1701067332
1701067333
最后再来看看下面的问题：
1701067334
1701067335
abckji⇒?abd
1701067336
1701067337
xyz⇒?
1701067338
1701067339
粗一看这个问题似乎与前面的ijk那个问题一样，可是有一个问题：z没有后继字母。大多数人的答案是xya，但是在侯世达的微型世界中，字母表不是循环的，因此这个答案不成立。这个问题陷入了僵局，进行类比的人需要重新审视他们最初的观点，可能需要原来没有考虑过的概念迁移，从而发现一种不同的方式来对问题进行理解。
1701067340
1701067341
人们对这个问题有各种答案，包括xy（“干脆将z去掉”），xyd（“将最右边的字母用d替换”；由于问题不寻常，这个答案虽然不那么严格，但是比前面的ijd要合理），xyy（“如果不能用z的后一个字母，那么就不如用它的前一个字母”），等等。然而有些人却似乎有天才般的洞察力，对这个问题能另辟蹊径。其中关键是注意到abc与xyz互为“镜像”——xyz位于字母表的末端，而abc则位于前端。因此xyz中的z可以看作与abc中的a对应，很自然的x就与c对应。在这种对应背后是一组平行的概念迁移：字母表头kji⇒?字母表尾，最左kji⇒?最右，后继kji⇒?前继。这些迁移合在一起，就将最初的规则变成了适用于xyz的规则：“将最左边的字母用其前一个字母替换”。从而得出很让人吃惊却又很有说服力的答案：wyz。
1701067342
1701067343
现在应该很清楚了，要在这个微型世界中进行类比，同在现实世界中一样，关键就是我所说的概念迁移。根据当前的背景找到合适的概念迁移对于找到好的类比极为重要。
1701067344
1701067346
模仿者
1701067347
1701067348
侯世达给我制订的计划是编写出能在字母串世界中进行类比的计算机程序，程序采用的机制要与人类进行类比的机制基本类似。他还为这个尚未存在的程序起了个名字：“模仿者（Copycat）”。其中的思想是，类比是一种形式很微妙的模仿——例如，模仿abc转变成abd的方式，根据ijk自身的相关概念对其进行变化。因此这个程序是一位聪明而且富有创意的模仿者。
1701067349
1701067350
1984年夏天，我在MIT研究这个课题。到秋天，侯世达转到了位于安阿伯市（Ann Arbor）的密歇根大学任教。我也跟着过去了，在那里攻读博士学位。我与侯世达一起花了近6年时间编写他构想的这个程序——当然，魔鬼藏在细节之中。终于，我们写出了能在微型世界中进行类似于人类的类比的程序，我也获得了博士学位。
1701067351
1701067353
如何做到
1701067354
1701067355
要想成为一个具有智能的模仿者，你首先必须理解你所“模仿的”对象、事件或情景。如果所面临的情景具有很多组成部分，各部分之间又有各种潜在的关系，比如一个视觉场景、一个朋友的故事或是一个科学问题，人（或者一个计算机程序）应该如何处理理解情景的大量可能方式以及与其他情景可能的相似性呢？
1701067356
1701067357
下面是两种相反的策略，都是不合理的：
1701067358
1701067359
1.有些可能性先天就被绝对排除。例如，在扫描mrrjjj之后，列出一系列可能的概念（比如字母、字母组合、后继、前继、最右等等），然后严格限定于此。显然，这个策略的缺点是放弃了灵活性。一些与问题的关联不那么明显的概念可能后来发现是关键性的。
1701067360
1701067361
2.所有可能性都是平等的，处理的难度也是一样的，因此可以穷尽搜索所有可能的概念和关系。这种策略的问题是在现实世界中有着太多的可能性，甚至事先不知道对于给定情形有哪些可能的概念。如果你的发动机发出不太正常的突突声，你的汽车无法发动，你可能会认为有两种原因，可能性一样，（a）皮带从轴承上脱落了，或者（b）皮带老化，断了。如果没什么特别的原因你就认为还有一种同等的可能性是你的邻居偷偷把你的皮带剪了，那你是有点妄想迫害症。如果你还认为有种同等的可能性是组成皮带的原子通过量子隧道进入了另一个平行宇宙，那你是科学狂人。如果你不断想出各种各样同等的可能性，那……正常人的头脑是没法做到的。不过，也许你刚好就有一个恶毒的邻居，量子隧道的可能性也不能完全排除，说不定你还会因此获得诺贝尔奖，这些可能性都是存在的。
