he4o系统
April 11, 2026 · View on GitHub
儿时喜欢科技与哲学，好奇我们为什么活着，直至成为程序员后，我发现自己开始用代码来探索这一问题的答案。
he4o是一个螺旋熵减机，旨在实现一种通用人工智能（AGI）系统：
一、-------------成果：DEMO演示-------------
本人中年，因日常工作生活需要，每日剩余时间有限，尽量抽出30分钟左右投入HE开发，如无情况，终身更新，因投入时间太少，更新较慢，请勿期待。
DEMO计划及目录进度总结目录：
有一些已经完成，有一些还在推进中，有一些在未来计划中，如下：
- 最小验证（总体完成度100%）。
- 验证最小系统可行性，已完成（见HE.v1发布说明）。
- 乌鸦智能（总体完成度80%）。
- 拆分三部分之觅食，已完成（见下方DEMO1 & DEMO3）。
- 拆分三部分之防撞，已完成（见下方DEMO2 & DEMO4）。
- 拆分三部分之使用工具，已完成（见下方DEMO5）。
- 三部分整合到一起，未完成。
- 视觉完善（总体完成度60%）。
- 1000像素基础的，已完成（见下方DEMO6 & DEMO7）。
- 上万像素的迭代优化，完成度80%。
- 面向现实（总体完成度0%）。
- 初版做一些灵巧手控制，未完成。
- 后续可以做小车或人形机器人整机融合视听行为等，未完成。
- 文本训练（总体完成度0%）。
- 提前版：直接炼一下语言模型（意向性用模拟替代，场景用上下文替代，反馈用持续对聊下文内容替代）。
- 初版做一些成语接龙之类的，未完成。
- 后续可以做翻译等，未完成。
已完成DEMO记录：
为了测试验证，做了一些小Demo在下方有gif图，更多更完整的Demo还在推进和完善工程细节中。目前he4o支持以下（附说明）：
| DEMO1 | 多向飞吃 |
|---|---|
| 说明 | 在这个DEMO中,它已通过交互学习,知道饿了吃坚果可以解决饥饿问题,也通过交互学习到飞行可以解决距离问题,在扔出坚果后,它会自行飞过去吃掉以解决饥饿问题; |
| 操作 | 在这个DEMO中,我投喂了两个坚果,并且点击了模拟饥饿(因为等手机掉电太慢了,很多时候我用模拟器跑,更不会掉电),别的都是它自己行为; |
 |
| DEMO2 | 安全第一 |
|---|---|
| 说明 | 在这个DEMO中,在前面的交互中它被撞了一次,导致后面一看到飞过来的木棒,就立马躲开,并且再也不飞到下面了,即使扔坚果它也不去吃; |
| 操作 | 我可以用双击向下拉它,但它自己会立马躲上去,我也可以手动投喂坚果,但它依然会自己躲开不过去; |
 |
| DEMO3 | 变向觅食 |
|---|---|
| 说明 | 在这个DEMO中,它会自动尝试飞到坚果处,并且吃掉,但它离的很近时尝试吃却没吃到,然后又思考了下,再飞近,才吃到坚果; |
| 操作 | 在这个DEMO中,我扔了坚果,点击了模拟饥饿,别的全是它自己的思考和行为; |
 |
| DEMO4 | 先躲再吃 |
|---|---|
| 说明 | 在这个DEMO中,它在饥饿后,准确去吃,但此时看到木棒,立马又躲返回来,等到木棒过去安全后,又飞上去吃坚果; |
| 操作 | 坚果我扔的,饥饿我点的,木棒我扔的,别的全它自己; |
 |
| DEMO5 | 初用工具 |
|---|---|
| 说明 | 在这个DEMO中,它可以通过踢行为来将带皮的坚果踢到路上,等木棍滚过压破皮后(初级使用工具功能),它再飞过去吃掉; |
| 操作 | 带皮坚果我扔的,饥饿我点的,木棒我扔的,别的全它自己; |
 |
| DEMO6 | 视觉识别DEMO1-鼠标识别 |
|---|---|
| 说明 | 在这个DEMO中，分别给系统看了12张不同的手写0和鼠标照片，然后让它识别一个新样式的鼠标，看它能不能识别出来它更像鼠标还是更像0。 |
| 操作 | 无操作，就让它分别看12张手写0和我自己拍的鼠标照片。 |
| 附链接 | 我把具体说明记录在以下链接中，可以点击链接查看34142部分文档。 |
