第二十二篇　Experience

第70章　Learning

第69章定义了 Experience。

Experience 解决的是：

过去发生过什么？

第70章的 Learning 进一步解决：

从这些信息和经历中，获得了什么新的知识，以及这些知识如何更新 SAI 的能力资源？

在 SAI 中，Learning 不是简单地“把数据存起来”，也不是简单地“记住经验”。

其核心过程是：

Information
    ↓
Perception
    ↓
Cognition
    ↓
Memory
    ↓
Feedback
    ↓
Experience
    ↓
Learning
    ↓
Knowledge
    ↓
Ability
    ↓
Memory Update

因此：

Learning 是 SAI 对新获得的信息、反馈、经验和已有记忆进行整理、比较、验证和更新，从而获得或修正知识与能力资源的过程。

1. Learning 定义

Learning 是 SAI 从外部信息、内部反馈、历史经验和已有记忆中获取、整理、验证并更新知识资源的过程。

基本模型：

Learning
=
Input
+
Comparison
+
Validation
+
Extraction
+
Knowledge Update
+
Memory Update

更完整地表示：

Information
+
Feedback
+
Experience
+
Memory
        ↓
     Learning
        ↓
     Knowledge
        ↓
      Ability

Learning 的最终结果不是简单增加一条数据，而是可能产生：

新知识
新事实
新关系
新规则
新经验
知识修正
知识失效
能力更新
记忆更新

因此：

Learning ≠ Storage
Learning ≠ Memory
Learning ≠ Experience
Learning ≠ Knowledge

它们之间是不同层次。

2. Learning 输入

Learning 需要输入。

主要输入包括：

Feedback
Experience
Knowledge
Memory
Information

可以形成：

             Learning Input
                  │
       ┌──────────┼──────────┐
       ↓          ↓          ↓
   Feedback   Experience   Memory
       │          │          │
       └──────────┼──────────┘
                  ↓
              Learning
                  ↓
              Knowledge
                  ↓
               Ability

同时，新的 Information 也可以直接进入 Learning 流程：

External Information
        ↓
Perception
        ↓
Cognition
        ↓
Learning

Learning 输入的作用

Information

提供新的外部信息。

Information → Learning

Feedback

提供行为执行后的结果。

Action → Feedback → Learning

Experience

提供完整的历史经历。

Condition
→ Action
→ Result
→ Feedback
→ Experience

Memory

提供已有认知资源。

Old Memory + New Information
        ↓
      Learning

Knowledge

提供已有知识，用于比较和更新。

Old Knowledge
      +
New Experience
      ↓
Learning
      ↓
Updated Knowledge

3. Feedback

Feedback 是 Learning 的重要输入之一。

第68章已经定义：

Action
 ↓
Result
 ↓
Feedback

Feedback 告诉 SAI：

刚才实际发生了什么。

例如：

Action:
Fan_A.powerOn

反馈：

Feedback
{
    state: "SUCCESS",
    temperature_before: 32,
    temperature_after: 29
}

Learning 可以从中获得新的信息：

temperature = 32
    ↓
Fan_A.powerOn
    ↓
temperature = 29

但是：

一次 Feedback 本身不一定立即形成稳定知识。

需要进行：

Feedback
 ↓
Validation
 ↓
Comparison
 ↓
Experience
 ↓
Learning

如果反馈存在错误、异常或者信息不完整，则不能直接作为可靠知识更新。

4. Experience

Experience 是 Learning 最重要的历史输入之一。

第69章定义：

Experience
=
Condition
+
Action
+
Process
+
Result
+
Feedback

例如：

Experience
{
    condition:
    {
        temperature: 32
    },

    action:
    {
        device: "Fan_A",
        method: "powerOn"
    },

    result:
    {
        state: "ON"
    },

    feedback:
    {
        temperature: 29
    },

    outcome: "SUCCESS"
}

Learning 对 Experience 进行：

读取
 ↓
比较
 ↓
分类
 ↓
验证
 ↓
提取
 ↓
形成知识

如果只有一次：

32℃
→ 开风扇
→ 29℃

只能说明：

在这一次经历中出现了这样的结果。

如果存在多次相似经验：

32℃ → Fan ON → 29℃
31℃ → Fan ON → 28℃
33℃ → Fan ON → 30℃

那么 Learning 就可以发现更加稳定的关系。

例如：

temperature >= 30
        ↓
Fan_A.powerOn
        ↓
temperature tends to decrease