1701067362
1701067363
所有可能性都有可能存在，但问题的关键是它们的可能性不是对等的。不符合直觉的可能性（例如，你恶毒的邻居、量子隧道等等）确实有可能，但必须有明确的原因才会被加以考虑（例如，你听说过你邻居的恶行；你刚好在你的车上安装了一台量子隧道机器；其他可能性被发现是错误的）。
1701067364
1701067365
大自然在许多例子中都找到了探索性策略来解决这个问题。例如，在第12章我们看到蚁群搜索食物的方式：通往最佳食物源的最短路径会具有最强烈的信息素气味，沿路径行进的蚂蚁越来越多。然而，无论何时，还是会有一些蚂蚁沿着气味较弱、可能性不大的路径前进，也有一些蚂蚁仍然会随意搜寻，这样就有可能发现新的食物源。
1701067366
1701067367
这是一个在搜索和开发之间进行平衡的例子，在第12章曾提到过这一点。如果收益很可观，就必须根据估计的收益以一定的速度和强度进行开发，并不断根据新的情况加以调整。但无论何时都不停止对新的可能性的探索。问题是如何根据最新的信息为各种可能动态分配有限的资源——蚂蚁、淋巴细胞、酶或者思维。蚁群的解决方案是让大部分蚂蚁采取两种策略的组合：不断随机搜索与简单地跟随信息素轨迹并沿途留下更多信息素的反馈机制相结合。
1701067368
1701067369
免疫系统在探索和开发之间似乎也保持着几乎最优的平衡。在第12章我们看到免疫系统利用随机性获得了对遇到的任何病原体做出反应的潜力。一旦抗原激活了某个B细胞，触发了这种细胞的增殖，潜力就会被释放出来，繁殖出的抗体会增加针对这种抗原的特异性。因此免疫系统对所发现的抗原信息进行开发的方式就是分配大量资源来对抗目前发现的抗原。但是它仍然会保有大量不同的B细胞，以继续探索其他可能性。同蚁群一样，免疫系统也是将随机性同基于反馈的高度导向行为结合在一起。
1701067370
1701067371
侯世达提出了一种探索不确定环境的方案，“并行级差扫描”，在第12章我曾提到过。根据这个方案，许多可能性被并行地进行探索，用获得的最新信息不断对各种可能性的收益进行估计，并根据反馈分配资源。同蚁群和免疫系统一样，所有可能性都有可能被探索，但是在同一时刻只有部分被探索，并且分配的资源也不一样多。当人（或蚁群，或免疫系统）对所面临的情形只有很少的信息时，对各种可能性的探索开始时非常随机、高度并行（同时考虑许多可能性）和分散：没有理由要特别考虑某种可能性。随着获得的信息越来越多，探索逐渐变得集中（增加的资源集中于少数可能性）和确定：确实有收益的可能性会被开发。同蚁群和免疫系统一样，在模仿者（copycat）中，这种探索策略也是通过简单个体的大量互动涌现出来。
1701067372
1701067374
模仿者程序
1701067375
1701067376
模仿者的任务是用其拥有的概念在某个问题的三个未经处理的字符串之上建构认知结构：对对象的描述、相同字符串中对象的关联、字符串中对象的分组以及不同字符串中对象的对应关系。程序建立的结构代表其对问题的理解，让它可以得出一个答案。对于每个问题，程序的初始状态都是一样的，拥有的概念集也完全一样，因此概念必须具有适应性，根据其相互之间的关联以及不同问题的情形进行适应。面对问题时，建立起对情形的表示之后，联想就会产生出来，并且被视为各种可能性，并行级差扫描以并行的方式对理解情形的各种可能途径进行检验，并根据当前对各种可能性的收益评估决定对其检验的速度和深度。
1701067377
1701067378
模仿者对字符串类比问题的解答涉及以下这些模块的互动：
1701067379
1701067380
◆移位网（Slipnet）：概念组成的网络，包含一个中心节点，周围围绕着可能的联想和移位。图13.2中给出了程序最新版中一些概念和关系的图。移位网中每个节点都有一个动态的活性值，表示目前认识到的其与正在处理的类比问题的关联性，这个值随着程序的运行不断调整。活性值会向相邻概念扩散，并且如果得不到加强就会衰减。每条连线有一个动态的阻抗值，表示其目前对移位的阻力。这个值也随着程序运行不断变化。连线的阻抗值与对应节点的活性值呈反比。例如，当反向活性很高时，由反向连线相连的节点（如后继和前继）的移位阻抗值就很低，从而增加移位的可能性。
1701067381
[
上一页 ]
[ :1.701067332e+09 ]
[
下一页 ]