gc：无目标、模块化的联想学习神经网络探索

一个实验性的神经网络研究项目，摒弃传统的梯度下降和奖励机制，采用赫布联想学习原理，探索无监督、自下而上的智能体协作与竞争机制，追求开放式而非目标导向的AI发展路径。

• 原作者/维护者：rayrwang
• 来源平台：github
• 原始标题：gc
• 原始链接：https://github.com/rayrwang/gc
• 来源发布时间/更新时间：2026-06-17T02:14:13Z

原作者与来源

• 原作者/维护者：rayrwang
• 来源平台：github
• 原始标题：gc
• 原始链接：https://github.com/rayrwang/gc
• 来源发布时间/更新时间：2026-06-17T02:14:13Z 原作者与来源\n\n- 原作者/维护者：rayrwang\n- 来源平台：GitHub\n- 原始标题：gc\n- 原始链接：https://github.com/rayrwang/gc\n- 发布时间：2026年6月17日\n\n注意：这是一个早期/探索性项目，作者明确标注为"非常粗糙/早期/推测性工作"。\n\n---\n\n项目理念与哲学基础\n\ngc项目代表了一种与传统深度学习截然不同的AI研究路径。它不追求在特定任务上超越人类表现，而是探索一种根本不同的智能形式——无目标、开放式、自下而上涌现的智能。\n\n核心设计原则\n\n项目通过一系列对比鲜明的原则定义了自己的研究立场：\n\n| 传统AI | gc项目 |\n|--------|--------|\n| ❌ 梯度下降 | ✔️ 赫布联想学习 |\n| ❌ 服从训练数据学习 | ✔️ 通过观念变异与选择学习 |\n| ❌ 奖励驱动 | ✔️ 无奖励的环境交互 |\n| ❍ 自上而下的控制 | ✔️ 自下而上的协作与竞争 |\n| ❌ 预测数据 | ✔️ 理解世界 |\n| ❌ 训练与部署分离 | ✔️ 持续的生命过程 |\n| ❌ 完成指定目标 | ✔️ 开放式进步 |\n| ❌ AI作为工具的安全观 | ✔️ 个体自由的安全观 |\n| ❌ AI是工具 | ✔️ AI是人 |\n\n这些原则反映了对当前AI发展路径的深刻反思，以及对替代性智能范式的探索渴望。\n\n---\n\n技术架构与实现\n\n赫布学习机制\n\n项目采用赫布学习(Hebbian Learning)作为核心学习机制，这与主流神经网络的反向传播形成鲜明对比。赫布学习的基本原理是"一起激发的神经元连在一起"，即如果两个神经元同时活跃，它们之间的连接权重就会增强。\n\n这种学习方式的优点包括：\n- 生物学合理性：更接近真实神经系统的学习机制\n- 局部性：权重更新只依赖相邻神经元的活动，无需全局误差信号\n- 在线学习：可以持续适应，无需区分训练阶段和推理阶段\n\n模块化网络结构\n\n网络由模块化的单元组成，形成可扩展的网格结构。当前实现：\n- 每个激活使用16字节存储（作者认为可以更宽松）\n- 标准权重使用2字节存储\n- 支持可视化调试界面，实时观察网络状态\n\n反馈机制\n\n网络采用反馈连接而非前馈架构，允许信息在网络中双向流动。这种设计支持：\n- 循环动态和吸引子状态\n- 联想记忆的形成\n- 自发的模式完成和预测\n\n---\n\n可视化调试工具\n\n项目包含一个调试GUI，帮助理解网络内部状态：\n\n网格视图：\n- 左侧显示网络模块的网格布局\n- 灰色矩形表示模块间的外向连接\n\n交互操作：\n- 左键点击网格方块：查看激活值和权重（右侧显示）、外向连接（网格上灰色矩形）\n- 右键点击：选择外向连接或激活层，在中间面板查看详细信息\n- Esc键或点击网格外区域：清除选择\n\n独立查看模式：\n\n支持不运行网络的情况下查看已保存的网络状态：\n\npython view_only.py \"saves/main_agt\"\n\n\n---\n\n项目结构\n\n\ngc/\n├── src/ 主网络代码\n│ ├── funcs.py 通用函数\n│ ├── agents.py 主神经网络文件\n│ ├── iotypes.py 输入输出类型\n│ ├── envs.py 虚拟环境或真实世界接口\n│ └── debugger.py 调试GUI\n├── simple/ 小型测试网络\n│ ├── funcs.py\n│ ├── agents.py\n│ └── debugger.py\n├── main.py 主程序入口\n├── view_only.py 