人工智能（AI）是近年来发展最快的领域之一，它在计算机视觉（CV）、自然语言处理（NLP）和神经科学等领域取得了令人瞩目的突破。AI的发展之路并不平坦，既有辉煌的成就，也有挫折的低谷，比如上世纪80年代中期的著名的AI寒冬。AI研究从一开始就有一个宏伟的目标，那就是创造出能够与人类或者超越人类的智能。这种对超人类智能的追求，通常被称为人工通用智能（AGI），不同学科的专家对它有不同的看法，但它大致指的是一个系统能够在各种任务和情境中理解、学习和应用知识，反映出人类和动物的认知灵活性。AI在过去十年里所取得的显著进步，主要归功于三个关键的发展：i) 深度学习算法的进步，ii) 强大的新硬件的出现，和 iii) 大量的训练数据的可用性。这种进步的一个典型例子是大型语言模型（LLMs），比如OpenAI的GPT-4和Google的Gemini。这些LLMs的惊人能力引发了AI社区的讨论，有些人甚至怀疑这些模型是否已经实现了初级形式的AGI。基础模型（拥有数十亿参数的大型网络，基于海量数据进行训练）在不同的领域都取得了成功，从预测3D蛋白质结构和机器人控制，到生成图像和音频。这种广泛的成就支持了一个假设，即持续地扩展和改进基础模型可能是实现AGI的一条可行的途径。

今天我们解读一篇关于体现人工智能（E-AI）的论文，它是由来自加拿大、法国、美国和英国的多位知名的人工智能、机器人学、认知科学和神经科学的专家合作撰写的，三位作者是来自于华为技术法国公司诺亚方舟实验室的两位科学家Giuseppe Paolo，Balazs K ´egl ´和来自于英国伦敦兰登研究中心的科学家Jonas Gonzalez-Billandon，这篇论文的题目是《A call for embodied AI》（已提交至 ICML 2024），它呼吁人工智能的研究和发展应该更加关注体现的方面，即让人工智能系统能够通过感知、行动和环境交互来学习和适应，而不是仅仅依赖于静态的数据和模型。这篇论文认为，E-AI是实现人工通用智能（AGI）的必要条件，也是更好地理解人类的认知的途径。这篇论文还介绍了一个基于认知科学原理的E-AI的理论框架，以及E-AI面临的一些挑战和机遇。这篇论文是一篇具有创新性和前瞻性的论文，它为人工智能的未来发展提供了一个新的视角和思路。

01 嵌入式人工智能(E-AI)的多学科综合研究

E-AI是一种让人工智能系统能够通过感知、行动和环境交互来学习和适应的方法，它与目前流行的人工智能方法，尤其是大型语言模型（LLMs）有所不同。LLMs是一种利用大量的文本数据来训练的人工智能模型，它们可以理解和生成自然语言，但它们缺乏与物理世界和人类社会的联系，也缺乏真正的理解和创造力。E-AI认为，要实现真正的智能，不仅需要处理语言和符号，还需要处理感觉和运动，不仅需要静态的数据和模型，还需要动态的交互和适应。E-AI的思想并不是新的，它源于多个学科的研究，如哲学、心理学、神经科学和机器人学，它们都为E-AI的发展提供了理论和实践的支持。

哲学

哲学是探索人类智能本质和起源的学科，它对人工智能的发展有着深远的影响。哲学家们提出了不同的观点和理论来解释人类的认知和行为，其中有些观点和理论对E-AI有着重要的启发。例如，笛卡尔的心身二元论认为，人类的心灵和身体是两个不同的实体，心灵是思考和理性的源泉，身体是感觉和运动的工具。这种观点影响了传统的人工智能的发展，它将人工智能的任务分为高层的符号处理和低层的感知控制，忽视了它们之间的联系和互动。相反，一些哲学家如梅洛-庞蒂、维特根斯坦和海德格尔等，提出了体现认知的观点，认为人类的认知是通过身体和环境的交互而产生的，身体不仅是认知的工具，也是认知的内容和条件。这种观点为E-AI提供了一个新的视角，认为人工智能系统应该具有与环境的感知和行动的能力，而不仅仅是处理语言和符号的能力。

