SkyalyticAI 1.4.0

Neural Isomorphic Evolutionary Architecture - A brain-inspired AI framework

NIEA - Neural Isomorphic Evolutionary Architecture

基于人脑认知架构的通用人工智能框架，实现从感知运动到博士级别的类人成长训练路径。

项目简介

NIEA 是一个脑启发AI框架，融合四大理论支柱与七大功能模块：

四大理论支柱：

1. SNN基底 -- 生物神经元的事件驱动计算基元（LIF/ALIF + STDP）
2. 预测编码学习 -- 层次化自由能最小化的世界模型（PCN）
3. 互补记忆系统 -- 海马体快速编码 + 皮层慢速巩固的双系统架构（HDC + CMS）
4. 全局工作空间意识涌现 -- 模块竞争广播与意识点火机制（Global Workspace）

七大功能模块：

1. 脉冲编码器 -- 速率/时间编码，将连续信号转换为脉冲序列（Welford在线归一化）
2. SNN计算核心 -- LIF/ALIF神经元 + STDP赫布可塑性
3. 预测编码网络（PCN） -- 层次化预测与误差校正
4. 超维记忆系统（HDC） -- 关联记忆、情景记忆、概念存储
5. 主动推理引擎 -- 期望自由能最小化、好奇心驱动探索（连续高斯变分推断）
6. 世界模型（WM） -- VAE世界模型 + 奖励预测 + 想象规划
7. 元认知与结构自进化模块 -- 不确定性估计 + 神经发生/突触修剪/结构可塑性

类人成长训练路径：

0~3岁感知运动期 -> 幼儿园 -> 小学 -> 初中 -> 高中 -> 本科 -> 硕士 -> 博士

环境要求

• Python >= 3.9
• numpy >= 1.22.0
• scipy >= 1.9.0

可选依赖（按需安装）：

依赖	用途	安装命令
torch >= 1.12	GPU加速（SNN层、世界模型、主动推理）	pip install torch
pytest	运行单元测试	pip install pytest
openai	AI教师NPC（DeepSeek等）	pip install openai

安装：

# 从 PyPI 安装
pip install SkyalyticAI

# 或从源码安装
pip install -e .

快速开始

1. 最简创建

from skyalyticAI import NIEABrain

brain = NIEABrain(input_dim=10, action_dim=4)

2. 使用预设方案

from skyalyticAI import NIEABrain

# 小规模（个人电脑）
brain = NIEABrain(input_dim=10, action_dim=4, brain_scale="small")

# 中规模（单卡GPU）
brain = NIEABrain(input_dim=10, action_dim=4, brain_scale="medium")

# 大规模（多卡GPU）
brain = NIEABrain(input_dim=10, action_dim=4, brain_scale="large")

# 超大规模（GPU集群）
brain = NIEABrain(input_dim=10, action_dim=4, brain_scale="xlarge")

# 人脑规模（神经形态芯片/超大规模集群）
brain = NIEABrain(input_dim=10, action_dim=4, brain_scale="human")

3. 预设 + 自定义覆盖

# 使用large预设，但覆盖hidden_dim
brain = NIEABrain(
    input_dim=10,
    action_dim=4,
    brain_scale="large",
    override_hidden_dim=16384,  # 覆盖预设的8192
)

4. 完全自定义参数

brain = NIEABrain(
    input_dim=128,
    hidden_dim=2048,
    action_dim=10,
    n_observations=2048,
    hd_dim=32000,
    pcn_hidden_dim=1024,
    world_model_hidden_dim=1024,
    ai_hidden_dim=1024,
    sparse=True,
    synapses_per_neuron=1000,
)

5. 启动训练

python scripts/run_growth_training.py

训练脚本会交互式选择成长线（human/social/society）、起始学段等。

6. AI教师NPC配置

通过环境变量配置外部AI教师服务（如DeepSeek）：

# Linux/macOS
export NIEA_TEACHER_API_BASE=https://api.deepseek.com
export NIEA_TEACHER_API_KEY=your-api-key
export NIEA_TEACHER_MODEL=deepseek-v4-flash

