| 以下内容摘抄自大富翁论坛中的人工智能贴 |
| 来自：xinjia, 时间：2002-2-24 3:53:00, ID：938376 |
| 人类的各项知识都是起源于一些预设的公理，一些公认的常识。 不论房子多么花巧，总有不可分割的砖构成不同的表现，这个砖是结构的基础。 原子命题是不可分的命题,不可证,不可解析。人类的认知行为,就是在一些常识元素的基础上, 由这些常识来解释世界,并获得仍然是由这些常识组成的知识。 程序=结构结构+算法 你说的只是告诉电脑推理过程即算法,程序不是真正的AI。 具有学习功能,由已知的认识推论出未知的新知识才是AI |
| 来自：creation-zy, 时间：2002-3-6 8:55:00, ID：962929 |
| 专家系统的主要瓶颈是专家的经验性知识的获取，这一点不是编程能够实现的。我认为应该在让电脑 掌握了一定数量的常识性知识之后，“手把手”的让电脑完成一些“推理练习”，让它积累经验（知识 获取）——就像小学生学数学一样。 |
| 来自：DarwinZhang, 时间：2002-5-5 11:50:00, ID：1084322 |
| 我认为,现在AI最多不过是一只昆虫的智力: 人们给计算机一些方法,计算机就死死的按照这些方法去处理情况,它不能根据新情况产生新方法, 因为电脑的程序不能改变程序本身(编译器,解释器也不行),来获得一种新算法,这就是电脑的最大缺陷. 人脑却可以通过'顿悟'(灵感)这样一种途径来获得突破,改变自己的看法和方法. 这可能是当前的技术无法解决的问题 |
| 来自：flli, 时间：2002-5-5 17:00:00, ID：1084726 |
| 我觉得计算机解决问题的一般过程是 事物->形式逻辑->数理逻辑->算法程序 对于AI我觉得现在连AI的形式逻辑都没有一个清晰的表达， 几乎所有的有关研究只在知识库上有一点进展，而如何运用知识库， 根本没有可观的进展，比如，已知有木头，有路，有运动，有搬运需求，有结构学知识 电脑什么时候能够想到{轮子}， 一个没有想象力，创新能力的AI是没有意义的 |
| 来自：房客, 时间：2002-7-24 20:44:00, ID：1220937 |
| 不知道有没有人考虑过“大统一理论”，这是个在物理学上提出的概念 如，相互组织和自组织 在AI中很难真正总结出第一特征，第二特征。。。 我的建议： 不要把AI纯粹当成是计算机模拟人类思考和活动，当你发明“第五种场”时，也许就是AI的飞跃。。 不要简单将AI化做繁复的计算功能，尝试思考一下宇宙、物质、生命和心灵。。 从ROOT往后推倒和从后往起点探索效果大不一样 |
| 来自：creation-zy, 时间：2002-7-24 21:31:00, ID：1221008 |
| 一个人刚出生的时候，可以说是一张白纸——除了几个屈指可数的本能以外，什么知识都 没有。此时他具有的和知识获取有关的技能有——五种觉受（眼、耳、鼻、舌、身）、模式 识别（对图像、声音、事件）、模仿、思维能力（由于还没有学会说话，此时的思维是基于 模式而非语言的）以及行为能力。在这些技能之中，五种觉受、行为能力和对图像、声音的 识别能力是基础；模仿、对事件的模式识别以及思维能力则是高层建筑。 出世之后，人便开始了学习的历程。一开始，人就会感到很多种不同的觉受，这些感觉 有的很舒服，使人愉悦，有的则相反，这些觉受构成了最原始的奖惩函数。由于本能，对 不同的觉受，人们会产生不同的反应，比如哭闹、笑等等。 一般说来，母亲是一个人出生之后很长一段时间中接触最多的人。对婴儿来说，这个人 不但看起来和蔼，并且还能消除不愉快的觉受、带来舒适、欢愉的觉受。一段时间之后， 只要她在身边，就会得到快乐的模式被建立起来了，“爱”——人类欲望的根源——由此 产生了。 母亲不但会给婴儿无微不至的照料，还试图让婴儿学习语言。于是，“妈妈来了”、“叫 妈妈”、“妈妈在这里”、“妈妈”...等等声音不断的冲击婴儿的听觉系统。由于重音、 易识别性、不变部分等因素，“妈妈”这个声音在婴儿的脑海中的印象越来越深刻。到了 有一天，在模仿机制的作用下，婴儿终于可以发出“妈妈”的声音了。但是，此时还不能说 他已经有了“名”的模糊概念——他的实践还不足以将声音和一个事物联系起来，这只是 纯粹的模仿而已。 婴儿通过大量呼唤“妈妈”的实践发现，只要喊“妈妈”，就会有同一个人出现。于是， 更高级的关系模式建立起来了——这个人就是“妈妈”！——名的模糊概念产生了，人类 知识世界的大门向他敞开了。 |
| 来自：zhukewen, 时间：2002-7-25 9:37:00, ID：1221519 |
| 你举的婴儿的例子，我十几年来一直在思索。 我的孩子3岁了，我一直观察他。我不知道他什么时候有智能的，但是现在谁也不能 否认他有智能了，尽管他不懂逻辑、不懂数学，甚至不知道1+1=几。 我对智能程序的设想是这样的： 1、能获取外界信息，能表示并储存。 2、能向外界输出信息。 3、只有最基本的运算规则，规则中肯定不包括“1+1=2”这样的高级论断。 4、有自我激励机制（奖惩函数） 5、除了最基本的规则外，知识和规则是一回事，都得从外界获得。 目前我还只是探索知识的表达，我的方案是： 信元=某种意义上不可分割的信息 概念=信元 概念=概念+信元 知识=概念 知识=[知识1=知识2] 我现在要研究的是这种方案的可行性和实现方法。 |
| 来自：creation-zy, 时间：2002-7-25 10:47:00, ID：1221696 |
| 我认为，智能的根本基础在于： 1.能够从变化万端的现象之中找到不变的部分，并且对于那些变化的部分，又能找到某种 可以掌握的规律，把所有这些总结为知识； 2.能够合理的运用获得的知识。 其中，第一点涉及到对事件的模式识别——或者说能够大量有相似性（相关性）的事件中 提取“共性”以及“不共性”的能力。对于前者，我们一般不必再深究下去，把它作为一个 “知识”保存起来即可；对于后者，我们需要对它再次进行提取——即找到“不共性”之中 的“共性”和“不共性”。如此递归分析下去，直到“不共性”彻底消失，一切都被转化为 “知识”为止。 第二点，就是运用知识进行问题求解的过程。我发现，人的思维过程不同于一般意义上的 AI推理过程，人的思维具有如下特点： 能够自动根据过去的推理过程，找到推理的“捷径”——成功率高、时间短； 能够把思维过程作为一种“事件”进行分析，从而改进思维模式（比如递规性的发现、 不同类事物的类比关系等等）。 |