心理学

心理学是研究人类心理过程和行为的学科，它对人工智能的发展提供了实验和数据的支持。心理学家们通过观察和测量人类的感知、记忆、学习、思维、情感、动机等方面的现象，揭示了人类智能的机制和规律，为人工智能的设计和评估提供了参考和依据。心理学的一些分支，如发展心理学、认知心理学、社会心理学等，对E-AI有着特别的贡献。例如，发展心理学研究了人类从出生到成年的智力发展的过程和阶段，发现了人类智能的一些基本能力，如感知、注意、记忆、语言、逻辑、社会等，以及它们是如何通过与环境的交互而形成和发展的。这些发现为E-AI提供了一个模仿和借鉴的对象，让人工智能系统能够通过类似的方式来学习和适应。例如，Piaget的认知发展理论提出了四个发展阶段，分别是感觉运动期、前运算期、具体运算期和形式运算期，每个阶段都有不同的认知能力和特征。E-AI可以根据这些阶段来设计不同的学习任务和策略，让人工智能系统能够从简单的感觉运动开始，逐渐发展到复杂的逻辑推理。

审计科学

神经科学是研究神经系统的结构和功能的学科，它对人工智能的发展提供了生物和物理的基础。神经科学家们通过观察和测量人类的大脑和神经元的活动，揭示了人类智能的物质和能量的基础，为人工智能的实现和优化提供了指导和灵感。神经科学的一些分支，如计算神经科学、认知神经科学、社会神经科学等，对E-AI有着重要的贡献。例如，计算神经科学研究了神经系统的信息处理和计算机模拟，发现了一些神经元的编码和解码的规律和机制，为人工智能的神经网络的设计和训练提供了原型和方法。例如，Hodgkin-Huxley模型描述了神经元的电压和电流的关系，Hopfield网络模拟了神经元的联想记忆和自组织的特性，Hebbian学习规则表达了神经元之间的突触强度的变化和学习的原理。认知神经科学研究了大脑的功能区域和神经回路，发现了一些大脑的模块化和整合的特征，为人工智能的认知架构的构建和优化提供了依据和参考。例如，Brodmann区划分了大脑皮层的不同功能区域，如视觉皮层、听觉皮层、运动皮层等，这些区域又通过不同的神经纤维相互连接，形成了一些神经回路，如背侧和腹侧的视觉通路，前额叶和杏仁核的情感通路等。社会神经科学研究了大脑在社会交互和沟通中的作用和影响，发现了一些大脑的社会化和共情的特征，为人工智能的社会智能的提升和评估提供了标准和方法。例如，镜像神经元是一类在观察他人的行为时被激活的神经元，它们可以让个体模拟他人的心理状态和意图，从而实现共情和理解。理论心智是一种认为他人具有不同的心智和信念的能力，它可以让个体推测他人的行为和动机，从而实现预测和协作。

机器人学

机器人学是研究机器人的设计和控制的学科，它对人工智能的发展提供了实践和应用的平台。机器人学家们通过构造和操作不同类型和形态的机器人，实现了人工智能的具身化和实体化，为人工智能的感知、行动和交互提供了条件和场景。机器人学的一些分支，如仿生机器人、服务机器人、社会机器人等，对E-AI有着直接的贡献。例如，仿生机器人是一种模仿生物的结构和功能的机器人，它们可以利用生物的优化和适应的策略，提高机器人的能量效率和环境适应性。例如，BigDog是一种模仿狗的四足机器人，它可以在各种复杂的地形上行走和跑动，携带重物和保持平衡。服务机器人是一种为人类提供各种服务的机器人，它们可以满足人类的日常生活和工作的需求，提高人类的生活质量和工作效率。例如，Roomba是一种智能的扫地机器人，它可以自动地在房间内清扫地面，避开障碍物和充电。社会机器人是一种能够与人类进行社会交互和沟通的机器人，它们可以模仿人类的表情和语言，建立人机的信任和友谊，提高人机的协作和满意度。例如，Kismet是一种模仿人类婴儿的机器人，它可以通过眼睛、眉毛、嘴巴和耳朵等部位来表达不同的情绪，与人类进行情感的交流和互动。

E-AI是一种多学科综合的研究，它受益于哲学、心理学、神经科学和机器人学等学科的贡献，也为这些学科的发展提供了新的视角和思路。E-AI的目标是让人工智能系统能够像人类和动物一样，通过感知、行动和环境交互来学习和适应，从而实现真正的智能和创造力。