| https://zhuanlan.zhihu.com/p/1897085669467206936 |
| DEMO7 | 视觉识别DEMO2-多物识别 |
|---|---|
| 说明 | 在这个DEMO中，分别给它看了手写0，杯子、手柄、猫咪、饮料的照片各五张，在此过程中，它边看边学边认，第一张时还不认识，但到第5张时已经可以比较稳定识别到这是什么。 |
| 附链接 | https://zhuanlan.zhihu.com/p/1898510362254500051 |
二、-------------功能说明-------------
目前he4o系统已支持：感官、识别、预测、反馈、学习、归纳、类比、强化学习、迁移学习、价值感、意向性、计划、求解、快速响应外界变化、决断、行为，反思、评价、动态终身学习、稀疏表征、特征、感官入概念，肢体出概念，价值感概念、场景时序、方案时序、抽具象关系、宏微观、嵌套等。
- 机器学习支持：
- 迁移学习为主（结构）（数理：集合论）
- 强化学习为辅（竞争）（数理：概率论）
- 网络知识表征支持：
- 宏微关系：1、稀疏码 2、特征 3、概念 4、时序 5、价值
- 抽具关系：即一般性与个体性之间的关系。
- 嵌套关系：指场景与求解（即场景的变化）之间的关系。
- 感理关系：感性（意向性）与理性。
- 网络知识演化支持：具身（含感知I与肢体O）、自主、终身、动态、模糊。
- 无论宏观框架还是微观细节设计,都依从相对与循环转化。
- 思维控制支持：
- 出入 (行为 & 感知) //含反馈
- 认知 (识别 & 学习) //含类比
- 需求 (任务 & 计划) //含意向
- 决策 (求解 & 决断) //含反思
- 计算：使用最简单的bool运算：
类比和评价。 - 记忆结构：长时为网（启发式）、短时为树（递归）、瞬时为序（依次）。
- 编程思想：DOP (面向动态编程)。
- 知识由后天演化，先天仅编写控制器和存储结构
- 先天为器，后天为用。
- DOP与OOP相反：OOP是先抽象后具象，DOP的前半部分是从具象找抽象，后半部分才是以抽象解具象。
- 性能要求：可运行于单机终端（当前是ios设备）（依赖硬盘IO高于计算）。
三、-------------开源声明 & 付费声明-------------
- 采用LGPL
开源协议。 - 商业化可联系作者获取商业授权，但商业化只可以获取应用层等的商业化授权（最终解释权由作者所有）。
- 反哺协议：只要基于本系统的任何开发，本系统有权无条件吸纳认为有用的代码归本系统所有。
- 付费：本软件的全部或部分 及 以螺旋论理论基础上衍伸开发的软件应用等 对个人免费，商业付费。商业付费标准为：商品定价的0.1%收取。
- 打赏：您可以对我进行打赏，这份支持对我非常重要，以帮助我有更多资金与精力投入到该系统的研发，非常感谢。
- 2024.06 感谢REmaiin(熬时间少年的你?) 10.6元
- 2024.12 感谢REmaiin 66元
- 2025.01 感谢*NIKOLAI 30元
四、-------------螺旋论理论与模型-------------
螺旋论全称：螺旋熵减理论。
螺旋论从2017年2月正式开始研究至2018年2月成熟，历时一年，模型在18年3月成熟。
| 螺旋论：含三大要素：定义、相对和循环，共同呈现螺旋形。 |
|---|
| https://github.com/jiaxiaogang/HELIX_THEORY?tab=readme-ov-file#%E8%9E%BA%E6%97%8B%E7%86%B5%E5%87%8F%E7%90%86%E8%AE%BA |
| 模型：由内而外相对循环，拆分为以下螺旋形模型图。 |
|---|
 |
| 1. 此图从内外双向、动静转化、主客角度，三种方式来解读。 |
| 2. 每外一个模块,与内所有模块之和相对循环 (如神经网络与思维,智能体与现实世界) |
| 注: 一切都是从无到有,相对与循环。 |
如: he4o认为自己活着 源于循环。 |