# Windows PowerShell
$env:NIEA_TEACHER_API_BASE = "https://api.deepseek.com"
$env:NIEA_TEACHER_API_KEY = "your-api-key"
$env:NIEA_TEACHER_MODEL = "deepseek-v4-flash"

参数说明

brain_scale 预设方案

预设	适用机型	hidden_dim	hd_dim	pcn_hidden	wm_hidden	ai_hidden	n_obs	spike_steps	syn/neuron	稀疏连接	记忆容量	估算内存
small	PC/笔记本（CPU）	256	10,000	128	256	128	256	20	100	否	2K/20K	~50MB
medium	单卡GPU（RTX 3090/4090, 24GB）	2,048	32,000	1,024	1,024	1,024	2,048	50	1,000	否	2K/20K	~2GB
large	多卡GPU（A100 80GB x 4~8）	8,192	128,000	4,096	4,096	4,096	8,192	80	3,000	是	15M/16B	~32GB
xlarge	GPU集群（A100/H100 x 32+）	65,536	1,000,000	32,768	32,768	32,768	65,536	100	5,000	是	15M/16B	~1TB
human	神经形态芯片/超大规模集群	16B	15M	8B	2B	1B	16B	100	7,000	是	15M/16B	~2,000TB

记忆容量列格式为"海马体容量/皮层容量"。small/medium 预设使用小容量（2K/20K），large/xlarge/human 使用大容量（15M/16B）。

NIEABrain 完整参数

参数	类型	默认值	说明
input_dim	int	10	感官输入维度
hidden_dim	int	256	SNN和PCN的隐藏层维度
action_dim	int	4	离散动作数量
n_observations	int	10	主动推理的离散观测数
hd_dim	int	10000	HDC记忆向量维度
pcn_hidden_dim	int	128	预测编码网络隐藏维度
world_model_hidden_dim	int	256	世界模型隐藏维度
world_model_n_layers	int	4	世界模型层数
n_snn_layers	int	3	SNN层数
ai_hidden_dim	int	128	主动推理引擎隐藏维度
development_stages	bool	True	是否模拟发展阶段转换
spike_encoding_steps	int	20	脉冲编码时间步数
surprise_threshold	float	0.5	惊喜阈值（记忆存储触发）。默认0.5会被自动缩放为 0.5/sqrt(hidden_dim)
consolidation_interval	int	100	记忆巩固间隔步数
consolidation_batch_size	int	20	记忆巩固批量大小
sparse	bool	False	是否使用稀疏连接
synapses_per_neuron	int	7000	每神经元突触数（稀疏模式）
brain_scale	str/bool	False	预设方案：small/medium/large/xlarge/human/True/False
language_vocab_size	int	None	语言头词表大小（同时创建ASR/OCR头）
visual_encoder	VisualEncoder/RetinaEncoder	None	自定义视觉编码器实例（推荐RetinaEncoder：生物可解释视网膜前端，无预训练、不学习）
audio_encoder	AudioEncoder/CochleaEncoder	None	自定义听觉编码器实例（推荐CochleaEncoder：生物可解释耳蜗前端，无预训练、不学习）
multimodal_fusion	MultimodalFusion	None	自定义多模态融合实例
device	str	None	计算设备（cuda/cpu）

override 参数（覆盖预设值）

当使用 brain_scale 预设时，可通过 override 参数覆盖预设中的特定值：

override 参数	覆盖的预设参数
override_hidden_dim	hidden_dim
override_hd_dim	hd_dim
override_pcn_hidden_dim	pcn_hidden_dim
override_world_model_hidden_dim	world_model_hidden_dim
override_ai_hidden_dim	ai_hidden_dim
override_n_observations	n_observations
override_spike_encoding_steps	spike_encoding_steps
override_synapses_per_neuron	synapses_per_neuron

优先级：override_xxx > brain_scale预设 > 参数默认值

各机型推荐配置

个人电脑（8~16GB内存，无GPU）：

brain = NIEABrain(input_dim=10, action_dim=4, brain_scale="small")

游戏本（1632GB内存，RTX 3060/4060, 812GB显存）：

brain = NIEABrain(
    input_dim=128, action_dim=10,
    brain_scale="small",
    override_hidden_dim=512,
    override_synapses_per_neuron=200,
)