02 E-AI的四个基本组成部分：感知、行动、记忆和学习

E-AI的理论框架是基于认知科学的观点，认为智能是通过感知、行动、记忆和学习这四个基本的过程而产生的。这四个过程是相互联系和影响的，它们共同构成了一个完整的智能系统。这个框架与Friston的主动推理框架相一致，它认为智能系统的核心目标是最小化惊讶和不确定性，通过内部模型预测结果，不断更新模型，主动改变环境。在这个框架下，感知、行动、记忆和学习分别对应了以下的功能。

感知是将原始的感觉数据转化为结构化的内部表示的过程，它使得智能系统能够感知自己和环境的状态，为后续的认知任务提供输入。感知的范围很广，包括视觉、听觉、嗅觉、触觉、味觉等人类熟悉的感觉，也包括任何智能系统可能遇到的刺激，如力传感器、信号强度指示器等。感知的挑战在于感觉数据通常不是立即可用的，它需要经过一系列的转换，才能变成有意义的信息。这里，机器学习的一些方法可以提供有效的解决方案，如自监督学习、特征和嵌入空间的学习等，它们可以利用大量的无标签数据，实现从原始数据到有用信息的映射。

行动

行动是根据目标选择和执行与环境的交互的过程，它使得智能系统能够改变自己和环境的状态，为后续的认知任务提供反馈。行动可以分为两个步骤：（i）决定下一步要采取的行动，如决定移动到某个位置；（ii）确定如何执行这个行动，如规划到达那个位置的路径。行动还可以分为反应性和目标导向性两种类型。反应性的行动，类似于人类的反射，是对刺激的几乎瞬时的反应，它在智能系统的即时自我保护中起着重要的作用，如维持稳定性。目标导向性的行动，相反，涉及到战略性的规划，是由高层的目标驱动的。反应性的行动对于自我保护很重要，模型无关的强化学习方法在开发反应性的控制策略方面起着重要的作用，如机器人行走等任务。而对于智能系统要实现更复杂的高层目标，规划是必不可少的，尽管有效的规划仍然是一个开放的研究领域。规划的核心概念是智能系统内部存在一个“世界模型”，它可以用来预测自己的行动的后果。模型基础的强化学习已经在开发能够学习这些世界模型并用它们进行规划的算法方面取得了重大的进展。

记忆

记忆是存储过去经验的能力，它使得智能系统能够利用历史的信息，为当前的认知任务提供参考。记忆包括不同的维度，如持续时间（短期或长期）和性质（程序性、陈述性、语义性和情景性）。重要的是，记忆不一定是以显式的命题知识的形式表示的，它也可以是隐式地编码在神经网络的权重中的。为了完成认知任务，智能系统需要不同类型的记忆系统，每种记忆系统都起着不同的作用。工作记忆和短期记忆提供了临时的存储，以支持智能系统的即时目标。长期记忆和情景记忆提供了一个长时间的信息的储备。情景记忆捕捉和存储了独特的、主观的经验，可以在遇到熟悉的情境时被访问。长期记忆，相反，是更广泛的命题知识的储存库。LLMs，例如，使用检索增强生成（RAG）来实现长期记忆，这是一种使用外部数据库来减少幻觉的技术。这种技术展示了如何将先进的机器学习方法与认知架构相结合。

学习

学习是将经验整合为新知识和能力的过程，它使得智能系统能够不断地改进自己的性能和适应性，为未来的认知任务提供基础。学习是智能的一个定义特征，但如何学习，尤其是如何在连续和动态的方式中学习，仍然是一个正在进行的研究和争论的主题。虽然最近的人工智能的进步主要是由在静态数据集上的训练所驱动的，但持续学习的概念，对于随着时间的推移而适应的能力，面临着挑战。这些挑战主要源于深度神经网络的固有的局限性，如灾难性遗忘，以及由于智能系统与环境的交互而产生的非静态数据的复杂性。具身假设认为，真正的智能是由这种交互而产生的，强调了动态学习方法的需要。在这方面，模拟器作为一个重要的工具，提供了一个从传统的人工智能的静态学习转变的机会。相反，它们使得智能系统能够通过持续的、交互式的经验在模拟的环境中进化。

03 E-AI新的学习理论与人类的交互和沟通、硬件的需求和创新

E-AI的发展不仅需要借鉴和综合多个学科的研究，还需要探索和解决一些新的问题和挑战，这些问题和挑战涉及到E-AI的学习能力和效果，以及E-AI的应用和影响。这些问题和挑战包括以下几个方面：