| 来自：creation-zy, 时间：2002-7-25 12:26:00, ID：1222016 |
| 关于 IF A THEN B ... 的推理方式，我认为是必要的，并且是最基础的。但是，这远非 智能的全部。产生式规则只不过是学者们对推理步骤的提炼（不过歪打正着——这正是因果 律的表现形式）。 我认为，大脑的推理方式是一种朴素的模糊模式绑定机制。说它模糊，是因为所有概念、 知识我们都可能接纳，也都可能推翻，在我们的意识中，没有一样东西是绝对的，甚至连 “我”这个最原始的、与生俱来的感觉，都可以被我们的智慧彻底拔除。举个例子：如果 有人对你说“1+1=5”你会不会因为知识冲突而“死机”呢？——当然不会，“1+1=2”和 “1+1=5”两个命题都不是绝对的，我们会在第一时间内作出判断——前者经过多次实践的 检验，可靠性极高；而后者是新知识，没有检验过，可信度不高；而这两个命题是相互冲突 的，因此应该舍弃后者。“模式绑定”指的就是类似"if A then B"之类的规则，需要指出 的是，模式绑定不一定要有“名”作为支撑，恰恰相反，人们的绝大多数知识都被转换为 这种不依赖“名字”的“模式”——正因为做到了这一点，我们的思维才能像风一样流畅。 了解了这一点，就不难理解为什么幼儿虽然不知道事物的名称，但仍然能够进行智力活动的 原因了。（没有“名字”，我们仍然拥有对事物的分辨能力——正是分辨的存在，使我们 能够掌握不同的“模式”） |
| 来自：aizb, 时间：2002-7-25 13:25:00, ID：1222188 |
| 我们写一个程序,目的是把两个数加起来,我们输入一个1一个2得到了3, 再输入一个5和一个6,可以得到11,这算不算一种最简单的AI呢? 计算机并不需要人在操作的时候去口中念念有词,背出算盘的口决, 而是知道怎么去处理两个数想加,尽管是由人编写的程序来实现的, 我们可不可以理解成是由人教会计算机如果计算呢?只不过这种教的 方法不同于教小孩,也不同于教一个动物.在教会了计算机做加法后人 又教会了其他动算,还教会了计算机学习(计算机能够存储大量的数据, 这何尝不可以理解为一种学习呢,比如最简单的五笔输入法,我们可以造词), 再后来有了更深一层的AI,比如操作的或者CPU的分支预测.总之AI在计算机 上的正在一步一步的实现,只不过速度快慢而已! |
| 来自：creation-zy, 时间：2002-7-25 17:44:00, ID：1222803 |
| to aizb: 严格说来，这并不能算AI。因为程序所要做的逻辑都已被固化，不可能进行修改，也不能 自动学习。 我认为，一个程序具有真正意义上的AI，必须至少具有如下特征： 1.有知识库； 2.能够根据外界输入和知识库中的知识进行运算，产生某种形式的输出； 3.有更新知识库的能力——即学习能力。学习的对象可以是外界的输入，也可以是内部运算 的结果。 您提到的程序至多有上述的第二个特点，其余的两个特点则不具备。 AI强弱的关键在于第三个特点。目前有很多程序根本不具有学习的能力，它们只是根据 预先存放在知识库中的知识进行推理——他们虽然有“知识”，但是这种知识是死的。这种 程序，只有“算法”，没有“智能”可言（尽管这个算法可能十分复杂，有“含金量”）。 还有很多程序，可以自动学习，更新知识库（比如“深蓝”以及一般的专家系统）。值得 注意的是，对于这些有学习能力的程序，又可以分为两大类： 1.数据进化型——学习之后，仅仅是知识库中参与计算的数据发生了变化，而对知识的使用 方法——算法——则不会发生任何变化。 2.数据、算法进化型——学习之后，不但基础知识得到了更新，那些用于控制“思维”过程 的知识（即元知识）也会发生变化。这种程序至少在理论上已经趋于完美——一个具有 足够强的“思维进化”能力的程序完全可以胜任一个人的日常工作。 |
| 来自：0000000$, 时间：2002-11-19 9:31:00, ID：1441136 |
| 人重一开始什么都没有。但是通过后天的认识，建立起了一些对规则(经验/常识)， 通过这些规则来判定当前的事件。 个人认为先研究人对一个事件的理解规则是怎样建立起来的？最终，我们用数学的 方法来表达这些规则。 |
| 来自：creation-zy, 时间：2002-8-18 17:48:00, ID：1272405 |
| 输入和输出是人工智能体的基本功能（也是普通电脑程序的基本功能）。对电脑来说，存在着 一种最基本的输入（觉受）——字符流输入。同样的，字符流也是电脑最直接的输出方式。 字符流可以看成是一种特殊的“触觉”（想到了盲文，唉...）——从它可以获得的信息只有 信息的前后顺序以及信息本身的差异。 智能的一个重要基石是思维（即人类的第六识）——意识。意识是智能的核心，它统摄其余 诸识。意识的基本功能是分辨力以及对“时间”的感觉。正是由于有“时间”感，我们才能将 两个或更多的事件联系起来，而不是所有的记忆形成一个大杂烩。 智能的另一个重要基石是模仿。现在存在一个问题：如何让这个人工智能体进行模仿？模仿是 一定要有对象的，单纯的字符流输入输出难以让他区分多个模仿的对象，因此，我们必须对智能 体的感觉和存在环境加以改进。 我们可以构造这样一个环境：总共两个主体，其中一个是由人完全控制的（包括所有属性和 动作），另一个就是我们制造的人工智能体。在这个环境中，前一个主体的任务是当老师，它的 任务是表现出状态的变化以及作出动作，让人工智能体进行模仿学习。而人工智能体要做的是： 能够“感受”这个“老师”，包括它的状态以及它发出的动作等。 在一个学习的例子中，智能体的学习过程如下： 环境： A,B 共两个个主体，其中A的所有状态、动作都 受人控制；B是人工智能体，有自控能力 主体的属性： happy: 愉快程度 hungry: 饥饿程度 初始状态： 两者的happy和hungry属性均为0 经过一段时间后： A的hungry上升为0.7，happy下降为-0.3 （人为操纵） 随后： A发出动作get food，获得了一个物品。 A发出动作eat food，物品food同时消失。 一段时间后： A的hungry恢复到0，happy上升为0.1 又经过了一段时间，A的hungry上升为0.7，happy下降为-0.3 ... 终于，B的hungry也上升了，为0.75，happy下降为-0.4 由于happy低于正常值，B意识到必须采取某种措施以增大happy值。通过对记忆的发掘，B发现 A在happy下降之后采取了 get food, eat food 的动作序列，提高了happy值，于是开始模仿A 的动作... |
