第四章 反馈进入学习
4.1 反馈进入学习的定义
在WSaiOS结构智能(WSaiOS-SI)中,反馈并不是智能运行过程的终点。
执行产生实际结果,反馈将实际结果与预期目标进行比较,并识别其中的差异、变化和问题。当反馈包含新的事实、新的关系、新的状态、新的条件或者新的执行经验时,这些信息就可能成为新的学习材料。
但是,反馈不能直接等同于学习结果。
反馈中包含的信息可能是不完整的,可能只适用于某个特定对象,也可能受到当前环境、执行条件和方法选择的影响。因此,结构智能必须进一步识别反馈中的信息,提取其中的结构关系,与已有知识进行匹配,并通过验证确定哪些内容可以进入知识结构。
因此,反馈进入学习,是指将执行产生的反馈作为新的学习材料,通过差异分析、原因分析、结构提取、知识匹配、知识验证和知识结构化,将反馈中包含的新事实、新关系、新状态、新条件、规则和方法经验转化为能够被后续认知、能力、决策和执行调用的知识结构的过程。
其基本关系为:
[
Feedback
\rightarrow
LearningMaterial
\rightarrow
StructureExtraction
\rightarrow
KnowledgeMatching
\rightarrow
KnowledgeValidation
\rightarrow
KnowledgeFormation
]
当新的知识形成以后,还需要进入后续的智能运行过程:
[
KnowledgeUpdate
\rightarrow
CognitionUpdate
\rightarrow
CapabilityUpdate
\rightarrow
DecisionUpdate
\rightarrow
MethodUpdate
]
由此,反馈不再只是对一次执行进行评价,而成为结构智能持续学习的重要信息来源。
4.2 反馈、学习材料与知识的区别
在反馈进入学习的过程中,必须明确区分三个不同层次:
[
Feedback
\neq
LearningMaterial
\neq
Knowledge
]
反馈是实际结果与预期之间经过比较形成的信息。
学习材料是从反馈中识别出来、具有进一步分析和学习价值的信息集合。
知识则是经过对象识别、属性提取、关系组织、条件确定和必要验证以后形成的结构化信息。
例如,系统预期某设备能够正常启动,实际执行却失败。
执行结果:
[
Result=StartFailure
]
经过与预期比较,形成反馈:
[
Feedback=GoalNotAchieved
]
进一步分析发现:
[
BatteryLevel<MinimumRequired
]
此时,可以将以下内容整理为学习材料:
- 对象:设备;
- 属性:电池电量;
- 实际值:当前电量不足;
- 条件:启动需要满足最低电量要求;
- 执行结果:启动失败;
- 可能原因:电量不足。
这些内容仍然需要进一步确认。
如果经过验证,确定该设备在规定条件下确实需要达到最低电量才能启动,就可以形成条件性知识:
[
BatteryLevel<MinimumRequired
\rightarrow
StartCondition=False
]
因此:
[
\boxed{
反馈提供学习来源,学习材料承载待分析信息,知识则是经过结构化和验证的学习成果。
}
]
4.3 反馈为什么能够成为学习材料
反馈之所以能够进入学习,是因为它不仅描述结果,还包含了实际执行与预期目标之间的关系。
第三章已经建立:
[
Expected
\leftrightarrow
Actual
\rightarrow
Difference
\rightarrow
Evaluation
\rightarrow
Feedback
]
其中的差异可能揭示系统原来没有掌握的信息。
例如:
系统原来认为:
[
Condition_A
\rightarrow
Method_A
\rightarrow
Success
]
但是实际执行出现失败:
[
Condition_A
\rightarrow
Method_A
\rightarrow
Failure
]
这时,反馈表明原有认识与实际结果之间存在不一致。
系统需要进一步研究:
- 原有知识是否正确;
- 当前对象是否与原对象相同;
- 执行条件是否发生变化;
- 使用的方法是否适合当前条件;
- 是否存在尚未识别的属性;
- 是否存在尚未掌握的约束;
- 执行结果是否可靠。
这些问题构成新的学习需求。
因此:
[
Feedback
\rightarrow
DifferenceAnalysis
\rightarrow
LearningRequirement
]
反馈的学习价值,在于它能够揭示原有知识、能力、方法和当前现实之间尚未解决的结构问题。
4.4 反馈来源的识别
反馈可以来自不同类型的执行和交互过程。
第一类是成功执行反馈。
系统完成任务以后,发现实际结果符合预期。经过分析,可以提取成功条件、有效方法和稳定关系。
第二类是失败执行反馈。
系统未能达到目标,或者执行过程中出现异常。经过原因分析,可以发现知识缺口、条件限制、方法缺陷和能力不足。
第三类是结果偏差反馈。
执行虽然完成,但实际结果与预期值存在差异。
第四类是状态变化反馈。
对象、属性、关系或者场景发生了变化,需要更新原有认识。
第五类是环境变化反馈。