五、-------------HE系统实践-------------
HE系统是基于螺旋论的系统实现，该名称意为“和”的拼音，同时是HELIX螺旋的前辍。
一、初版：2017年2月立项 － 2018年10月21日正式落地发布V1.0版本。
二、小鸟生存演示：2018年11月 － 2024年底。
三、推进视觉成熟化：2025年初 － 至今。
四、推进市场化：筹备中。
| 架构图 |  |
|---|---|
| 实践说明 | 理论由内向外，实践由外向内，二者衔接（如越细节越偏向可行性探索而非完全由理论解释） |
| 架构设计 | 由螺旋论展开成螺旋熵减机模型,再由螺旋熵减机模型展开为系统架构 |
| 代码占比 | 内核代码中神经网络占30％,思维控制器占50%,其它（输入、输出等）共占20%; |
| 神经网络 | 神经网络的模型十字总结:横向宏与微,纵向抽具象; |
| 思维向性 | 每一种操作方向表示一种思维操作，如：认知、决策、理性、感性。 |
| 思维模块 | 1分2分4分8: 感知(入),识别(认),学习(知),任务(需),计划(求),求解(决),迁移(策),行为(出) |
| 思维架构 | 思维控制器整体呈现螺旋形运行 |
六、-------------总结-------------
我只是一个程序员，不要对我有过高的期待，我并不是在做科研，只是在写一个自认为的AI系统代码而已，感谢理解。
说明：自上世纪50年代以来，人类70年人工智能研究史跌宕起伏，我个人更愿意将其分成两个切入点：
- 一者是偏向强化竞争自编程遗传，主打以算力动态竞争得到更正确的效果，来体现智能。
- 二者是偏向规则推理控制行为等，主打以设计固定规则得到更符合的效果，来体现智能。
问题：前者太活，后者太死。
- 最近前者开始向后者进发，加入标注图，围棋规则、自然语言规则，推理规则。
- 而后者开始向前者进发，加入人工知识库、预处理知识、世界模型、具身。
思路：我们结合二者的优点。
- 我相信在二者之间有一个平衡点，它用先天精心设计的代码规则，后天跑出动态终身习得知识数据。
- 我一直在找这样的平衡点，让二者像左手和右手一样协作，又设计了上升机制，让二者良性循环，螺旋上升。
要素：AI系统应该具备哪些呢？
- 我认为AI的思维应具备：“感知、识别、预测、反馈、强化、学习、价值感、意向性、计划、求解、迁移、反思、评价、决断、行为等”。
- AI的知识表征应具备：”稀疏表征、特征、概念、场景时序、时序变化、价值感、抽具象等”。
- 从效果上至少可以动态学习，终身学习，及时响应外界变化等。
现状：现业内做到了哪些呢？
- 当前AI成果，与当年最初设想的AI还相差甚远，还都远远达不到具备以上那些。
- 最火热的GPT只是文字世界的AI，多模态没做好只算感官做了20%，别的模块更少。
计划：本系统要实现哪些呢？
- 8年来以上这些he4o几乎都已经达到了，不过还有许多工程细节和坑在修，复杂的demo总是遇到bug卡住，而简单的demo又没什么威力，民众只认效果。
- he4o旨在实现以螺旋熵减机式的通用人工智能系统。
七、-------------开发：时间线-------------
2026.04.11
至今
- 测特征识别：
2026.03.07
耗时34天
- 修ST&GV错位问题 & 匹配率低问题：
GT自举减维到GV层、GT类比降维到GV层、GT自举用切图实现、新竞争因子：完整性 和 稳定性、加权求和切图法（吸附切图算法）
2026.01.24
耗时41天
- 提升特征识别准确度：
改GT识别通路解决撞率低的问题、优化调整ST & GT识别竞争因子参数、GT识别位置符合度、GT有效抽象
2025.12.29
耗时25天
- 测试：
测特征演化竞争浮现、ST识别不准确问题、特征识别改为：准中取具（优先具层）& 取有效抽象（全含似层结果）
2025.11.26
耗时33天
- 测试优化特征识别：
测试：特征演化竞争浮现、BUG：简化GT识别ref通路、特征识别切入点过度防重问题、ProtoGT不成形、错位偏移问题、优化：稀疏码识别算法、特征识别性能、防重索引防重池