| 来自：5rain6sky, 时间：2002-8-22 14:46:00, ID：1280624 |
| >>从它可以获得的信息只有信息的前后顺序以及信息本身的差异。 此话诚然，那么电脑如何响应顺序及差异呢？或曰，信息的顺序及差异如何起作用？ 前几天有则新闻说某外国设计出新的智能软件使机器人能够精确地分辨精密部件的细微差别， 但单听报道，它只是把机器人用摄像机拍到的零件图像与其数据库内的标准图像做比对而已， 窃以为这样的差异处理无甚智能可言，尽管它的图像比对技术里或者有较高的智能含量， 但其整体思路仍是一种被动固化的老路子。我无意于对这个新闻里的东西做过多技术层面的讨论， 因为我没有什么发言权，只权作一例而已，且用意也只在表达对此种方式（而非技术）的不认同。 我认为应该由差异带出一系列动作和逻辑运算，而不是单单对差异本身做操作。 差异作为一个触发器，按系统固有逻辑自动引出其它操作，而不由人工指定在此差异下应如何如何。 问题就变成了此类“固有逻辑”究竟应该怎么确定，应该是什么样的。 很遗憾，这一问题的解决往往造就出一个庞大的离散的规则库，虽说规则的运算有一定的自动性， 但规则本身却是特定的、机械的。如此即是转嫁了代码逻辑，工作量及可维护性问题仍较突出。 |
| 来自：Haha..., 时间：2002-8-23 9:41:00, ID：1282280 |
| 机器学习不应该只是用我们的数据结构和算法来解决,这样的效果我想不会很好,毕竟有点 机械式,我们应该建立一个合理的数学模型,因为人工智能体本身是用机器仿照人的思维, 因此,仿生学的一些思想,以及由此产生的数学方法 NN 和 GA ,模糊数学,正象chinaaspboy说的, 基因思想是有道理的,因为我们用基因(抽象为一种数据结构可能很小,要用bit伟)更有效的描述 一种特性,动作.....可以用遗传,不断的生成新的群体,一代比一代更智能........这是GA 我们建立一种网型(图)的数据结构,有输入(动作),输出(反应),网型网络中节点间的权重决定了 何种输入(动作)对应了何种输出(反应).而这些权重是 B是人工智能体对A的长期学习学习得来的 这是NN,这些方法看起来很旋,但实践证明是很有效的,这样的方法下,我们对信息不是一个一个 的精挑细选(向递归,回溯,穷举遍历),而是对信息有了特殊的处理方式,从而,信息处理量大了 许多,更有效的吸取信息... |
| 来自：creation-zy, 时间：2002-10-3 15:14:00, ID：1358514 |
| 说到“海量数据”，我想到了一个问题——人脑的信息存储量似乎是没有尽头的，尽管我们 有时也会“遗忘”一些东西（通过对一些精神疾病患者的研究，我们发现他们可以回忆起童年 时期的一些非常细微的细节——这是不是意味着...）。人脑的处理速度似乎根本不受知识量 的影响。 对于一个知识处理系统来说，随着系统中知识数量的增加，推理机的速度也越来越慢—— 因为系统每次推理都需要遍历许多的可用规则，而这些规则的数量基本上是和总知识数成正比 的。为了提高系统的效率，前人开发了马尔可夫、Rete快速匹配等等算法以提高系统的效率， 这些算法的确非常有效，但是，我认为，要实现真正实用的人工智能，就有必要让电脑能够以 接近人脑的思维方式来运作。 在我的上一篇帖子中，有人认为人工智能不可能实现，因为我们甚至连自己大脑的工作方式 都不清楚，更谈不上让电脑思维了。这种看法顶多对了一半——如果不了解大脑，我们的确就 不能凭空创造出理想的人工智能体——但是——人类是高度智慧的生物，我们拥有了知整个宇 宙的能力，当然也有能力穷尽大脑的奥秘。 我认为，人脑之所以能够以稳定的速度进行思维，是因为我们在获得新知识之后，都会形成 一个“思维框架”（抑或“模式”）或者融合到已有的“思维框架”中去。每个“思维框架” 都对应着一类问题的推理方式以及用于推理的规则库，框架内部的规则之间有极强的相关性， 而框架之间的联系则是非常松散的，甚至很可能没有任何联系（比如驾驶汽车的思维框架和做 饭的框架应该没有什么联系吧）。我估计人脑中的思维框架的数量在10^3～10^5个左右，而每 个框架内部又包含了10^2～10^5条规则或知识，由于人脑是由数十亿个神经细胞构成的，平均 每个细胞又和约40000个细胞相连，每次对付几百个和几万个数据的速度差别应该不大。 “思维框架”作为一个比较大的概念，其内部还可以进行分解。注意到我们在思维的过程中 极少遇到需要在上百条规则中进行选择的情况，我认为每个框架都可以进行一种规则的“模糊 聚类”，即对这个思维框架来说，问题的解决可以被划分为若干个子问题（每个子问题就是一 个子框架）又或可以被划分为若干个阶段，这样不断划分下来，最终的子问题或阶段所涉及的 规则及事实数量都远比整个框架的知识量少得多（我估计仅在10^1上下）。 思维框架有“元知识”的特性，即它是用来确定知识的使用方式的，而与具体的规则无关（ 比如求解数学应用题的框架：设定未知数、列方程、求解，问题可能有很多类型，但是都离不 开这三个基本步骤）。一般说来，思维框架本身是由人为输入构造的，而它内部的子框架以及 阶段则可以由人工输入，也可以由人工智能体在实际运用之中自动进化生成。 人的思维有一个极为重要的特点——只要我们愿意，我们可以随时跟踪并记录我们自己思维 的全过程，也就是说（从思维的层面上看来）大脑是一个“白箱”。而现在的电脑程序就完全 不一样：它们的代码是完全过程化的，它们没有一个机制可以让自己感受到自己正在“想”什 么。我认为，如果一个人工智能体不能完全了解自己的思维(推理)过程，进而改进思维 过程本身，就远不是理想的“智能”体。 在思维框架的体系结构中，“思维”用于框架内部的推理以及父子框架、平行框架之间的信 息传递。需要指出的是，仅仅有可以用语言解释的“思维”是不够的，为了让我们的思维机器 越来越快，必须还有一种思维的辅助机制，由它负责对思维的过程进行整理，从中发掘有用的 模式信息，以加速推理，并最终完成思维框架的进化。 |
| 来自：小雨哥, 时间：2002-10-4 5:10:00, ID：1359088 |