原来成立的条件不再成立,导致原有方法可能失效。
第六类是外部反馈。
用户、设备、外部系统或者现实环境提供新的信息。
第七类是验证反馈。
对已有知识、方法或者能力进行验证以后,发现其成立、不成立或者只在特定条件下成立。
这些反馈可以统一表示为:
[
FeedbackSource=
{
Success,
Failure,
Deviation,
StateChange,
EnvironmentChange,
ExternalInput,
Validation
}
]
不同来源的反馈可能具有不同的学习价值,但都需要经过结构识别和相关性判断,才能进入适当的学习过程。
4.5 从反馈到新的信息
反馈进入学习的第一步,是从反馈结构中识别新的信息。
定义:
新信息是相对于当前已掌握的知识结构而言,尚未被充分识别、记录、确认或者组织的信息。
因此,新信息不一定是世界上第一次出现的信息,也不一定是绝对意义上的新事实。
它可以是系统以前不知道的信息,也可以是系统原来没有记录的对象属性、尚未建立的关系、尚未识别的条件,或者对已有知识的修正。
其基本关系为:
[
Feedback
\rightarrow
InformationExtraction
\rightarrow
NewInformation
]
例如,原有知识只有:
[
Object=Machine
]
执行检测后得到:
[
Temperature=85
]
对于当前系统而言,这可能是一条新信息。
进一步识别:
[
Object=Machine
]
[
Attribute=Temperature
]
[
Value=85
]
则形成:
[
NewInformation=
{
Object,
Attribute,
Value
}
]
如果进一步确定测量时间、测量条件和数据来源,还可以形成更完整的信息结构。
因此,反馈进入学习的起点不是直接修改知识,而是首先识别其中究竟产生了什么新信息。
4.6 新信息与已有知识的匹配
新信息被识别以后,需要与已有知识结构进行匹配。
这是因为系统不能将每一条新信息都当作完全独立的知识,也不能把新信息一律追加到原有知识之中。
新信息可能与已有知识完全一致,也可能补充已有知识、修正已有知识,或者与已有知识产生冲突。
因此:
[
NewInformation
\rightarrow
KnowledgeMatching
]
例如,已有知识:
[
Object=Machine
]
[
Attribute=Temperature
]
执行反馈产生:
[
Temperature=85
]
系统首先需要判断:
- 是否属于同一个对象;
- 是否属于同一个属性;
- 是否处于相同时间;
- 是否处于相同条件;
- 是否使用相同的测量方式;
- 是否可以与已有记录进行比较。
如果对象、属性和条件相同,新信息可能是已有知识的更新值。
如果对象相同但时间不同,则可能是状态变化记录。
如果条件不同,则可能需要建立条件性知识。
因此:
[
KnowledgeMatching=
f(Object,Attribute,Value,Relation,State,Condition,Time)
]
这里的匹配不是简单的文字相似,而是依据知识结构中的对象、属性、值、关系、状态和条件建立对应关系。
4.7 知识匹配的结果
新信息与已有知识匹配以后,可以产生多种结果。
第一种:确认已有知识
新信息与已有知识一致,并且没有发现需要增加的内容。
[
NewInformation
\rightarrow
ExistingKnowledge
]
经过适当验证以后,可以进一步确认原有知识。
第二种:补充已有知识
新信息提供了原有知识中缺少的属性、关系或者条件。
[
ExistingKnowledge
+
NewInformation
\rightarrow
ExtendedKnowledge
]
第三种:更新已有知识
新信息表明某个动态属性值或者当前状态已经发生变化。
[
Knowledge_t
\rightarrow
Knowledge_{t+1}
]
第四种:建立新知识
新信息与已有知识之间不存在可直接归并的对应结构,但它具有独立的学习价值。
[
NewInformation
\rightarrow
NewKnowledgeStructure
]
第五种:发现知识冲突
新信息与已有知识不一致,且不能仅通过时间、对象或者条件差异解释。
[
NewInformation
\leftrightarrow
ExistingKnowledge
\rightarrow
KnowledgeConflict
]
因此:
[
KnowledgeMatching
\rightarrow
{
Confirm,
Extend,
Update,
Create,
Conflict
}
]
匹配的目的不是强行消除所有差异,而是确定新信息与已有知识之间的真实结构关系。
4.8 从信息中提取结构
新信息只有经过结构提取,才能成为可运算知识的候选内容。
结构智能以Element(元素)作为基本结构单位,通过元素之间的组织关系形成对象、属性、值、关系、状态和条件等结构。
因此,反馈进入学习以后,需要从信息中识别:
[
Element
\rightarrow
Object
\rightarrow
Attribute
\rightarrow