这里仍然需要根据实际数据和验证结果决定知识状态，而不能因为几次成功就直接认定为绝对规则。

5. Knowledge

Knowledge 是 Learning 形成和更新的重要资源。

第70章中的关系可以表示为：

Input
 ↓
Learning
 ↓
Knowledge

Knowledge 可以包括：

Fact
Relation
Rule
Condition
Object
Property
State
Method
Experience-derived Knowledge

例如：

Knowledge
{
    condition:
    {
        temperature: ">= 30"
    },

    action:
    {
        device: "Fan_A",
        method: "powerOn"
    },

    result:
    {
        expected: "temperature_reduction"
    },

    state: "ACTIVE"
}

Knowledge 与 Experience 的区别：

Experience
→ 过去发生过什么

Knowledge
→ 从已有信息和经验中形成的可使用知识资源

例如：

Experience:
32℃ → 开风扇 → 29℃

Knowledge:
高温条件下启动风扇可能降低温度

Knowledge 可以进一步进入：

Reasoning
Decision
Ability

6. Ability

Learning 的另一个重要结果是 Ability。

前面定义：

Knowledge 是能力资源，Ability 是能力应用。

因此 Learning 不应该简单地理解为：

Learning → Ability = 自动增加功能

而应该理解为：

Learning
 ↓
Knowledge Resource
 ↓
Ability Resource Update
 ↓
Ability Application

例如 SAI 原来只有：

Ability:
PowerControl

经过新的知识和设备信息学习后，发现：

Fan_A
支持：
PowerControl
SpeedControl

那么系统可以形成新的能力资源：

AbilityResource
{
    target: "Fan_A",
    ability: "SpeedControl",
    method: "setSpeed",
    state: "AVAILABLE"
}

以后：

Decision
 ↓
Ability Check
 ↓
setSpeed()
 ↓
Action

所以：

Knowledge → Ability Resource → Ability Application

需要明确：

Learning 获取和更新能力资源；Ability 的具体应用发生在行为和行动阶段。

7. Memory

Learning 与 Memory 是双向关系。

一方面：

Memory → Learning

Learning 需要读取已有记忆。

另一方面：

Learning → Memory

Learning 产生的新知识和更新结果需要重新保存。

形成：

Old Memory
     ↓
   Learning
     ↓
New Knowledge
     ↓
Memory Update

例如原有记忆：

FactMemory
{
    subject: "Fan_A",
    predicate: "speed",
    value: 1
}

新的设备反馈：

Fan_A.speed = 3

Learning 发现：

旧值 = 1
新值 = 3

经过验证后：

Memory Update

形成：

Fan_A.speed = 3

必要时保存历史：

History
{
    old_value: 1,
    new_value: 3,
    source: "DEVICE_FEEDBACK"
}

因此：

Memory
    ↓
提供历史依据

Learning
    ↓
判断和更新

Memory
    ↓
保存新的认知资源

8. Learning Result

Learning 完成之后，需要形成明确的 Learning Result。

不能仅仅返回：

SUCCESS

因为 Learning 可能产生不同类型的结果。

基本结构：

LearningResult
{
    id
    input
    type
    knowledge
    changes
    memory_update
    ability_update
    state
    source
    created_at
}

例如：

LearningResult
{
    id: "LR_1001",

    input:
    {
        experience: "EXP_1001"
    },

    type: "KNOWLEDGE_UPDATE",

    knowledge:
    {
        condition: "temperature >= 30",
        action: "Fan_A.powerOn",
        result: "temperature_reduction"
    },

    changes:
    [
        "new knowledge created"
    ],

    memory_update:
    {
        state: "UPDATED"
    },

    ability_update:
    {
        state: "UNCHANGED"
    },

    state: "SUCCESS",

    source: "EXPERIENCE"
}

Learning Result 状态

可以定义：

NEW
PROCESSING
SUCCESS
UPDATED
NO_CHANGE
UNCERTAIN
CONFLICT
FAILED
INVALID

例如：

新知识

state = SUCCESS

已有知识被修正

state = UPDATED

新信息没有产生变化

state = NO_CHANGE

信息不足

state = UNCERTAIN

与已有知识冲突

state = CONFLICT

输入无效

state = INVALID

这样 Learning 的结果是可追踪的。

9. Learning Update

Learning Update 是 Learning 的最终重要环节。

它负责把经过判断后的学习结果更新到：

Knowledge
Memory
Experience
Ability Resource

基本过程：

Learning Input
      ↓
Validation
      ↓
Comparison
      ↓
Evaluation
      ↓
Learning Result
      ↓
Update
      ├──→ Knowledge
      ├──→ Memory
      ├──→ Experience
      └──→ Ability Resource