2025.10.22
耗时33天
- 测修BUG & 细节完善：
特征演化竞争浮现、GT难识别问题：简化GT识别ref通路、ProtoGT不成形问题：ST防抽具低值降权
2025.09.04
耗时48天
- 迭代：
组特征改回独立网络模块、单特征分区均衡竞争
2025.07.29
耗时35天
- 迭代：
组特征识别改为自举
2025.06.11
耗时48天
- 迭代：
自适应粒度-废弃组特征
2025.05.08
耗时33天
- 测试：
测试自适应粒度版本、迭代支持组特征
2025.04.23
耗时15天
- 继续训练DEMO & 视觉版本迭代：
多特征快速提取、视觉可视化调试工具、自适应粒度版本迭代
2025.04.13
耗时10天
- 回测优化训练DEMO：
回测似层组特征的识别与类比、视觉DEMO1：鼠标识别成功、优化组码索引、视觉DEMO2：多物识别成功
2025.03.22
耗时19天
- 回测优化细节：
回测多码特征: 构建 & 识别 & 类比 & 抽象、迭代稀疏码索引之：组码索引、测特征的合理抽象度 & 测组码索引、迭代支持特征似层识别与类比（单特征向似层找组特征）
2025.03.15
耗时6天
- 多码特征：
支持多码特征、感官算法&感官模型、组码表征&特征表征、组码识别&特征识别、组码类比&特征类比
2025.02.27
耗时16天
- 迭代细节：
简化H嵌套、迭代OutSPDic表征方式、废弃迁移虚转实（IScene层不挂Canset）、Solution仅从FScene继承、迭代CansetV3类比、测下简化嵌套，OutSPDic数据结构，求解仅从FScene，CansetV3类比等
2025.01.08
耗时49天
- 迭代细节：
明确和完善：H迁移延着R迁移关联进行、迭代hSolutionV4：扩大求解范围和修正迁移路径、测试hSolutionV4（测得H嵌套复杂问题）
2024.11.21
耗时47天
- 测修BUG：
继续试错训练、优化性能 & SP巨大BUG 等多个BUG、抽具象时序匹配度为空BUG、测有向无距场景的竞争浮现、RealCansetTo映射有重复元素BUG
2024.10.11
耗时40天
- 回测：
继续试错训练、测得二次过滤后,多样性消失BUG、时序识别似层化、迭代迁移: 学时即推举 & 用时只继承、子即父,父非子、I/F综合稳定性计算
2024.09.10
耗时30天
- 迭代细节：
迭代Canset类比算法、整修outSPDic的BUG、TCPlan支持反思R子任务、启用迭代前段条件满足、迭代时序全含算法
2024.08.09
耗时30天
- 综合训练：
连续多向觅食、打开protoFo的全局防重、完善TCPlanV2流程细节、试错训练、广传染&窄计数
2024.07.20
耗时19天
- 回测训练：
训练用搬运、微调:多触发Canset类比抽象
2024.07.06
耗时14天
- 迭代TCPlanV2 & 连续视觉：
训练用搬运(失败)、迭代TCPlanV2、训练用搬运(成功但不稳定)、连续视觉
2024.05.25
耗时40天
- 回测训练：
测试、支持OutSPDic、训练无皮果动机ok、训练Canset试错训练ok、训练学去皮ok、训练有皮果动机ok、微调:持续价值感的任务的失效机制调整为-负mv反馈后任务不失效、训练学搬运
2024.05.10
耗时15天
- Canset的传染机制：
Canset的传染机制: 批量判断否和批量唤醒
2024.04.25
耗时15天
- 测训&修细节：
概念识别BUG导致feedbackTOR不成立、迭代convert2RCansetModel()算法:1.优化条件满足判断 2.候选池宽入100%激活
2024.04.10
耗时15天
- Canset的IndexDic：
HCanset的IndexDic收集与计算
2024.03.12
耗时28天
- 训练测试：
回测实时竞争和HSolutionV3
2024.02.15
耗时25天
- 迭代hSolutionV3：
迭代hSolutionV3、迭代迁移: 综合indexDic计算 & 推举继承合并