Value
\rightarrow
Relation
\rightarrow
State
\rightarrow
Condition
]
例如,反馈材料:
设备在温度超过80摄氏度时停止运行。
可以提取:
[
Object=Device
]
[
Attribute=Temperature
]
[
Value>80^\circ C
]
[
State=Stopped
]
进一步组织为:
[
Temperature>80^\circ C
\rightarrow
State=Stopped
]
但是,这个关系是否属于设备的保护规则,还是仅仅描述了一次偶然发生的现象,还需要根据来源、执行记录和验证结果判断。
因此:
[
StructureExtraction
\neq
KnowledgeValidation
]
结构提取负责识别和组织信息,验证负责判断结构是否可靠、适用范围是什么。
4.9 对象知识的形成
反馈可能提供有关对象的新认识。
例如,系统原来只知道:
[
Object=ElectricToothbrush
]
后来通过执行和反馈发现:
[
ElectricToothbrush
\rightarrow
HasAttribute
\rightarrow
BatteryLevel
]
这表明对象具有一个需要记录的属性。
如果进一步获得:
[
BatteryLevel=80
]
则可以形成对象属性结构:
[
Object
\rightarrow
Attribute
\rightarrow
Value
]
如果发现该对象还具有充电状态、运行状态等属性,则可以继续扩展对象知识。
因此:
[
Feedback
\rightarrow
ObjectRecognition
\rightarrow
AttributeExtraction
\rightarrow
ObjectKnowledge
]
对象知识不是简单地保存对象名称,而是逐步形成对象及其属性、关系、状态和条件的结构。
4.10 属性和值的更新
属性值可能随着执行、时间和环境变化而变化。
因此,反馈进入学习以后,必须区分:
- 新属性;
- 新属性值;
- 历史属性值;
- 当前属性值;
- 未确认的属性值;
- 已验证的属性值。
例如:
[
BatteryLevel_{t0}=20
]
执行充电以后:
[
BatteryLevel_{t1}=80
]
这并不意味着原来的20必然是错误的。
它们可能分别描述不同时间的状态。
因此应当表示为:
[
BatteryLevel:
20_{t0}
\rightarrow
80_{t1}
]
如果没有时间和状态信息,直接用80覆盖20,可能丢失重要的执行历史。
所以:
[
Feedback
\rightarrow
ValueChange
\rightarrow
StateUpdate
]
只有当反馈确认原有值错误时,才应将其作为知识错误进行修正;如果对象状态确实发生了变化,则应记录状态演化。
4.11 关系知识的形成
反馈还可以帮助系统发现原来没有建立的对象关系。
例如,原有知识分别记录:
[
Object_A
]
[
Object_B
]
但是执行反馈显示:
[
Object_A
\rightarrow
Controls
\rightarrow
Object_B
]
系统就获得了新的关系信息。
关系经过验证以后,可以进入知识结构:
[
Object_A
\rightarrow
Relation
\rightarrow
Object_B
]
关系还可能具有条件、方向和时间。
例如:
[
Condition_A
\rightarrow
Object_A
\rightarrow
Relation
\rightarrow
Object_B
]
或者:
[
Relation_{t0}
\rightarrow
Relation_{t1}
]
因此,反馈学习不仅增加对象和属性信息,还能够扩展对象之间的结构关系。
4.12 状态知识的形成
状态知识描述对象在特定时间、条件和关系下的状态。
反馈能够揭示状态变化:
[
State_{old}
\rightarrow
Execution
\rightarrow
State_{new}
]
例如:
[
MachineState_{t0}=Stopped
]
执行启动方法以后:
[
MachineState_{t1}=Running
]
经过状态识别,可以形成:
[
Stopped
\rightarrow
StartMethod
\rightarrow
Running
]
如果这个过程经过验证,并且明确了必要条件,就可以形成关于状态转换的知识。
状态知识因此可以包括:
- 当前状态;
- 历史状态;
- 状态转换;
- 状态成立条件;
- 状态变化原因;
- 状态变化后的影响。
其基本关系为:
[
Feedback
\rightarrow
StateChange
\rightarrow
StateKnowledge
]
4.13 条件知识的形成
许多执行结果并不只由对象本身决定,还受到执行条件的影响。
如果系统只记录:
[
Method_A
\rightarrow
Success
]
就可能错误地认为方法在所有情况下都有效。
反馈学习需要进一步识别:
[
Condition
\rightarrow
Method
