Искусственный интеллект и Почему мой компьютер меня не понимает?

>набор фактов
>алгоритмы
Вы так говорите, словно это нельзя хранить в памяти. Ок — если не в памяти, тогда где? Алгоритм это информация, а информация может храниться только в памяти. И смею заметить вы говорите так, словно хотя бы один настоящий ИИ был уже создан, да и к слову — я говорил не про ИИ, а про интеллект. Вот ваша как раз и ошибка, что вы корову с молоком путаете. При чем тут человек? А у ЕЖА нет интеллекта? Может он растение? Поясните тогда ваш взгляд на мир.

Не сводите память только к простым фактам. Допустим, база знаний представлена в памяти, но может описывать логику взаимодействия (условие→заключение в продукционных системах).

А сколько мегагерц и оперативки суммарно в вашем компьютере?

Всё же не понимаю, зачем вам нужна эта одномерность? Повторить путь LZ 77? Так качество сжатия (и степень обобщения) у него весьма низкие, хоть фракталы сбоку приделывай для перенумерации вершин.
Двумерное (многомерное) пространство действительных чисел в одномерное непрерывно с сохранением расстояния не вложишь (а тем более, в дискретное), т.е. на одномерной проекции двумерной карты уже меру близости, «расстояние» никак не выразить (фракталы лишь сделают то, что две соседние точки смогут находиться на любом расстоянии друг от друга), а значит, ваша система никак не сможет «интуитивно» определять расстояние от одной точки до другой, и использовать его для вычислений. То есть, например, не сможет сформировать обобщения «температура * давление», понять зависимость цвета от температуры, или объединить соседние пиксели изображения и распознавать одни и те же объекты после аффинных преобразований. Посчитать, чему равно «радость+грусть» или «отчаяние+печаль» (чувства естественным образом моделируются как многомерные вектора). А ведь гипотезы специалистов нейромоделирования показывают, что мера близости в пространстве размерности между 300 до 3000 лучше всего описывает человеческие категории мышления. Соответственно, мне кажется, что одномерность будет существенно уменьшать близость вашего интеллектуального агента и человеческого мышления, вполне возможно, вплоть до уровня отсутствия возможности простой коммуникации с человеком и невозможности автоматического обучения на традиционных человеческих задачах, или даже вообще до невозможности понимания человека.
Если хотите посмотреть на концепцию, альтернативную вашей, гляньте на code.google.com/p/word2vec/, способную «из коробки» частично пройти интеллектуальный тест на «соотношение слов» (лес — дерево, луг — ?, варианты: «куст», «пастбище», «трава», «сено», «тропинка»), которому ребёнок учится неявно, и которое, кстати, является весьма главной вспомогательной задачей для решения задачек из этого поста.

В целом, всё остальное вы говорите правильно, и я практически не вижу в остальном никаких отличий вашей модели от любых современных практических методов обобщения, таких как примитивные персептроны, популистские HTM, классические SVM и наиболее продвинутые на текущий момент по качеству обобщения искусственных системы с Deep Learning (для справки: в большой части наиболее интересных международных состязаний в области распознавания речи, рукописной речи, почерка, анализе и синтезе текста, разного рода изображений и видео на текущий момент системы с Deep Learning побеждают или сравнимы с альтернативными решениями. обычно, с небольшим отрывом на вербальных задачах и с большим отрывом на невербальных, идут SVM. Примеры задач: MNIST, CIFAR, ImageNet, LVCSR… ).
Т.е. ваша модель настолько абстрактна, что она неразличима с любым другим практическим методом обучения и обобщает их все сразу. А это значит, например, что у вас нет критериев обучения, и конкретных способов обучения. В том числе, тех, которые бы отличали вашу модель от худших представителей в этой области.
Так почему ваша система сможет учиться вообще, а не начнёт генерировать бред, который будет сама же дальше считать правильным, запоминать и использовать снова? Опыт построения подобных систем, например, NELL от CMU, показывает, что недостаточно придумать принципы построения системы, которая будет учиться, нужно ещё и постоянно вручную(!) отбраковывать неправильный опыт, полученный данной системой, чтобы он на неё в дальнейшем не влиял, или же разработать такую систему обучения, или такие критерии, которые позволят системе отбраковывать нежелательный опыт.
Обычно используются два критерия и их комбинации:
1) supervised learning с образцами правильных классов
2) unsupervised learning, умеющая отличать реальные данные от искусственно сконструированных неправильных данных.
Кроме того, вы обходите вопрос быстродействия. Без рассмотрения этого вопроса, можно спокойно говорить «построим систему, параллельно обрабатывающую миллиарды сигналов сенсоров и обобщающую их, повторив свойства человеческого мозга». Тот же Deep Learning всё ещё имеет ограничения по быстродействию (и существенный прирост качества был связан с переходом на GPU, обеспечившим 50-кратное увеличение скорости алгоритмов), кто знает, возможно, на сопоставимой с человеческим мозгом мощности он бы запросто обогнал человека по качеству работы!