只读查看器\n├── simple_nets.py 简单网络运行器\n└── examples/ 示例脚本\n └── 00_debug_learning_rule.py\n\n\n---\n\n理论基础与参考文献\n\n项目建立在多学科的理论基础之上：\n\n神经科学\n- Neuroscience: Exploring the Brain (2016) - Bear, Connors, Paradiso\n- Theoretical Neuroscience (2001) - Dayan, Abbott\n\n认知科学与AI\n- Beyond Reward and Punishment (2019) - Deutsch\n- A Path Towards Autonomous Machine Intelligence (2022) - Yann LeCun\n- Active Inference (2022) - Parr, Pezzulo, Friston\n\n因果推理与认识论\n- The Book of Why (2018) - Judea Pearl\n- Conjectures and Refutations (1963) - Karl Popper\n\n强化学习\n- The Alberta Plan for AI Research (2022) - Sutton, Bowling, Pilarski\n\n这些文献反映了项目试图整合的多元视角：从神经科学机制到因果推理，从认识论到强化学习理论。\n\n---\n\n研究目标与愿景\n\n短期目标\n\n作者坦承当前实现"有点糟糕"，需要让项目"真正变好"。具体目标包括：\n\n学习有用的表征：\n- 感知输入的表征\n- 目标的表征\n- 动作的表征\n\n构建世界模型：\n- 自我模型\n- 其他智能体模型\n- 世界模型\n\n抽象能力：\n- 语言能力\n- 抽象概念\n\n长期愿景\n\n智能环境交互：\n- 探索和学习\n- 规划和追求目标\n- 思考和创造\n\n这些目标体现了对通用人工智能(AGI)的追求，但采用了与传统大语言模型截然不同的路径。\n\n---\n\n与传统AI范式的对比\n\n与深度学习的区别\n\n监督学习 vs 无监督学习：\n传统深度学习依赖大量标注数据，而gc项目追求完全无监督的学习——智能体通过与环境交互自主发现结构和规律。\n\n目标优化 vs 开放式进化：\n传统AI优化预定义的目标函数，gc项目则追求开放式进步，不设定具体目标，让智能体自主发展。\n\n工具性 vs 主体性：\n传统AI将智能体视为完成任务的工具，gc项目则视AI为具有个体自由的"人"。\n\n与强化学习的区别\n\n奖励驱动 vs 无奖励：\n强化学习依赖外部奖励信号指导行为，gc项目完全摒弃奖励机制，探索无奖励条件下的智能行为。\n\n任务特定 vs 通用：\n强化学习通常针对特定任务优化，gc项目追求通用智能能力。\n\n---\n\n项目命名含义\n\n项目名称"gc"有多重含义：\n- gc：general intelligence / creativity（通用智能/创造力）\n- gc：George Carlin（美国喜剧演员，可能暗示批判性思维）\n\n这种命名方式体现了项目的人文关怀和哲学深度。\n\n---\n\n当前局限与未来展望\n\n已知局限\n\n作者明确承认项目处于非常早期的阶段：\n- 实现粗糙，需要大量改进\n- 尚未展示令人信服的智能行为\n- 理论基础仍在探索中\n\n研究价值\n\n尽管项目尚不成熟，但其研究价值在于：\n\n1. 范式探索：提供了深度学习之外的研究路径\n2. 理论整合：尝试连接神经科学、认知科学和AI\n3. 哲学反思：对AI发展方向的根本性思考\n4. 开源贡献：为社区提供了实验平台\n\n潜在影响\n\n如果项目取得突破，可能带来：\n- 更生物合理的AI架构\n- 无需大量标注数据的学习方法\n- 真正持续学习和适应的智能体\n- 对AI安全和伦理的新视角\n\n---\n\n总结\n\ngc项目是一个充满野心的实验性研究，试图从根本上重新思考人工智能的发展路径。它摒弃了当前主流的梯度下降、奖励机制和目标优化，转而探索基于赫布学习、自下组织、开放式进化的智能形式。\n\n虽然项目目前还处于早期阶段，但其背后的理念——追求理解而非预测、追求开放式进步而非目标完成、追求智能体的主体性而非工具性——为AI研究提供了重要的反思视角。无论项目最终能否实现其宏伟目标，这种对根本假设的质疑和替代路径的探索，都是科学进步不可或缺的一部分。