| 计算机的 if..then 和人的 如果..就 有一个根本的不同，就是行为的取舍，所以前面讨论 的必要条件还要加入一个 “利益库” 的概念，它应该比“知识库”更重要，利益的起源 可以只是一条，作为所有判断的起点，但在每一次判断后，除了更新“知识库”外，它必须 更新“利益库”，而判断本身可以形成“方法库”，在空闲时，AI 还应该用“新的方法” 去重复测试对“利益库”的接近度，从而更新“方法库”。但怎么用已有的知识，对“情势” 做出判断来更新“利益库”呢？ |
| 来自：creation-zy, 时间：2002-10-16 16:44:00, ID：1378289 |
| >>怎么用已有的知识，对“情势”做出判断来更新“利益库”呢？ 我认为这并不困难——一朝被蛇咬，十年怕井绳。我发现“感情”这种东西可以被视作一 种对过去经验的统计性指标。如果某个事物对我们产生了“伤害”，我们以后就会不由自主 的觉得它比较“可怕”，更进一步，如果伤害足够强烈的话，我们思维中的自动关联功能会 使我们“害怕”和它相关的东西。感情上的“害怕”反映在实际的行动上，就形成了“回避” 等行为。 我认为由于人脑的构造相对于目前的电脑的优势，我们大脑非常善于运用“相关性”进行 思维——针对成功解决过的每类问题，我们都有一整套解题的模式：分为几步、每一步需要 什么知识库，常用的推理过程是什么，等等。例如：在解决一道普通的乘法题时，我们会根 据问题的类型，仅调出99乘法表以及加法表作为推理的基础知识库，解题的过程也是按照早 已固定的模式——将两个数按照一上一下右对齐排列好，从右到左依次两两相乘，超过10则 要进位...——解题的模式大概就是这样了，剩下的绝大部分只是复杂度的问题。 |
| 来自：Haha..., 时间：2002-10-23 9:47:00, ID：1389170 |
| 这几天看EJB,有这样的想法:EJB是用容器实现了保持对象的伸缩性很高持久性; 我想;在AI中需要很多的信息库,而这些信息库是的结构是复杂的,很明显,用关系模型 是力不从心的,而用oo数据库模型会有更多的优势,关键还是要实现伸缩性很高持久性, 对象(知识库数据)要能在闲置时被passive,在用联想时能随时被唤醒,使对象(知识库 数据)实现在内存和物理文件之间的透明. |
| 来自：creation-zy, 时间：2002-10-24 12:09:00, ID：1392010 |
| 楼上的兄台认为“信息库是的结构是复杂的”，我认为这个说法可能不够准确——信息库 本身可以是非常复杂的，但是信息库的结构可以非常简单，比如产生式系统，它的信息结构 就是 if then 子句，再简单不过了，但是谁也不能否认它的强大功能。 我认为信息本身不需要多么复杂（我认为人类的智能活动在某种程度上可以用字符流进行 全程记录、回放，甚至完全基于字符流进行思维），复杂的部分是对信息进行具体运算处理 的“智能核心”。我所谓的智能核心至少具有下面几个功能： 1.能够进行信息匹配（检索），进而实现推理（或者某种类似推理）的功能； 2.能够基于知识库中的信息（可以是基础的信息，也可以是某种高级的描述性信息）对信息 进行自动组织，而组织的结果在系统的外部看来就是我们通常所谓的“对象”； 3.能够将组织后的信息自动的以某种更加容易访问（检索）的形式写入到知识库中去。 我想，Haha兄提到的“对象的伸缩性很高持久性”应该是智能核心表现的功能之一，但是 这并不意味着智能核心本身需要发生变化，变化的只是对信息的组织、使用方式。 |
| 来自：creation-zy, 时间：2002-11-2 19:01:00, ID：1409555 |
| 我的观点是——人工智能的目的不是要模仿（或者替代？）人脑，而是要帮助人类解决尽 可能多的、需要“智能”的问题。所以我说“AI现在已经被部分的实现了”（但是目前还无 法令人们满意）。在我们制造的智能工具已经能够做你的得力助手时，你还能无视AI的存在 以及它的能力吗？ |
| 来自：creation-zy, 时间：2002-11-16 15:34:00, ID：1436041 |
| 如果我们可以成功的模拟人脑——这无疑是非常理想的。但我认为，为了实现人工智能， 我们不需要以“实现模拟人脑”为目的，人脑只是一个成功的智能体典范而已。 我认为因为人脑是由神经网络构成的，分辨以及匹配是在硬件级完成的，我们的思维才能 如此流畅。人工智能有一个重要的应用——专家系统，它的应用有一个“组合爆炸”的难题 ——随着系统知识数量的增加，推理机的速度会变得让人无法接受。让我们仔细的回想一下 自己解决问题的过程，是不是每一步推理都会将自己所有的知识调出来挨个匹配？当然不会， 我们一般在进行每一步推理时，脑海中会自动浮现出屈指可数的几种待匹配规则，这就是自 动匹配的功用——我们可以采用人工神经网络实现这一功能——并不复杂，在知识量不大的 试验环境中，用冯·洛依曼体系的计算机也可以实现。 还有，人们经常说“举一反三”——教一个人解决一个问题的方法之后，如果他不但能够 以此解决这个问题，还能够将求解过程成功的运用到这一类问题，那么他就是够“聪明”的。 同样的，我们不能指望向电脑输入一堆基本规则和事实之后它就能够解决实际问题，我们还 必须让它学习运用知识解决实际问题的方法，就像教小学生解数学应用题一样。我认为关键 的第一步在于如何让电脑具有学习样例的能力。（以前看到一个例子：让电脑证明两个连续 函数的和仍然是连续函数，结果电脑推理了15000步还没有成功，人们认为电脑太笨了，而我 认为这对电脑来说太不公平了） 还有一点我的认识还比较模糊——人们思维的基础到底是什么？是语言吗？当然不是—— 否则不会说话的幼儿就不可能思维了。如果说思维是基于模式的模糊匹配的，那么实现起来 就比较困难。 |
| 来自：DarwinZhang, 时间：2002-11-21 17:34:00, ID：1448953 |
| >>我们不需要以“实现模拟人脑”为目的，人脑只是一个成功的智能体典范而已。 不可否认，人脑是目前唯一能够称为具有智能的东西。 假如我们不清楚人脑的智能，那还有什么办法来了解智能呢？ 况且我们说了这么久，连什么是“智能”都说不清楚，更不用说实现智能。 何况我们都是先学习再创造。没有学习就无法创造。 人的思维不是基于字符的。只有高级思维才是基于字符。 无尽藏尼要禅宗大祖惠能讲解涅盘经，惠能说他不认识字，无尽藏尼很惊讶： “不识字怎么能懂得真理呢？”惠能手指月亮说：“真理就像月亮，文字就像手指， 手指不是月亮，看到月亮也不一定要手指的指点。” 因此字符不过是传达精确信息的手段，它不是思维最基本的最小体。 所以杨振宁先生说“信息不是理解”。当然，我认为高级的思维还是基本上基于字符的。 |
