笑迎这些科学家（包括：艺术节、数学家、生物学家、物理学家、人工智能专家、哲学家等等众生）。  
欢迎读者自己慢慢思考研究吧，  
接下来我还会说，量子力学对物质世界的颠覆和对物理学的颠覆也是有着巨大的影响，而且进一步验证了佛学思想的伟大和先驱性。  
本文观点仅代表本人自己的一点思考，欢迎大家批评指正。

[70]: /images/20220515/e778024fc3b745d18a080181a4ec7fef.png
[70 1]: /images/20220515/994a614ecc7343598cf601472a791b44.png