2024.01.10
耗时25天
- 解决方案实时竞争：
支持持续反馈 & 持续反馈评价、Cansets实时竞争、迭代TCPlanV2
2023.12.28
耗时12天
- 搬运训练：
搬运动机训练、学会搬运、运用搬运、Root竞争进度分加权、hCanset迁移优化: 基于r场景树和hAlg抽具象树实现迁移
2023.11.09
耗时49天
- 搬运训练：
搬运动机训练、交层Canset训练、规划搬运训练步骤、迁移时连带迁移SP值、构建Canset改为场景内防重、同质任务执行太多次问题: 同质Root合并、决策性能优化(15s至1s)
2023.10.17
耗时22天
- 去皮训练：
整理Canset演化过程、废弃Canset识别类比、加重Canset预想与实际类比、全面支持cansetAlg的共同抽象即匹配、预想与实际类比中的实际fo: 采用pFo.realMaskFo生成
2023.09.07
耗时40天
- 去皮训练：
H任务支持TCScene & TCCanset & TCTransfer、HCanset由R场景改为单独场景、优化去皮训练步骤
2023.08.16
耗时20天
- 去皮训练：
学会去皮、训练步骤设计与实施
2023.07.30
耗时17天
- 去皮训练：
去皮动机
2023.07.16
耗时14天 其中测试7天
- 多线程思维：
思维用TI和TO两个线程、回归测训
2023.06.29
耗时17天
- 测父子任务：
迭代TCRefrection反思: 改到行为化前、反思识别二次过滤器
2023.06.01
耗时28天
- 防撞和觅食训练,等安全再吃训练：
性能优化、防撞训练ok、觅食训练ok、防撞觅食联合训练ok、持续饥饿感
2023.05.25
耗时7天
- 识别准确度提升：
识别二次过滤器
2023.05.07
耗时18天
- 回测Solution数据流竞争演化情况：
训练测试稳定的scene演化过程、迭代solutionFoRank排名器
2023.05.03
耗时4天
- 梳理TO数据流：
Solution竞争断层: 宽入窄出、solutionCanset过滤器、solutionScene过滤器
2023.04.20
耗时12天
- Canset迁移性增强回测：
修复canset迁移后支持indexDic等BUG
2023.04.02
耗时18天
- 提升Canset迁移性决策部分：
Canset迁移性增强的决策支持、TCScene场景树、TCCanset.override算法、TCRealact可行性、TCTransfer推举和继承算法、相应更新SPEFF
2023.03.21
耗时11天
- 提升Canset迁移性认知部分：
外类比支持匹配度共同点、构建新Canset优先用场景alg、迭代Canst识别&全含判断、Canst外类比、Canst空概念、抽象Canset初始SPEFF、Canset识别支持AIFilter、回测Canset迁移性
2023.03.09
耗时12天
- 训练：
觅食和防撞训练、特征主观恒常性、Canset惰性期、测得Canset迁移性差问题
2023.02.26
耗时13天
- 优化：
测决策循环连续飞躲、反思子任务不求解、BUG_行为转任务死循环、BUG_静默任务被激活、调整过滤器提升识别准确度、觅食训练规划:mv进时序(未完成)、增加迁移性与识别准确度:废除客观特征
2023.02.14
耗时12天
- 优化：
使取S越来越准、识别率低BUG、支持AIFilter过滤器
2023.02.04
耗时10天
- 回测：
测试条件满足功能、回测项大整理、修复R任务的Canset再类比时机与条件判断BUG
2023.01.03
耗时12天 (含测试12天,中途春节休7天)
- 优化：
迭代canset前段条件满足、使概念识别越来越准、修复前段条件满足不完全的问题
2022.12.17
耗时16天
- AIRank：
概念识别和时序识别的综合竞争: 支持强度竞争、回测
2022.11.30
耗时17天
- 二十测：
