16-4 类比(AGI基础理论)

《智能的理论》全书转至目录****

不同AGI的研究路线对比简化版:《AGI(具身智能)路线对比》,欢迎各位参与讨论、批评或建议。

一.定义

类比推理,即根据两个对象在某些属性上以及关系(结构)上的相同,通过比较而推断出它们在其他属性上也相同的推理过程。当仅比较属性上的相同时,其形式是:

前提

对象(类别)A有属性 a、b、c、d,

对象(类别)B有属性 a、b、c。

结论

对象(类别)B有属性 d。

一个例子是,一个认识已久的朋友,他有如下特点:外向的、聪明的、友善的、幽默的、善于交际的且有很多朋友。当认识到一个新朋友,他外向的、聪明的、友善的、幽默的、善于交际,那么根据类比推理,可得出他也有很多朋友。类比推理是归纳推理的一种,对结论是不保真的。比如在这个例子中,可能由于工作环境等原因,他的朋友可能并不多。

当关系(结构)参与到类比推理中时,根据斯滕伯格的类比推理成分理论,推理的形式是"A:B::C:(D?)"。在类比推理过程中,首先将类比问题转换成心理表征,并储存在工作记忆以便在后面能够对其进行心理操作;其次是对A 项目和B项目间关系的推导;再次是在A项目和C项目间发现连接并建立关系;最后是是将 A与B的结构关系投射到目标问题C与D之间,以便推出合适的D项目。例如,在类比推理"小鸟:羽毛::鱼:(?)"中,小鸟对羽毛,两个项目之间的关系是"覆盖",如果将小鸟与鱼进行连接,那么覆盖鱼的就是鳞片,即"小鸟:羽毛::鱼:鳞片"。

在现实的类别推理当中,通常会同时使用到属性、关系和结构上的比较。

二.相似性

如果两个对象之间能发生类比,那么他们之间必然存在一定的相似性(正如类别A和类别B在a、b和c方面是相似的)。相似性可以分为三类,表面相似性、关系相似性和结构相似性(Robertson,2001)。

1.表面相似性

语义层次系统是表面相似的一个类型。比如"汽车"和"卡车"同属于陆地交替工具,"飞机"和"直升机"同属航空交通工具,"渡船"和"油船"同属水上交通工具。而它们都有共同的上位概念"交通工具",如图1。两个对象在层次系统中的路径越短,它们之间就越相似性。汽车到卡车的路径长度为2,汽车到飞机的路径长度为4。而相比飞机,卡车更像汽车。

图1

特征相似是另一种表面相似性。想象一个情景,你正在野餐,发现自己有一瓶酒,却没有开瓶器,这时碰巧口袋里有一枚钥匙,你可能会意识到用钥匙开瓶子。钥匙和开瓶器是两类不同的对象,也有较远的路径距离,但是它们之间存在一定的相似性,都是:硬的、长的、一头是薄的细的。这正对它们相似特征的聚焦,使问题得以解决。特征属于一元关系,与事物在一起可以表示为"薄的细的(钥匙的一头)"、"硬的(钥匙)"、"硬的(开瓶器)"...,它们之间的类比可以形式化表示如例1。

例1

因为

薄的细的(开瓶器) 薄的细的(钥匙的一头)

硬的(开瓶器) 硬的(钥匙)

长的(开瓶器) 长度(钥匙)

能开瓶(开瓶器) ?

因此

能开瓶(钥匙)

注:一元关系"能开瓶()"也能表示为一个二元关系"能开(,瓶)"

2.关系相似性(低级关系)

表面相似是单个对象之间相似。关系相似是两个或以上对象的关系的相似。如例2。

例2

(a)2和4"与"6和8"的共同关系是"后者比前者大2"。它们之间是因为该共同关系而相似。该相似关系可以表示为:

"后者比前者大2(2,4)"与"后者比前者大2(6,8)"。

(b)"特征相反(热,冷)"与"特征相反(干燥,潮湿)"。

(c)"吃(猫,老鼠)"与"吃(老鼠,大米)"。

(d)还有一种复杂的关系类比,如"叔叔和侄子"与"阿姨和侄女"。它们的相似关系可以表示如下:

长辈(叔叔,侄子) 长辈(阿姨,侄女)

同性别(叔叔,侄子) 与 同性别(叔叔,侄子)

兄弟姐妹的后辈(叔叔,侄子) 兄弟姐妹的后辈(叔叔,侄子)

我们在比较两个对象的相似性时(表面相似性),实际上是把它们分成很多不同的要素来比较(Tversky,1997)。比如,苹果和橘子分别作为一个整体时,它们是不可比较的,如果把它们分解成不同属性,一些属性上它们是相似的,如大小、形状、营养价值;一些属性上它们是不同的,如纹理、味道、颜色,这时它们就可以比较了。评价关系相似性也一样,当关系可以分解成许多基本要素,它们的比较会更容易发生,一些要素相同,一些要素不同,从而产生关系相似。

关系要素理论认为,关系可以分解为一种或多种要素。Bejar等人(Bejar,Chafn和Embretson,1991)区分了包含关系和部分关系。包含关系,指某一实体在另一实体之内,它是一种空间关系,如"牛奶在瓶子内"。该关系只有"...包含..."这一种要素。而部分关系,指某一实体是另一实体的一部分,它除了拥有"部分与整体是相连的"这一要素,还包括要素"...包含..."。因此,例3(a)的推理成立,而例(b)的推理不成立。

例3

前提1:车轮是自行车的一部分。(部分关系)

(a)前提2:自行车在车库里。(包含关系)

结论:车轮在车库里。 ✓

(b)前提2:车轮在车库里。(包含关系)

结论:自行车在车库里。 ✕

3.结构相似性(高级关系)