新的学习理论

E-AI的学习理论需要超越传统的监督学习和强化学习的理论，因为这些理论都不能很好地处理动态交互数据的情况。监督学习的理论假设数据是从一个未知但固定的分布中抽取的，而且与学习过程无关，这些理论给出了泛化、过拟合、欠拟合、偏差和方差等概念，以及渐近或有限样本的统计一致性等性质。但是，当E-AI系统与环境动态地交互时，数据的收集就成为了数据科学流程的一部分，传统的监督学习理论就不足以分析这些情况，也不能指导算法的构建。一些扩展，如迁移学习、多任务学习、分布漂移、领域适应等，已经被提出来修补基本的监督学习理论，但是大多数这些扩展仍然坚持原来的框架，假装数据是来自于学习过程之外的，而忽视了数据的价值和质量。实际上，数据的收集、选择和整理显然是流程的一部分，而且大多数关于负责任的人工智能的讨论都围绕着数据，而不是学习算法。当收集和模型重训练是自动化的时候，情况可能更糟。例如，在点击率预测或推荐系统中，部署的预测器会影响下一轮训练的数据，产生一个往往是对抗性的反馈。类似的现象也发生在LLMs的世界：当这些人工智能成为创意和商业写作的首选工具时，下一轮训练的数据在很大程度上将来自于上一代的LLMs。强化学习和相关的范式（如贝叶斯优化或情境性赌博机）为E-AI提供了一个更贴近的适合，当预测不是最终的产品，而是包括数据收集的预测流程的一部分时。强化学习允许数据科学家设计一个更高层次的目标，让算法优化预测器和它训练的数据。在这里，理论和实践之间的不匹配与监督学习不同。强化学习或赌博机理论通常关注的是在一个固定但通常未知的环境中，智能系统收敛到一个理论上的最优，而不是提供分析学习过程中收集的数据的工具，尤其是当收集是半自动的（包括一个人类策展者在循环中）时。强化学习的智能系统在实践中通常不会收敛，即使在一个静态的环境中，它们也会个性化，例如，很奇怪地，随机种子成为算法的一部分。这在非静态的环境中更加明显，当智能系统的行动改变了环境时，这是AGI肯定会发现自己的情况。一个新的E-AI的学习理论必须超越这些局限。它应该考虑到E-AI中数据的动态、交互的特性，其中智能系统的行动不断地重塑它的学习环境。这个理论不仅应该目标在一个固定的设置中的最优性能，而且应该包含一个适合于不断变化的环境的行为的范围。此外，它应该提供诊断来评估通过这些交互产生的数据的质量和相关性。

噪声和不确定性的管理

E-AI系统需要在充满噪声和不确定性的真实世界中导航，这些因素会严重影响系统的感知和决策的质量和效率。例如，高噪声水平可能会扭曲系统对环境线索的解释，导致次优的决策。这个挑战在以自我为中心的视角中更加突出，因为系统经常遇到连续的、波动的和不精确的数据。噪声的来源包括感知器和执行器的自然不精确性，它们可能由于制造不一致性、时间的退化或外部干扰而缺乏准确性。此外，量化误差，即将模拟信号转换为数字形式的副产品，也可能进一步损害数据的完整性。当这些系统学习和适应它们的环境时，它们还必须应对不确定性。这种不确定性可能会模糊系统对其环境的理解，影响其性能。这个困境在处理部分可观察性的强化学习场景中尤为普遍，其中必须在信息不完整的情况下做出决策，导致预测行动结果的不确定性。因此，有效地管理噪声和不确定性对于E-AI的进步至关重要。为了解决这个问题，一些方法已经被提出，如使用贝叶斯推理来估计不确定性，使用卡尔曼滤波器或粒子滤波器来融合多个感知源的信息，使用元学习或多任务学习来适应不同的环境和任务等。