回归测试
2022.10.15
耗时45天
- 优化：
抽具象多层多样性优化、持久化与复用概念相似度、迭代时序识别：持久化与复用indexDic、canset演化周期、废除TO反思识别
2022.10.08
耗时7天
- 测试：
废弃isMem、继续测试反思
2022.09.18
耗时12天
- 测试：
测试任务失效机制
2022.09.01
耗时17天
- 调优：
任务失效机制
2022.08.06
耗时25天
- 测试：
测试TCRefrection、性能优化
2022.07.05
耗时22天 中途旅游休8天
- 十九测：
迭代TCRefrection反思
2022.06.05
耗时9天 中途疫情休20天
- 梳理TC数据流：
决策配置调整: 快慢思考部分、学时统计 & 用时概率、测连续飞躲、Analyst综合排名
2022.05.20
耗时15天
- 梳理TC数据流：
识别准确度优化：逐层宽入窄出、数据流：整体观、快思考慢思考、TCActYes每帧O反省
2022.05.11
耗时9天
- 性能优化：
优化pFo识别性能、迭代Demand支持多pFos、十八测回归测试
2022.05.04
耗时7天
- 工具优化：
十七测、强化训练工具优化：支持模拟重启、思维可视化工具优化：支持手势缩放
2022.04.28
耗时6天
- 梳理TC数据流：
整体兼顾、各线竞争
2022.04.23
耗时5天
- 十六测：
性能优化、强化学习训练
2022.03.28
耗时8天 中途疫情休17天
- 强化训练：
开发强化学习稳定性训练器: RLTrainer
2022.03.13
耗时15天
- 思维可视化工具：
TOMVisionV2迭代: 思维可视化
2022.02.16
耗时25天 中途春节疫情休25天
- 十五测：
春节结束，开工回归测试
2022.01.15
耗时5天
- 十四测：
回测相近匹配
2022.01.10
耗时5天
- 相近匹配：
相近匹配
2021.12.26
耗时15天
- 回归十三测：
新螺旋架构测试、反省分裂迭代测试
2021.12.22
耗时4天
- 反省迭代：
hSolution从SP取解决方案、分裂:感性反省 和 理性反省、废弃HN
2021.11.18
耗时34天
- 思维控制器架构大迭代：
完善螺旋架构、废弃宏微决策、反思融入识别、工作记忆树迭代、迭代综合评价、末枝最优路径
2021.11.04
耗时14天
- R决策模式迭代：
FRS评价器迭代、废弃dsFo、废弃PM、废弃GL
2021.10.19
耗时15天
- PM稳定性迭代：
VRS评价器迭代、VRSTarget修正目标
2021.09.29
耗时20天
- v2.0十二测与训练：
IRT的SP参与VRS评分、SP定义由顺逆改为好坏、紧急状态不反思、主客观互卡问题、tir_OPushM迭代：IRT的理性失效
2021.09.14
耗时15天
- 网络节点类型排查：
指针集成type、自检测试、网络at&ds&type错误大排查
2021.07.08
耗时66天
- v2.0十一测与训练：
子任务回测、R决策模式、防撞训练
2021.06.25
耗时13天
- 子任务细节改动：
子任务的已发生截点、同级任务协作
2021.06.05
耗时17天
- 子任务细节改动：
子任务协同、子任务不应期
2021.05.24
耗时1个月
- v2.0十测与训练：
子任务测试、防撞训练
2021.04.10
耗时44天
- v2.0九测与训练：
觅食训练&变向觅食训练
2021.04.07
耗时15天
- HNGL嵌套迭代：
内中外类比迭代v3,v4、迭代getInnerV3()、RFo抽具象关联
2021.03.12
耗时20天
- v2.0八测与训练：
R-模式测试、觅食和防撞融合训练
2021.02.23
耗时37天
- 决策理性迭代：
规划决策、子任务迭代：理性反思、来的及评价、嵌套关联
2021.01.30
耗时4天
- R-决策模式V3迭代、反向反馈外类比
2021.01.23
耗时35天
- v2.0七测与训练
防撞训练、R-模式测试