Knowledge Update

例如原知识：

Fan_A
maximum_speed = 3

新的可靠设备信息：

maximum_speed = 5

经过验证：

Old Knowledge
      ↓
New Information
      ↓
Comparison
      ↓
Validation
      ↓
Knowledge Update

形成：

maximum_speed = 5

Memory Update

更新已有记忆：

Old:
Fan_A.speed = 1

New:
Fan_A.speed = 3

必要时保存历史：

1 → 3

因此：

Learning Update 不应该无条件覆盖旧信息。

应该先检查：

Source
Validity
Time
Conflict
State
Confidence

Ability Update

如果新的知识确认设备具备新的能力：

Device:
Fan_A

New Knowledge:
supports SpeedControl

可以更新：

AbilityResource
{
    target: "Fan_A",
    ability: "SpeedControl",
    state: "AVAILABLE"
}

以后 Decision 才能使用这个能力。

Experience Update

经验本身通常不应该被随意改写。

例如：

EXP_1001

记录的是过去真实发生过的一次经历。

如果后来发现该经验存在问题，更合理的处理是：

Experience
state = INVALID

或者：

Experience
state = CONFLICT

而不是直接删除历史。

因此：

Historical Experience
        ↓
Learning Evaluation
        ↓
Experience State Update

能够保留学习过程的可追踪性。

Learning 的完整运行模型

将本章全部内容连接起来：

             External Information
                    ↓
                Perception
                    ↓
                 Cognition
                    ↓
                  Memory
                    ↓
                Experience
                    ↑
                    │
Action → Result → Feedback
                    │
                    ↓
                 Learning
                    │
          ┌─────────┼─────────┐
          ↓         ↓         ↓
      Knowledge   Memory    Ability
          │         │         │
          └─────────┼─────────┘
                    ↓
                 Learning
                  Update
                    ↓
                 Reasoning
                    ↓
                 Decision
                    ↓
                 Behavior
                    ↓
                  Action

这里形成一个完整循环：

学习之前：
Information → Cognition → Action

学习之后：
Action → Feedback → Experience → Learning
                                  ↓
                           Knowledge Update
                                  ↓
                              New Reasoning
                                  ↓
                              New Decision

Learning 的核心边界

必须保持几个概念的清晰边界：

Memory
→ 保存

Experience
→ 经历

Learning
→ 获取、整理、验证、更新

Knowledge
→ 学习形成或更新后的知识资源

Ability
→ 知识和方法形成的可应用能力

因此：

Memory ≠ Learning
Experience ≠ Learning
Learning ≠ Knowledge
Knowledge ≠ Ability
Ability ≠ Action

它们形成的是连续关系：

Experience
    ↓
Learning
    ↓
Knowledge
    ↓
Ability
    ↓
Decision
    ↓
Action

本章核心模型

Feedback
    ↓
Experience
    ↓
Learning
    ↓
Knowledge
    ↓
Ability Resource
    ↓
Reasoning
    ↓
Decision
    ↓
Behavior
    ↓
Action
    ↓
Result
    ↓
Feedback

同时：

Memory
   ↕
Learning
   ↕
Knowledge

最终形成 SAI 的学习循环：

信息
 ↓
感知
 ↓
认知
 ↓
行为
 ↓
行动
 ↓
结果
 ↓
反馈
 ↓
经验
 ↓
学习
 ↓
知识更新
 ↓
能力资源更新
 ↓
记忆更新
 ↓
推理
 ↓
决策
 ↓
新的行为

本章核心定义

Learning 是 SAI 对信息、反馈、经验、知识和记忆进行比较、整理、验证与更新，从中获取新的知识资源、修正已有知识并更新相关记忆和能力资源的过程。

其中最核心的关系是：

Feedback → Experience → Learning → Knowledge → Ability
                         ↓
                      Memory Update

因此，第70章把第69章的 Experience 正式连接到了 SAI 的 Knowledge、Ability 和 Memory Update，形成：

经历 → 学习 → 知识 → 能力 → 再行动 → 再反馈

这就是 SAI 学习循环的基本结构。

第二十二篇 Experience

第二十二篇 Experience

第70章 Learning

1. Learning 定义

2. Learning 输入

Learning 输入的作用

Information

Feedback

Experience

Memory

Knowledge

3. Feedback

4. Experience

5. Knowledge

6. Ability

7. Memory

8. Learning Result

Learning Result 状态

新知识

已有知识被修正

新信息没有产生变化

信息不足

与已有知识冲突

输入无效

9. Learning Update

Knowledge Update

Memory Update

Ability Update

Experience Update

Learning 的完整运行模型

Learning 的核心边界

本章核心模型

本章核心定义