关系相似指,对象之间的关系的相似。结构相似指的是关系之间的关系的相似,如例4。Gentner(1983)将类比的层次分成了不同级别。其中关于对象的表面特征就是0级关系;对象之间的关系就是1级关系;关系之间的关系,即结构,就是2级关系。当然,也存在更高级的结构,如3级关系、4级关系...。

例4

句:因为军队进攻了城堡,所以城堡向军队投降了。

该例句可形式化为"原因[进攻(军队,城堡),投降(城堡,军队)]"。

其中"原因[,]"为结构,它将关系"进攻(,)"和关系"投降(,)"联系起来。

三.类比的影响因素

1.特征相似性(Sloman,2003)

该论认为,源类比物和目标类比物越相似,或者说两者之间拥有更大的特征交集,发生类比推理的倾向就越强。例如,源类比物C的特征为a、b、c、d;目标类比物A的特征包括a、b、c,目标类比物B的特征为a、b。问:A和B那个更可能拥有特征d。因为A与C拥有更大的特征交集,因此A更可能用有拥有特征d。

2.因果

(1)描述

因果关系对归纳推理也起到了重要作用(Hayes和Thompson,2007)。人们会将源类比物中的因果关系迁移到目标类比物从而运用因果关系对目标类比物的未知特征进行推断。如下,当源类比物A具有因果关系(X导致Z),而目标类比物 B中没有因果关系, 但具有原因特征(X)时,人们会将源类比物中的因果关系迁移到目标类比物中,从而推断出目标类比物中也具有结果特征(Z),其形式是:

前提

动物 A 具有特征X、W、Z;

对于动物A,特征X导致了特征Z的生成,

动物B 具有特征 X、W、Y。

结论

所以,动物B也具有特征Z。

如下例5,源刺激为两种人工动物Waddo和Hoxney,它们各有三个特征。其中特征A与X存在因果关系(因为有大肺,所以能在水下呆很长时间),特征C与Y间存在因果关系(因为头大,所以记忆力较好)。现在给出目标刺激的两个特征,并需要被试推理目标刺激的第三个刺激。这个实验的目的在于考察因果关系与特征相似性相冲突时被试的选择。若被试是基于因果关系进行类比推理(因为有大肺,所以能在水下呆很长时间),那么被试应该会选择X;相反,若被试是基于特征相似性,那么被试会在X和Y中随机选择(A对应X,D对应Y)。结果显示,更多被试选择特征X,说明被试更倾向于按照因果关系进行类比推理。

例5

源刺激

Waddo Hoxney

特征A(大肺) 特征C(大头)

特征B(夜间活动) 特征D(黑条纹)

特征X(在水下能呆很长时间) 特征Y(好的记忆力)

目标刺激

特征A(大肺) 特征D(黑条纹)

推理任务:你认为目标动物最可能有特征X还是特征Y?

(2)关于特征相似性与因果关系的类比推理的分析(王婷婷,莫雷,2010)

Lee和Holyoak(2007)认为,当类比物中存在可利用的因果关系时,人们会建构因果模型来进行类比推理。研究者将因果模型中的"原因"分为两种:生成性原因和阻止性原因。生成性原因是指,能够增加结果出现可能性的原因;阻止性原因是指,能够减少结果出现可能性的原因。如图2,源类比物具有四个特征:G1,G2,P和E。其中,G1,G2,P为原因特征,E为结果特征。G1,G2表示生成性原因,P表示阻止性原因。目标类比物A具有三个特征(G1,G2,P),目标类比物B具有两个特征(G1,G2)。问:对于相同的源类比物,A与B哪个更有可能推理出结果特征E?如果按照特征相似性理论,因为A与源类比物拥有更多相同特征,所以A更有可能拥有特征E。而如果按照因果关系,因为B没有了阻止性原因P的阻碍作用,所以B更有可能推理出结果特征E。显然,从理性的角度看,因果关系要比特征相似性更优。

图2

相关推荐
电子科技圈43 分钟前
SmartDV展示完整的边缘与连接IP解决方案,以高速和低功耗特性赋能移动、物联网和媒体处理设备创新
人工智能·嵌入式硬件·mcu·物联网·智能家居·智能硬件·iot
Rubin智造社1 小时前
04月17日AI每日参考:Claude Opus 4.7正式发布,智元机器人大会今日开幕
大数据·人工智能·机器学习·claude code·智元机器人·deepseek v4·claude opus 4.7
Raink老师8 小时前
【AI面试临阵磨枪】详细解释 Transformer 架构的核心组件与工作流程。
人工智能·深度学习·transformer·ai 面试·ai 应用开发
qcx238 小时前
【AI Agent实战】OpenClaw 安全加固完全指南:安全攻击手段与五步防护实践(2026最新)
人工智能·安全
码农小白AI9 小时前
AI报告审核进入技术驱动时代:IACheck如何从规则引擎走向深度学习,构建检测报告审核“技术矩阵”
人工智能·深度学习
song150265372989 小时前
视觉检测设备:自动识别缺陷、尺寸、瑕疵、装配错误,一键全检
人工智能·计算机视觉·视觉检测
智能化咨询9 小时前
(163页PPT)某著名企业K3生产制造售前营销指导方案P164(附下载方式)
大数据·人工智能
Zzj_tju9 小时前
大语言模型技术指南:SFT、RLHF、DPO 怎么串起来?对齐训练与关键参数详解
人工智能·深度学习·语言模型
金智维科技官方9 小时前
RPA技术赋能电信运营商话单稽核:金智维如何驱动高精度自动化转型
人工智能·自动化·数字化·rpa·智能体·电信
2501_948114249 小时前
2026模型能力分化加剧:多模型聚合架构的技术解析与工程落地思考
人工智能·ai·chatgpt·架构