2021.01.15
耗时8天
- In反省类比迭代、R-决策模式V2迭代
迭代触发机制: 生物钟触发器
2020.12.24
耗时20天
- v2.0六测与训练
多向飞行正常
2020.12.07
耗时1个月
- AIScore评价器整理完善：
时序理性评价：FRS、稀疏码理性评价：VRS
2020.11.07
耗时1个月
- v2.0五测与训练
2020.10.21
耗时15天
- TIR_Alg支持多识别
2020.09.01
耗时1个月
- v2.0四测与训练
2020.08.12
耗时27天
- Out反省类比迭代 (DiffAnalogy)、生物钟(AITime)、PM理性评价迭代v2
2020.06.28
5天
- 决策迭代：PM理性评价
2020.06.06
耗时2个月
- v2.0三测与训练
2020.05.15
耗时20天
- 决策迭代：（根据
输出期短时记忆使决策递归与外循环更好协作）
2020.04.21
耗时1个月
- 决策迭代：（根据
输入期短时记忆使决策支持四模式）
2020.03.31
耗时1个月
- 迭代外类比: 新增反向反馈类比 (In反省类比) (构建SP正负时序、应用SP于决策的MC中、迭代反思)
2020.02.20
耗时18天
- 稀疏码模糊匹配
2019.12.27
持续3个月
- v2.0二测与规划性训练－－回归小鸟训练
2019.11.22
耗时1个月
- 理性思维——反思评价
2019.09.30
耗时2个月
- 理性思维——TOR迭代 (行为化架构迭代、支持瞬时网络)
2019.08.25
耗时1个月
- 理性思维——TIR迭代 (时序识别、时序预测、价值预判)
2019.06.20
耗时2个月
- v2.0版本基础测试改BUG 与 训练
2019.06.05
写完耗时15天,调至可用性达到标准至45天
- v2.0一测－－小鸟训练——神经网络可视化v2.0
2019.05.01
耗时1个月
- 优化性能——
XGWedis异步持久化和短时内存网络
2019.03.01
耗时2个月
- 内类比 （与外类比相对）
2019.01.21
耗时40天
- 迭代决策循环 （行为化等）
2018.11.28
耗时2个月
- 迭代神经网络 (区分动态时序与静态概念)
2018.11.05
规划耗时20天
- 势 (小鸟生存演示) (v2.0开始开发)
2018.10.21
耗时0天
- v1.0.0 (he4o内核发布)
2018.10.20
耗时0天
- 螺旋熵减机 (产生智能的环境)
2018.08.29
耗时2个月
- MOL
2018.08.01
耗时1个月
- MIL & MOL (重构中层动循环)
2018.07.01
耗时1个月
- HELIX (定义、相对和循环呈现的螺旋型)
2018.06.01
耗时1个月
- 三层循环大改版 (mv循环,思维网络循环,智能体与现实世界循环)
2018.05.01
耗时1个月
- 相对 (he4o实现定义,横向相对,纵向相对)
2018.02.01
耗时3个月
- 宏微 (前身是拆分与整合,宏微一体)
2017.12.09
耗时2个月
- 定义 (从0到1)
2017.11.10
耗时1个月
- 规则 (最简)
2017.09.20
耗时50天
- DOP_面向数据编程
- GNOP_动态构建网络
2017.08.23
耗时1个月
- 神经网络 (算法,抽具象网络)
2017.08.02
耗时20天
- MindValue（价值）
2017.07.10
耗时20天
- 树BrainTree(参考N3P7,N3P8)
2017.06.01
耗时40天
- 三维架构(参考笔记/AI/框架)
2017.05.22
耗时10天
- OOP编程思想->数据语言 (OOP2DataLanguage)
2017.05.21
耗时1天
- 重绘了新版架构图; (AIFoundation)
2017.04.21
耗时1个月
- 金字塔架构
2017.03.21
耗时1个月
- 分层架构
2017.02.21
耗时1个月
- 流程架构