| 来自：creation-zy, 时间：2002-11-23 16:08:00, ID：1453951 |
| >>什么是“智能”都说不清楚，更不用说实现智能 我并不这么认为喔，人们到现在还对“力”的定义不甚满意，但这并不妨碍“力”在物理 学中的使用呀。 我认为，“智慧”是指深入理解一切法（即一切物理、心理上的现象）的实相的能力；而 “智能”则是指通过对经历过的事件的分析，发现因果关系，并加以运用的能力。 >>“信息不是理解” 我觉得这句话有一些问题——关键在于怎么定义“理解”。 色、受、想、行、识——由于“行”造成“根”与相应的“尘”（“根”与“尘”都属于 “色”）相接（“受”也），从而产生“识”，有了“识”之后，再用意识进行分辨，就是 “想”。我认为，如果没有达到“想”这一层，就不能算“信息”，而“想”的基础——“ 分辨”能力，就是一种“理解”，当然，这种“理解”可能是非常模糊、不成熟的。 比如我们的眼睛看到各种颜色，眼识即行升起，再对眼识进行分辨，就形成了青、赤等诸 颜色的感觉——我认为这种分辨之后的感觉才能被称为“信息”；相反，如果仅有“识”而 没有进行分辨，就不能算信息——比如你正在专心思考一样东西，意识非常的集中，此时若 有人叫你，如果不是很大声的话，你根本就听不见——难道是因为在思考的时候耳根不起 作用吗？当然不是，否则无论如何大声，你都会听不见的。这是因为你的意识集中于一点， 对弱的信号不加分别就让它过去了。 需要指出的是，众生的感观对各自的感觉都有“预定义”的分辨能力，比如味觉对应于酸 甜苦咸、视觉对应明暗青赤、触觉对应痛痒冷热、意识对应苦乐不苦不乐......我认为，对 感觉的分辨过程就是一种“理解”。 |
| 来自：creation-zy, 时间：2002-11-24 19:41:00, ID：1455953 |
| >>因此字符不过是传达精确信息的手段，它不是思维最基本的最小体。所以杨振宁先生说 “信息不是理解”。 你在上面举的例子恰恰说明——没有被正确理解的东西不能算信息。俗话说一图胜千言 ——这正是说明“文字”是很难准确、完全的表达作者的意思的。况且，佛陀说过，并不是 所有的世界都有“语言”，例如，普贤王如来的世界里没有语言，如来以瞻视令诸菩萨入无 生法忍。如果说“信息不是理解”，那么“理解”又有什么用呢？ 比如你对一个没有见过汽车的人说“汽车”，他只能从这个词的语言组成来进行分辨—— 这个词由两个字组成，前一个是“汽”，后一个是“车”。如果说你只是想让他知道有这个 词，那么你的目的已经达到了——因为他已经能够找到这个词和其它词的区别所在——他收 到了“信息”。当然，我想人们一般不会满足于仅仅将这个词告诉他吧——我们还会试图用 大量的语言或者图画等等让他清楚“汽车”这个词的确切“意义”，直到他完全“理解”为 止（即能够将“汽车”这个词和它所代表的事物联系起来）——这时，我们才能说，已经将 “汽车”这个信息传递给他了。 我觉得你认为的“理解”就是我在上面这个例子中提到的“联系”。我认为，在上面的例 子中，前一个“信息”是非常原始的，因为它仅仅和听觉相关，没有和头脑中其它的高级概 念产生联系；而第二个由于已经和其它高级概念有了联系，属于高级的信息，有因为与之相 关的概念都是可以用语言表达的，所以这个信息也可以用语言来表达。在你举的例子中，由 于我们的感觉无法用语言精确的描述，而你又只能从文字上进行“理解”，因此，你得到的 “信息”是不完整的，必须在实际经历之后，才能获得完整的信息。 “机械的获得知识是非常浅的理解”——看来我们的观点基本上是一致的——没有和其它 高级概念发生联系的所谓“信息”是一个孤岛，根本不能应用，不能算“信息”。 回到我在上一个帖子中提出的问题：将“X>0”分解为“X”、“>”、“0”。jdshoot兄 说，只能将一个命题分解为几个子命题，而分解的最小单位是原子命题，上面的分解是没有 意义的。我发现，原子命题被分解之后，就变成了若干个“概念”——也就是说，我们如果 能够让人工智能体实现真正意义上的“理解”（理解的对象就是“概念”），“人工智能” 就不再是空谈了。那么，如何才能算“理解”呢？我在前面已经说过，“理解”就是让被理 解的对象与其它已经被理解的对象发生联系。 记得中学英语课学过的一篇文章，内容是说海伦凯勒学习单词的过程。海伦凯勒是一个即 聋又瞎的人，她的家庭教师为了让她学习英文单词费尽了心机，因为语言的两种常用表达形 式——声音和文字——海伦凯勒都无法感觉到，因此，她的老师只能用触觉进行“输入”。 虽然这些触觉本身是可以被分辨的，但是由于无法和其它的、“已理解”的信息产生关联， 一段时间过去了，海伦凯勒的学习仍然毫无进展——这些感觉无异于一大堆密码。有一天， 老师让她先学习“水”，然后让她用手接触水——她将“水”这个单词和“水”这个事物联 系起来了——她“理解”了！“水”就是一种感觉湿润的、滑滑的、冰凉的、柔软的东西。 以此为突破口，海伦凯勒的语言学习步入正轨了。 让我们想一想，人类的学习（理解）过程，不也是从最基础的感觉开始，从下到上构筑起 的知识宝库吗？ |
| 来自：DarwinZhang, 时间：2002-11-26 13:04:00, ID：1460691 |
| to creation-zy: 我感觉其实我们对这个东西某种程度用了不同的表达方式: 我用的是“理解”一词，而你却是用“信息”。 但是我要强调，一堆的信息记忆并不能代表“理解”。比如： 我们以前前对某个问题疑惑不解，然后一天忽然看到这个问题的解答了，这是我们对这个 问题的“理解”显然比不曾仔细想过这个问题要深刻得多。这个解答以前是不存在的， 在大脑没有这个信息之前难道就可以建立联系吗？ 您的海伦的例子很好，我也借它来说明，海伦永远无法了解水是透明的信息（应该是吧）， 但这不妨碍她理解“水”，这也说明理解不一定就会要所有的信息呀。 我们都有这样的经历，听别人说话，我们总是对我们感兴趣的东西。 记忆得很牢固，但是有一些东西是听而未闻。所以人脑能够“轻易”的从一些庞大的信息 精简成它感兴趣的信息（这种能力确实令我迷惑）。 因此人脑才能够对这些简单的信息进行“处理”。 但是，有时我们对某些信息的感受，是无法用语言来精确表达的， 1如果无法用语言来表达，那怎么用电脑来实现呢？ 其实电脑是在人脑搭好的某个“架子”的基础上运行的， 问题首先是电脑要搭这个架子就难上加难。 2这种感受对我们的思维起到了什么样的影响呢？ 我估计会有很大的影响，尤其是创造性的思维。 另外，我看到了对抽象的一种解释： 抽象是对客观事务某种属性的概括。 |
