Mind-Engine：从零构建的粒子神经网络与联觉3D神经元胞自动机

Mind-Engine项目探索两条原创AI路径：Cognitron粒子神经网络与Morpheus联觉3D神经元胞自动机。核心特点包括：完全拒绝预训练模型，采用超维计算编码与WebGPU渲染技术，重新探索AI架构的原始可能性。

现代AI依赖预训练模型库，开发者多在其基础上微调却少质疑依赖关系。Mind-Engine团队提出：若完全抛弃预训练模型，从零构建AI系统会怎样？核心理念是探索AI架构的原始可能性，Cognitron（三维粒子神经元）与Morpheus（细胞规则生长）代表两种不同思路。

架构概述

Cognitron实现粒子神经网络（PNN）：神经元为三维空间中的粒子，连接图随空间邻近性动态重建。

核心机制

1. 输入编码：文本经超维计算（HDC）编码器转为10000维双极超向量（基于哈希，无预训练嵌入）；
2. 粒子生成：超向量随机投影到三维空间，生成带位置、速度、质量、电荷的粒子；
3. 前向传播：波传播机制，查询从输入粒子传播4-6跳，计算能量流；
4. 训练：粒子梯度下降（PGD）算法，融合粒子群优化（PSO）与梯度下降。

技术实现

• 核心模型用NumPy实现，无ML库依赖；
• 前端：Next.js 16 + React Three Fiber + WebGPU渲染；
• 后端：FastAPI提供推理服务，支持浏览器实时运行。

架构概述

Morpheus扩展Growing-NCA到三维空间，新增音频频率模态，实现几何、颜色、声音的联觉生成。

架构设计

• 32×32×32三维网格，每个细胞16通道状态（RGB、透明度、音频频率、隐藏状态）；
• 更新流程：三维Sobel核感知→小型MLP（16→96→16）状态更新→残差连接+50%随机掩码→透明度池化判断存活；
• 联觉绑定：辅助损失将音频频率与颜色色调关联（如红色对应特定频段）。

训练与推理

• 服务器端用PyTorch训练（无预训练权重），目标包括球体、螺旋等形状；
• 浏览器加载权重，用户选择目标形状，观察三维生长并体验联觉音频。

创新点

• Cognitron的PNN组合（空间神经元+PSO-梯度混合+HDC编码+波推理）在文献中未见发表；
• Morpheus的音频-细胞对应是神经元胞自动机领域唯一新角度（经novelty-research agent确认）。

研究价值

• 重新激活超维计算（古老神经符号方法）并与现代深度学习结合；
• 提供网络拓扑动态化新思路；
• 开辟多模态AI新方向（联觉生成）。

Cognitron使用场景

用户输入文本想法→观察粒子在三维空间中按语义关系聚类；训练后粒子漂移向语义邻居；查询时波传播点亮相关粒子簇。

Morpheus使用场景

用户选择目标形状→观察细胞从零生长出三维结构；同时播放对应和弦，体验视觉与听觉的联觉。切换目标会产生不同形状与声音组合。

局限性

• PGD算法收敛性不如传统优化器稳定（已实现SGD回退机制）；
• 超维编码器表达能力需验证；
• 三维NCA计算成本高（默认32³分辨率）。

未来方向

• 扩展粒子神经网络规模；
• 探索更复杂几何形状生成；
• 将联觉扩展到触觉、嗅觉等更多模态；
• 启发更多研究者探索预训练模型之外的AI架构。

Mind-Engine代表了预训练Transformer主导时代的勇敢探索，提醒我们AI可能性远未穷尽。通过从零构建系统，团队不仅创造了两个可用工具，更重新打开了关于神经网络本质与智能计算形式的根本性问题。该项目适合AI架构爱好者、研究者，证明资源有限时原创架构设计仍可能带来意外发现。