工作站（64GB内存，RTX 3090/4090, 24GB显存）：

brain = NIEABrain(input_dim=128, action_dim=10, brain_scale="medium")

服务器（A100 80GB x 4~8）：

brain = NIEABrain(input_dim=256, action_dim=20, brain_scale="large")

GPU集群（A100/H100 x 32+）：

brain = NIEABrain(input_dim=512, action_dim=50, brain_scale="xlarge")

项目结构

skyalyticAI/
  skyalyticAI/                      # 核心包
    neurons/                     # 神经元模型（LIF, ALIF, SNN层, 稀疏连接）
    plasticity/                  # 突触可塑性（STDP）
    predictive_coding/           # 预测编码网络（PCN）
    memory/                      # 记忆系统（HDC, 巩固）
    active_inference/            # 主动推理引擎
    world_model/                 # 世界模型（VAE）
    metacognition/               # 元认知模块
    consciousness/               # 全局工作空间（意识涌现）
    evolution/                   # 结构自进化
    language/                    # 语言头（文本编码, 语言生成, ASR, OCR）
    perception/                  # 感知编码器（视网膜/耳蜗生物前端, 视觉, 听觉, 多模态融合）
    env/                         # 环境接口（GridWorld, 课程世界, 社会教室）
    society/                     # 社会模拟世界
    npc/                         # AI教师NPC
    training/                    # 训练器（基础训练, 类人成长训练）
    exams/                       # 考试系统
    data/                        # 数据管理
    gpu/                         # GPU加速工具
    device/                      # 设备后端抽象（Loihi/CUDA/NPU/MLU/XPU/CPU 检测 + SNN层工厂）
    brain.py                     # NIEABrain 主类 + BrainScalePresets
  scripts/
    run_growth_training.py       # 一键训练启动器
    seed_curriculum_corpus.py    # 语料种子脚本
    validate_industrial_ready.py # 工业级验证脚本
    fetch_public_corpus.py       # 公开语料获取
    collect_open_knowledge_cn.py # 中文开放知识收集
  理论.md                        # 完整理论文档

注意事项

1. 内存需求：brain_scale="human" 需要约2,000TB内存（约270亿神经元/180万亿突触，CSR稀疏存储，与论文口径一致），仅适用于神经形态芯片或超大规模分布式集群。普通机器请使用 small/medium 预设。记忆容量按预设级别分配：small/medium 使用小容量（海马体2K/皮层20K），large/xlarge/human 使用大容量（海马体15M/皮层16B）。

2. GPU加速：以下模块支持PyTorch CUDA加速（需安装 torch>=1.12）：

   • SNN层：前向传播和批量前向传播（稀疏连接模式除外）
   • 世界模型：训练、批量训练（PyTorch autograd + Adam优化器）
   • 主动推理：感知（Jacobian计算）、认知/实用价值计算、动作选择
   • GPU工具：GPUBatchProcessor 提供批量矩阵乘法、外积、卷积、FFT、softmax等GPU操作

   通过 device="cuda" 参数启用GPU加速。稀疏连接模式（sparse=True）使用scipy CSR格式，在CPU上运行。large及以上预设自动启用稀疏连接。无GPU时自动回退到CPU（numpy）路径。

3. AI教师NPC：社会模拟模式（society）需要配置外部AI教师服务。通过环境变量设置API密钥，代码中不会硬编码任何密钥。

4. 训练数据：本框架不依赖大规模预训练语料。训练通过AI教师NPC交互进行，模拟人类从0岁开始的学习过程。

5. Checkpoint：训练过程自动保存checkpoint，支持断点续训。checkpoint保存在 checkpoints/ 目录。checkpoint包含运行统计量（Welford归一化参数），确保断点续训时输入归一化行为一致。

6. 发展阶段：brain.development_stages=True 时，Brain会根据经验步数自动推进发展阶段（sensorimotor -> phd）。

7. 稀疏连接：当 brain_scale 为 large/xlarge/human 时，自动启用稀疏连接（sparse=True），每个神经元仅连接有限数量的其他神经元，匹配人脑的稀疏连接模式。