| 来自：creation-zy, 时间：2002-11-27 11:08:00, ID：1463596 |
| 不可否认，人的意识是极为复杂的，如果仅仅看到意识的表现，我们可能会被吓倒，认为 不可能编程实现。但是，我认为人的意识可能就像天空中各种各样的云朵一样，千变万化、 不可捉摸——但是形成云的原理却非常简单——带有水气的空气在风的作用下经历温度的变 化而发生凝结——仅此而已，在知道了原理之后，我们就可以模拟云的变化了，余下的只是 效率问题。人类意识的底层机制是什么？ >>一堆的信息记忆并不能代表“理解” 没错。单纯名词（比如我在上面举的“汽车”的例子）也是一种信息，但是这种信息尚未 被“理解”，没有与高级概念发生联系。我认为，“信息”是有层次的，并不仅仅是能够用 于思考的东西才叫“信息”，一切可以获得并分辨的感觉都是信息，并且，不同层次的信息 的“被理解”层次也不一样。比如，你听到一声尖叫，尖叫声本身没有任何含义，不可能被 基于语言的思维所利用，但是，它作为被听觉成功获得并分辨的信息，已经输入你的大脑， 你的第一反应就是把这个声音翻译成“一声尖叫”这个言语信息，同时将声音信息和它关联 起来，并引发一系列针对这个言语信息的思维过程。 >>人脑能够“轻易”的从一些庞大的信息精简成它感兴趣的信息 我认为这个功能并不神秘哦，这只是大脑自动根据相关性进行的信息聚类而已。 大脑要做的就是确定自己“关注”的是什么，然后就由底层机制对记忆中的海量信息进行 与关注对象的相关性分析（比如蛇和井绳、猴子和香蕉、猫和狗等等）并呈现出来。显然， 由于大脑是由神经网络构成的，处理所谓的“海量信息”根本不费力，而目前电脑的是冯· 洛依曼体系的，只能在知识量不大的环境中进行实验。 >>如果无法用语言来表达，那怎么用电脑来实现 如果电脑上的人工智能体是用纯语言进行思考的话，的确不可能实现“无法用语言表达” 的思维。但是，如果电脑也成功的拥有“感觉”，并且思维过程是基于我在上面提出的“模 式的模糊匹配”，就有可能和人类同样拥有这种思维。 还有一点我有疑问——要实现人工智能，一定要先实现这种无法表达的思维机制吗？您提 到了“创造性思维”，我觉得这个目标太高了——人类拥有这种能力，并且对一个人来说， 这种能力是不可或缺的，但是人工智能体也必须具备这种能力吗？关于“创造性思维”，我 曾经思考过，认为绝大多数的“创造性”都是来源于对事物的因果关系的深入分析，并加上 适当的相似性联想——这种思维好像还没有深奥到“不能表达”的程度吧。 |
| 来自：DarwinZhang, 时间：2002-11-27 12:26:00, ID：1464055 |
| to creation-zy: 您的几点看法我不赞同： 1.难道理解仅仅是知识的关联吗？ 开始的时候，我还是比较赞同这个观点的，但是现在我有些怀疑。 就如我前面说的： “这个解答以前是不存在的，在大脑没有这个信息之前难道就可以 建立联系吗？” 2.将大脑的“思维”和“感觉”完全隔离开来。认为感觉是不需要高级的思维参与的。 我认为，感觉和高级思维是紧密连接的：有些熟练的老工人可以准确的发现产品的缺陷， 但是新的工人虽然更年轻，感觉器官也很敏锐，但他却不能发现某些缺陷。即使他也 一两次看到老工人找到的缺陷。所以高级思维和感觉是相互参与的。 3.认为人的思维是少数一些定律就可以解决的问题。 我们基本上从牛顿时代起就已经清楚了地震诱发的基本定律，但是它的规律直到现在还难 以弄清。 为什么？因为这是一个极为复杂的系统。我们现在对如此复杂的系统还没有很好的办法。 |
| 来自：creation-zy, 时间：2002-12-2 22:49:00, ID：1479632 |
| >>这个解答以前是不存在的，在大脑没有这个信息之前难道就可以建立联系吗？ 不错，“概念”当然是从无到有被建立起来的，但是，如果大脑不具备分辨某个信息的能 力，他就不可能建立基于这种不可分辨的信息的“联系”——例如，对一个天生的盲人来说， “色彩”是不可能被“理解”的。我在上一个帖子中说过“人的第六识——意识是在前五识 （眼、耳、鼻、舌、身）的基础上才产生的，没有前五识作为基础的意识是根本无法想象的 （当然，一个意识可以引发另一个意识，但源头肯定是前五识）”，既然“概念”属于第六 识，那么它当然不可能接受与前五识没有任何关系的信息——因为这种信息没有办法输入、 也不可能由第六识自己凭空产生（因为“意识”的“源头肯定是前五识”）。因此，所谓的 “联系”虽然以前可能没有被大脑建立起来，但是一定是基于可分辨的感觉的——即有被“ 建立”的可能。 |
| 来自：leezero, 时间：2002-12-4 11:21:00, ID：1484027 |
| 人工智能会不会有意识呢？举个例子，如果一个机器人具有感知自身及周围环境状态、模糊 记忆、回忆的能力。某一天，它学走路，在学走路的过程中，它自身及周围环境的状态被感 知并在它的“大脑”中形成了模糊记忆，这时如果通过一定的方法让它知道是在学走路，那 么它感知并记忆的这一系列状态便与“学走路”这一描述建立了记忆联系。那么，当下次它 再学走路时，便能通过感知的状态回忆起与之相似的记忆，即能回忆起上次学走路时的记忆 ，通过上次的记忆又能回忆起“学走路”这一描述，从而能认识到（也就是意识到）它是在 学走路，并能回忆起与学走路这一描述相联系的一系列记忆…。能说这样的机器人没有意识 ！根据以上的讨论我觉得许多高等动物都能产生意识，只是与人相比它们的更简单，更不完 善罢了。我觉得动物或人的意识就是对环境及自身状态的感知及感知内容与其大脑主要的记 忆内容集合的直接或间接联系。 |
| 来自：DarwinZhang, 时间：2003-1-20 11:02:00, ID：1590273 |
| 但是一定是基于可分辨的感觉的——即有被“建立”的可能。 是的，我们的一切最初知识都是来源于感觉，“眼、耳、鼻、舌、身”和其他一些感觉器官。 问题是这个抽象联系是如何在确少实证的情况下才建立起来，我好象现在一点想法都没有。 |
下面的内容节选自《认知过程的评估——智力的PASS理论》，华东师范大学出版社出版。
人类的认知加工包括三个相互协调的机能系统或单元。第一个机能单元负责调节皮层的状
态和维持注意；第二个机能单元是使同时性和继时性信息编码接受、加工和存储信息；第三
个机能单元负责制定、调节和控制心理活动。