模拟器的作用和限制

当我们转向E-AI时，模拟器将扮演一个基本的角色，类似于数据集在传统人工智能模型的训练中的作用。这些模拟器提供了一个受控的、可复制的环境，其中人工智能系统可以被严格地训练和测试。这种设置允许在部署之前在不同的场景中进行学习和适应，确保安全性和成本效益。模拟器的一个显著优势，也是要求，是它们的速度和并行化的容易性，显著加速了训练时间，使得在多个场景同时训练复杂的人工智能模型更加可行。最近，许多先进的模拟器已经被引入，但它们通常需要昂贵的计算资源，而且主要针对机器人应用。为了让这些模拟器真正满足E-AI的需求，它们必须扩展它们的范围到更广泛的环境。使用模拟器的一个主要挑战是弥合“现实鸿沟”：模拟条件和系统最终的真实或虚拟部署环境之间的差异。这个鸿沟可能导致一种情况，即在模拟中表现出色的模型在实际应用中失败，破坏了训练过程的有效性。尽管提出了许多策略来缓解现实鸿沟，如使用域随机化、元学习、对抗性训练等，但它仍然是该领域的一个未解决的问题，挑战了模拟训练环境的适用性。

与人类的交互和沟通

E-AI的一个关键目标是与人类无缝地交互和学习，提高人工智能提供个性化和有影响力的解决方案的能力。通过改善这些交互，E-AI也将减少对人工智能技术的恐惧和不信任，导致更广泛的接受和整合。在这项努力中，LLMs特别有益，它们能够理解和产生人类的文本，促进自然语言的沟通，使与人工智能的接触更加自然和易于使用。人机交互（HRI）的领域为提高人工智能与人类沟通的能力提供了宝贵的经验，因为这个领域的研究人员已经致力于探索机器人更好地与我们沟通的创新方法。然而，确保适当和道德的人工智能沟通的挑战仍然存在。例如，LLMs的有效性在很大程度上取决于它们的训练和它们与人类的意图和价值的一致性。将人类的监督直接纳入人工智能的开发过程，以及建立全面的人工智能沟通的指导方针和协议，是解决这些挑战的一些提出的策略，旨在使人工智能的交互更有意义和道德。

硬件的需求和创新

E-AI的广泛发展和整合的一个重大挑战在于这些人工智能系统的硬件需求。目前，人工智能技术主要依赖于GPU集群，它们虽然强大，但不太适合具身的智能系统，因为它们的成本高，能耗大，热量输出大。此外，GPU的物理体积和重量也给移动的智能系统或在空间限制下运行的智能系统带来了物流上的挑战。解决这些限制需要创新新的、节能的硬件解决方案，可以嵌入在智能系统中。有希望的发展已经出现在地平线上，谷歌的张量处理单元（TPU）和华为的升腾芯片（Ascend chip）引领了这一趋势。这些进步，加上神经形态计算和硬件软件协同设计的潜力，标志着硬件能力的新时代。此外，开发节能和数据高效的算法也是至关重要的。硬件和算法效率的突破将对智能系统理解、决策和交互的能力有直接和深远的影响，使E-AI系统能够在各种各样的环境中更自主和有效地运行。

04 E-AI对技术、社会和认知的影响

E-AI的发展不仅需要面对一些问题和挑战，还需要考虑一些影响和展望，这些影响和展望涉及到E-AI对技术、社会和认知的影响，以及E-AI的未来的研究方向和应用领域。

对技术的影响

E-AI将推动人工智能技术的进步和创新，尤其是在感知、行动、记忆和学习等方面。E-AI将促进不同的人工智能方法和技术的融合和协作，如神经网络、强化学习、自监督学习、元学习等，以实现更高层次的智能和适应性。E-AI还将促进人工智能与其他技术领域的交叉和融合，如机器人学、计算机视觉、自然语言处理、计算神经科学等，以实现更广泛的应用和影响。E-AI还将促进硬件技术的发展和创新，如神经形态计算、量子计算、低功耗芯片等，以实现更高效和可持续的人工智能系统。

对社会的影响

E-AI将改变人类与技术的互动和关系，使人工智能系统能够更深入地理解和参与物理世界和人类社会。这不仅将为人类和人工智能之间的交互提供更自然和有效的方式，也将增强人工智能的适应性和应用性，以满足人类在各个领域的需求和挑战。E-AI还将对人类的生活质量和工作效率产生积极的影响，为人类提供更多的便利和服务，也为人类提供更多的机会和选择。E-AI还将对人类的价值观和道德观产生深远的影响，为人类提供更多的思考和反思的机会，也为人类提出更多的责任和义务。