8. 向后兼容：brain_scale=True 等同于 brain_scale="human"。

9. 输入归一化：脉冲编码器使用Welford在线算法计算输入的运行均值和方差，实现自适应归一化。归一化参数随checkpoint保存和恢复。

10. 语言功能：设置 language_vocab_size 后，Brain自动创建语言头（speech）、ASR头（语音识别）和OCR头（文字识别），分别通过 learn_speech()、learn_asr()、learn_ocr() 训练。

11. 语言头学习规则：语言头采用教师强制（teacher forcing）监督——更新方向始终指向正确答案，环境奖励仅调制步长（答对大步、答错小步）。切勿让奖励符号翻转梯度方向：稀疏奖励下（词表数百、随机命中率<1%）会形成"越错越远离正确答案"的不动点陷阱，表现为奖励停滞、说话准确率恒0%，且与模型规模无关。详见 理论.md fix 118。

12. 训练进展判读：日志中"知识"指标是HDC记忆向量的存储计数（只增不减），不代表已学会。判断学习进展请以"说话"准确率（及ASR/OCR的CER/WER）为准。

13. 论文数据点指标（v1.3.0+）：训练日志新增 4 个内部指标——PCN误差（预测编码有效性，应下降）、surprise（主动推理内在动机）、好奇心（探索驱动力）、元认知（自我评估校准）。遗忘测试额外打印 HDC检索 准确率（查询记忆中最相似状态的关联动作）。这些指标供论文第4章实验验证使用。

14. GPU 性能优化（fix 123）：主动推理的雅可比矩阵计算从 torch.autograd.functional.jacobian（逐列）改为 GPU 批处理有限差分（一次前向），100% 数值精确，速度快约 60 倍。

15. 皮层化语言头 + Scheduled Sampling（v1.4.0）：语言头从单层线性改为两层皮层化解码（hidden→概念层[tanh]→字符层），并接入 PCN 层次信息实现多级解码。Scheduled Sampling 按学段衰减教师强制率（sensorimotor=1.0 → phd=0.5），让模型逐步从"教师强制"过渡到"自主生成"。

16. HDC 图记忆 + 多跳推理（v1.4.0）：HDC 记忆新增知识图谱三元组存储（store_graph_edge）和图查询（query_graph/graph_walk），支持"苹果→是一种→水果→含有→维生素"的多关系串联推理，纯 HDC bind/unbind 实现。

17. PCN-guided STDP（v1.4.0）：STDP 突触可塑性新增预测误差调制（error_modulation_strength），高预测误差时加强可塑性（惊讶时学更多），低误差时减弱（预期内少学），模拟多巴胺神经调质机制。

18. 深度想象 Beam Search（v1.4.0）：世界模型新增 imagine_deep 方法，实现真正的 beam search 深度想象 rollout（≥10 步），价值函数 G(a)=Σγ^t·[r(s_t)+λ·H(s_t)] 同时考虑实用价值（奖励）和认知价值（信息熵）。训练后期（age≥500）自动启用。

完整 API 参考

详细的 API 文档（覆盖 20 个模块、所有公开类与方法签名）见 API_REFERENCE.md。

主要内容：

• 核心大脑 NIEABrain、神经元模型、可塑性、预测编码、记忆系统
• 感知编码器（视网膜/耳蜗生物前端）、意识、主动推理、世界模型
• 元认知、结构自进化、语言头、环境、社会模拟器
• NPC 老师、数据管理、考试系统、训练器、GPU 加速
• 设备后端抽象（Loihi/CUDA/NPU/MLU/XPU/CPU 多后端检测）
• 末尾附"可调参数汇总"速查表

开源协议

本项目采用 CC BY-NC-SA 4.0（知识共享 署名-非商业性使用-相同方式共享 4.0 国际）协议。

• 开源：源代码完全开放
• 可修改：允许修改和衍生
• 可下载：允许自由下载和分发
• 可提交审查：欢迎提交Issue和Pull Request
• 不可商用：禁止商业使用

详见 LICENSE 文件。

贡献

欢迎提交Issue和Pull Request参与贡献。