第一机能单元是人类心理过程的基础，因为它维持了一种合适的唤醒状态或者说皮层唤醒
状态。只有达到合适的觉醒状态，个体才能接受和加工信息。
若皮层唤醒状态适宜，就可能产生两种常见类型的注意：选择性注意和分配性注意。前者
的任务要求主体关注有关刺激或对有关刺激做出反应，而忽视无关刺激；后者的任务是测量
在不降低效率的情况下同时对不同活动进行操作的程度。
第二机能单元与个体接受、加工、维持来自外部世界的信息有关。有证据表明，信息加工
可以被分为两种基本类型：同时性加工过程和继时性加工过程。
同时性加工包括将刺激整合成集合，或是针对有共同特性的许多刺激进行再认。它的基础
是刺激的各个成分之间是相互关联的（即可以加以概括观察的）。
继时性加工往往涉及将刺激整合成特定的系列，使各成分形成一种链状结构。它的关键特
征是各成分之间呈顺序排列，但没有可概括观察性。
第三机能单元要求个体形成行动的计划、执行并证明计划的有效性。它同时也负责诸如刺
激控制、有意动作的协调和言语功能。戴斯和阿尔林认为，计划是人类智力的最本质之处，
因为它涉及到提出新问题、解决问题和自我监控以及应用信息编码过程的能力。
计划的产生、选择和执行是计划过程的三个主要方面。
所有的认知过程都在知识基础这一背景中运行，接受和加工信息以及输出的程序化都是在
知识基础上进行的。知识基础包括通过正式和非正式的方式积累起来的信息。正式的知识是
指通过教学和阅读获得的信息；非正式的知识是通过个体的经验获得的。
PASS模型的三个机能单元彼此之间有一种动态联系，在这种动态联系中，它们对个体的经
验做出反应，服从与发展的变化，并形成相互联系的系统。
第三章 注意
影响唤醒的来源有三个：1.由下丘脑调节的个体物质代谢过程；2.当刺激是新异的、强烈
的和令人困惑的时候，由这些刺激引起的定向反应；3.来自于意愿的、计划的和其它产生于
额叶的思想等内部刺激源。其中第二和第三种来源与注意的关系最密切。
对目前任务的注意在高噪音或焦虑水平下会增强，但过高的噪音水平会使注意水平降低。
长时间的持续注意会降低唤醒，使个体感到困倦。
唤醒是一种当时的活动状态。在进行心理活动时，我们需要更多的唤醒。它是一般性的，
而不是一种特殊的警觉状态。相反，注意是具体的。
如果不止一个信息同时到达，未被注意到的信息保持在短时记忆中，而被注意到的那个信
息则立即被传送。
布罗得本特将注意、记忆和感知纳入一个理论框架之内，提出了一个“极简单模型”——
一个含有四个分支的十字形。四个分支分别是感觉记忆库、动作输出库、工作记忆库和长时
联想库。
唤醒、注意和努力是相互关联的。
维持性注意指对单一信息源在连续的一段时间内的注意保持。警觉是一种对在环境中随机
产生的某种细小的变化作出反应和觉察的准备状态。相比较而言，警觉有更快的速率。
选择性注意既可以集中也可以分配。在集中注意中，要求个体注意一个信息或一类信息而
排除其它信息；而在分配注意中，个体要求对两个或更多的信息或多类信息或心理操作进行
时间分配。
尽管注意任务有许多类型，但它们都是测试三个相互区别的成分——选择性、抵制分心和
改换策略。
选择性注意肯定了两个关键概念：1.选择过程；2.心理努力不同程度的付出。
选择过程有两种不同的方式来决定：1.由自上而下的内部加工来决定，它包括个体对将要
注意到的刺激的最初态度这样的内部状态。2.由自下而上的外部加工来决定，例如刺激的强
度和大小特性，它们是注意的决定性因素。
与自动注意相对的是受控制的注意，它必然是选择性的。它运用于长期记忆中。
定向反应（OR）是注意的基本单元，注意是学习和更高水平的认知功能的先决条件。
定向反应有两个特征：1.它是对新奇刺激最初的一般反应。非特定的定向反应就是唤醒反
应。2.它会成为习惯。也就是说，重复呈现刺激会使定向反应消失。
定向反应的引发本身是一种对差异与新奇的反应，它的减弱或消失是选择性抑制的标志。
在定向反应的基本模型中，注意的基本成分是过滤和扩充的功能。
定向反应本质上是一种选择性注意。
注意系统的五个特征：
1.注意具有选择性；
2.注意具有稳定性；
3.注意的转移是必要的；
4.在集中注意之前，对一个宽广范围内的刺激加以观察是重要的；
5.个体对某些刺激具有特殊的敏感性。
第四章 信息的编码
在加工系统中，新输入的信息被接受，与储存在知识库中的原有知识联合起来，根据原有
的知识和操作计划进行转化，存储起来以备后用。
当我们用已知的信息去解释新的或输入的信息时，编码就发生了。编码的产生是我们拥有
的知识基础与我们对当前任务所作努力这两者所决定的。
编码的三个主要方面是：编码的程度、编码的内容和编码的类型。
越是复杂的编码，要求的原有知识越多，也可能要用更大的意识努力，但结果会记得更牢
固长久，因为需要记住的独立的信息量较少。
加工过程总是在计划控制下发生的，即使这一计划是很简单的或不需要有意识参与而习惯
化了的。
理解操作的一个关键概念是自动性。自动化的操作就是不需要任何意识努力而产生的操作。
如果一个操作不是自动化的，那么它必然有意识或注意的参与，这样将会限制我们给予其它
任务所需要的意识或注意。
表征和操作这两个加工过程总是同时发生，并且相互依赖、密不可分的。操作通常依赖于
它们所操作的表征的性质，通常会产生新的表征。操作描述的是编码的行为，而表征描述的
是编码的结果。
短时记忆（STM）被看作是一种相对被动的、对我们所思考的或所意识到的东西的暂时的
存贮；在短时记忆中的信息如果不对之进行进一步的加工，它就会消失。
长时记忆（LTM）是对我们所知道的东西的永久存储。长时记忆构成我们的知识基础，输
入的信息以其初始的表征进入加工过程后与长时记忆中的知识相匹配。
短时记忆现在被认为是由初级的（primary memory）和工作的（working memory）记忆构
成。初级记忆中编码的信息是非常短暂易逝的，除非信息进入工作记忆或被传送到长期记忆
中。
工作记忆为我们提供了暂时的知识基础，即一组当前活动的信息。
存储在STM和LTM中的记忆又可分为情节性记忆（episodic memory）和语义性记忆（seman-
tic memory）。前者具有个人性和历史性的性质（如次序、时间、地点等）。后者是指对单
词或者事件的意义，以及它们之间所有丰富的相互联结的记忆。
三个具有重要意义的编码维度：编码水平、编码内容和编码类型。
编码水平与要求予以表征的编码数量有关。
更高一级水平的编码更加依赖于低一级水平信息的抽象和参照。更高级的水平也更多地依