对认知的影响

E-AI将提高人类对自身和其他生物的认知的水平和深度，使人类能够更好地理解自己和他人的智能和行为。E-AI将为人类提供一个新的视角和思路，来探索人类和动物的认知的本质和起源，以及人类和动物的认知的异同和联系。E-AI还将为人类提供一个新的工具和平台，来实验和模拟人类和动物的认知的过程和机制，以及人类和动物的认知的发展和演化。

未来的研究方向和应用领域

E-AI的发展还有很长的路要走，还有很多的问题要解决，还有很多的机会要抓住。E-AI的未来的研究方向和应用领域包括以下几个方面。

理论和方法的创新

E-AI需要发展新的理论和方法，来应对动态交互数据的复杂性和不确定性，以及E-AI系统的多样性和复杂性。这些理论和方法应该能够实现从数据到知识的有效转化，从知识到行动的有效决策，从行动到数据的有效反馈，从反馈到知识的有效更新。这些理论和方法应该能够在不同的层次和尺度上进行协调和优化，从微观的神经元和分子，到宏观的系统和社会。

感知和行动的提升

E-AI需要提高感知和行动的质量和效率，来应对真实世界的复杂性和多样性，以及人类的期望和需求。这些感知和行动应该能够覆盖不同的模式和维度，如视觉、听觉、嗅觉、触觉、味觉等，以及时间、空间、因果等。这些感知和行动应该能够适应不同的环境和任务，如室内、室外、城市、乡村、工业、农业、医疗、教育等。这些感知和行动应该能够与人类的感知和行动相协调和协作，如表达、理解、沟通、协商、协作等。

记忆和学习的优化

E-AI需要优化记忆和学习的能力和效果，来应对不断变化的环境和目标，以及不断增长的信息和知识。这些记忆和学习应该能够存储和检索不同类型和格式的信息和知识，如程序性、陈述性、语义性、情景性等，以及文本、图像、音频、视频等。这些记忆和学习应该能够处理和解决不同的问题和挑战，如灾难性遗忘、领域适应、迁移学习、元学习等。这些记忆和学习应该能够利用和整合不同的资源和工具，如模拟器、数据库、网络、云计算等。

社会和道德的考量

E-AI需要考虑社会和道德的影响和责任，来应对人类的关切和担忧，以及人工智能的权利和义务。这些社会和道德的考量应该涵盖不同的方面和层面，如公平、透明、可解释、可信、可靠、安全、隐私、责任、尊重、利益等，以及个人、群体、组织、社会、国家、国际等。这些社会和道德的考量应该遵循不同的原则和规范，如人权、法律、伦理、道德、文化、宗教等，以及国际、国家、地区、行业、领域等。

总之，E-AI是一种具有创新性和前瞻性的人工智能方法，它为人工智能的未来发展提供了一个新的视角和思路。E-AI的目标是让人工智能系统能够像人类和动物一样，通过感知、行动和环境交互来学习和适应，从而实现真正的智能和创造力。（END）

参考资料：https://arxiv.org/pdf/2402.03824.pdf

噬元兽（FlerkenS）是一个去中心化的个人AI数字价值容器，同时也是数字经济的新型资产捕捉器和转化器，用数据飞轮为用户提供无边界的数字化、智能化和资产化服务。

噬元兽(FlerkenS)构建AI市场、AI发布器和一个在通用人工智能（AGI）上建设可扩展的系统，AI-DSL让不同类型和领域的AI应用和服务可以相互协作和交互，通过RAG向量数据库（Personal Vector Database）+ Langchain技术方案（Langchain Technology Solution）+大模型的技术实现路径，让用户获得个性化的AI服务，在分布式的网络环境里与AI技术下的服务商实现点到点的连接，建设一个智能体和经济体结合的数智化整体。

波动世界（PoppleWorld)是噬元兽平台的一款AI应用，采用AI技术帮助用户进行情绪管理的工具和传递情绪价值的社交产品，采用Web3分布式技术建设一套采集用户情绪数据并通过TOKEN激励聚合形成情感垂直领域的RAG向量数据库，并以此训练一个专门解决用户情绪管理的大模型，结合Agents技术形成情感类AI智慧体。在产品里植入协助用户之间深度交互提供情绪价值的社交元素，根据用户的更深层化的需求处理准确洞察匹配需求，帮助用户做有信心的购买决定并提供基于意识源头的商品和服务，建立一个指导我们的情绪和反应的价值体系。这是一款针对普通人的基于人类认知和行为模式的情感管理Dapp应用程序。