赖知识基础中已有的信息，而较少依赖刚输入的原始信息。低水平的编码通常是自动化的，
没有意识努力的，而较高水平的编码则需要更多的努力。
两个最重要的编码内容类型是言语编码和空间编码。
两种主要的编码类型：同时性编码和继时性编码。在同时性编码或加工过程中，输入信息
片段之间的关系成为一个单一的或整合的编码。
同时性编码具有如下特征：
1.信息的片段之间必须具有某种关系。
2.这种关系或发现这一关系的基础知识必须存在于长期记忆中。
3.编码的结果是一个整体单元，只占据工作记忆的一个空间。
4.编码的各部分——即最初引起编码的信息——在同时性编码之后不必保留其原来的顺序。
5.一些最初编码得来的信息可能会丢失。
同时性编码涉及到把一组有序的信息形成一个单一的编码，而继时性编码要产生并保留这
组有序的信息。在继时性编码中，信息按序列输入，但它们可能是也可能不是按顺序列呈现
的。存在于信息中的被发现的关系是一种序列的或时间性的关系。
继时性编码的关键特征如下：
1.只要知觉序列性关系。
2.最初产生的继时性编码与编码中的各单元在工作记忆中所占据的空间一样多。
3.随着练习与过度学习，编码中的序列联系可达到自动化程度。此时，可以毫不费力的产生
一个整体序列，于是占据工作记忆的空间就较小了。
4.项目的次序与序列是很关键的。
两种加工都发生在工作记忆中，其加工结果——同时性和继时性编码都贮存在长时记忆中。
同时性编码和继时性编码是相互补充的；继时性编码的部分单元本身属于低水平上的同时
性编码，而继时性编码的单元是下一步更高一级水平上的同时性编码的基础。在大多数任务
中，可以看到两种编码的循环参与。
编码具有能力、策略以及风格三个方面的内容。
识别模式的技能可以通过训练来提高。能力因素可表现为两个方面，即知识方面和技能方
面。前者所关心的是，你是否知道一个特定的模式；后者关心的是，你怎样更好的找到你所
知道的模式。
“能力”是指一种达到相对稳定水平的完成任务的能力；随后的事件都可能引起这一能力
水平的改变。
编码也明显的有策略的成分。特定的策略决定了应该使用哪一类编码以及用任务的哪些方
面，因而这种编码类型更有可能成功的完成任务。策略也有知识方面和技能方面。与能力不
同，策略可能较快的被改变。
编码也具有风格的成分。风格就是一种处理某类任务或外部世界的一般的习惯的方式。许
多认知或学习风格可以部分的用它们所依赖的编码类型来表示其特征。
同时性加工和继时性加工是由能力和策略所决定的基本加工过程。
测量继时性编码的目标是为了评价个体以特定的顺序保持信息的技能。
在评估继时性编码时，关键一点是要保证清晰地呈现给被试的项目之间的联系是时间性的
或有序的。
评估同时性编码的目标是要测量人们连接和整合离散的片段信息的能力——即把两个或两
个以上的信息片断加工为一个片断。
第五章 计划
计划在高级水平的认知活动，如问题解决中，起关键作用；策略、计划和执行功能常用来
描述问题解决行为。计划功能的障碍只与额叶，尤其是与前额叶的损伤有关。
计划包括对行为的规划、调整和检验。计划是个体为解决问题、达到目标而使用和修改的
一组决策或策略。计划是指对行为程序进行非常规选择的过程，这一过程也成为监控注意系
统。计划指导行为，抵御分心并使行为不致中断。计划的最大特点是有目的性。计划调节行
为，可能通过内部语言来实现调节。
计划的特点在于它的灵活性，在于它能对别人的和自己的行动、对失败和成功作出评价。
意识是评价感觉信息的能力，是用批判的思维和行动对感觉信息作出反应，并保持记忆痕
迹，以便将来可使用这些痕迹或动作的能力。意识与语言紧密的相联系。正是在言语的基础
上，个体自己行动调节的复杂过程才得以形成。
目标导向活动的三个特征：1.信息的再编码；2.通过选择适当的反应和抑制干扰的反应而
形成行动程序；3.行动结果与原初意图进行比较。这些就是有意识活动的标志性特征。有意
识活动受个体控制，并且是在言语过程的直接参与下进行的。
鲁尼亚写道：人类的中枢神经系统（CNS）实际上是一个“概念神经系统”，它的基本任
务是精心进行某些内部编码，在对人类自己行为加以调节和控制时执行某种计划和程序。
问题：人们如何接受信息、编码、贮存和记住信息，如何转换内部知识状态，如何作出决
策并将决定变为行动。
表象是由集体关于自身和世界所有累积的和组织起来的知识。它包括个体学到的所有事物
——有已获得的概念、表象或关系等组织起来的价值和事实。
任何一个完整的行为描述应该足够形成一套指令：即它应该具有能指导该行为的计划特性。
计划指的是一组有层级的指令。计划是有机体内有等级层次的过程，它能控制被执行的连续
操作的顺序。
搜索为问题解决中所包含的所有加工过程提供一个模型。搜索包括进行辨别或觉察；也包
括进行选择且与探索替代物有关，尽管这种探索不总是彻底的或成系统的。对发现问题和证
明问题要加以区别。证明问题的模式与搜索模式并不明显的吻合。证明问题需要进行预测。
当我们在建立一个可以预测结果的假设时，我们也就是在建立一个适当的表象，而不是正
实施一个计划。建构更好的表象涉及到评估与判断，而计划的实施——它促使某些外显的活
动——是与建立表象有区别的。
当个体面临问题时，他们和能做三件事情：1.将问题形式化为一个搜索抽象空间的问题，
使用特定的能将一个问题空间移向另外一个问题空间的算符来搜索问题的抽样空间。2.执行
一种手段——目的分析，即在确定目标与情景下，去发现它们之间的差别，从知识库中提取
与减少这一差异有关的算符。重复这个过程指导情景与目标一致。3.并不同时寻找多种解决
方法，相反，他们通常只囿于一种解法，使之逐渐深入下去。只有当这种解法不成功时，才
去寻找另一个解法，然后对问题进行继续探索。
计划的一个关键成分是元认知，它是对认知加工的意识和有关认知加工的知识。
元认知与动机有根本上的联系：只有当策略与一个目的或一种需要相联系时，才会变得有
效。
当有多种指导行动的条件存在，使一个人难以知道那个条件是最重要的条件的时候，言语
与行动的分离就会产生。言语知识与计划任务中有效的操作不是一回事，只有在一定的条件
下，言语知识才能反映个体所执行的行动。
在任何情况下，创造性工作都不受预先构思的观念和设置的程序的约束，否则机器也能做
创造性的工作。在此创造性工作中，我们从一个计划或行动程序开始，但以后一切都是可变
通的。
自动的行为也不能用有意识的言语表示，但在其基本方面上不同于受控制的行为和过程
——它们不要求更多的努力，也不受主体的控制。