\rightarrow
Result
]
例如:
[
Temperature<40
\rightarrow
Method_A
\rightarrow
Success
]
但:
[
Temperature\geq40
\rightarrow
Method_A
\rightarrow
Failure
]
经过充分验证以后,可以形成条件性知识:
[
Condition_1
\rightarrow
Method_A
\rightarrow
Success
]
[
Condition_2
\rightarrow
Method_A
\rightarrow
Failure
]
因此:
[
Feedback
\rightarrow
ConditionDiscovery
\rightarrow
ConditionalKnowledge
]
条件知识使系统能够明确知识和方法的适用范围,而不是把一次执行的结果推广到所有对象和环境。
4.14 规则知识的形成
当反馈揭示稳定的条件关系时,可以进一步研究是否存在可复用规则。
例如:
[
Condition_A
\rightarrow
Result_B
]
经过多次执行、适用条件分析和验证以后,可能形成规则:
[
Rule:
Condition_A
\Rightarrow
Action_B
]
或者:
[
Rule:
Condition_A
\Rightarrow
State_B
]
但是,一次执行成功或者失败,并不足以自动证明一般规则成立。
结构智能需要区分:
[
ObservedRelation
\neq
ValidatedRule
]
前者是观察到的关系,后者是经过必要验证、明确适用条件的规则。
因此:
[
Feedback
\rightarrow
PatternCandidate
\rightarrow
RuleCandidate
\rightarrow
Validation
\rightarrow
RuleKnowledge
]
这样才能避免将偶然现象错误地写入稳定知识结构。
4.15 方法知识的形成
反馈还可以产生有关方法的新知识。
方法不仅包含执行步骤,还包含目标、对象、条件、知识、能力、规则、参数、运算、输出和验证。
当某个方法成功或者失败时,反馈可以帮助系统识别:
- 方法适合什么目标;
- 方法作用于什么对象;
- 方法需要什么条件;
- 方法依赖哪些知识;
- 方法调用哪些能力;
- 方法执行哪些步骤;
- 方法产生什么结果;
- 方法在哪些情况下失效。
因此:
[
Feedback
\rightarrow
MethodEvaluation
\rightarrow
MethodKnowledge
]
方法知识可以表示为:
[
MethodKnowledge=
{
Goal,
Object,
Condition,
Input,
Parameter,
Method,
Result,
Validation
}
]
如果某种方法经过验证能够重复使用,就可以进一步形成可复用方法。
如果方法只在特定条件下有效,则必须保留这些条件。
如果方法失败,则需要分析失败原因,而不是简单地将该方法永久标记为无效。
4.16 成功反馈与失败反馈
成功反馈和失败反馈都可以进入学习,但二者提供的学习信息不同。
成功反馈
成功反馈表明实际结果符合目标或者达到允许的标准。
[
Expected
\leftrightarrow
Actual
\rightarrow
GoalAchieved
]
成功反馈可以帮助识别:
- 有效的知识结构;
- 有效的条件组合;
- 可复用的执行步骤;
- 正确的参数关系;
- 稳定的方法路径;
- 可重复使用的能力组合。
进一步:
[
SuccessFeedback
\rightarrow
PatternExtraction
\rightarrow
KnowledgeValidation
\rightarrow
ReusableKnowledge
]
失败反馈
失败反馈表明实际结果未达到目标,或者违反了条件和约束。
[
Expected
\leftrightarrow
Actual
\rightarrow
GoalFailure
]
失败反馈可以帮助识别:
- 缺失的知识;
- 错误的对象;
- 缺失的属性;
- 不正确的参数;
- 不成立的条件;
- 不适用的方法;
- 不足的能力;
- 执行环境的变化。
进一步:
[
FailureFeedback
\rightarrow
CauseAnalysis
\rightarrow
LearningRequirement
]
成功与失败都可能包含学习价值。
区别在于:成功反馈更容易提供有效结构的候选依据,失败反馈更容易暴露结构缺口和适用边界。二者都需要结合条件和验证进行分析。
4.17 失败知识与负向知识
失败经过原因分析和验证以后,可以形成负向知识。
这里的负向知识不是简单地记录“失败”,而是记录某个方法、条件或者结构在什么情况下不能达到什么目标。
例如:
[
Condition_A
\rightarrow
Method_B
\rightarrow
Failure
]
如果经过验证,确定该方法在条件A下确实不能满足目标,则可以形成:
[
Knowledge:
Condition_A
\rightarrow
Method_B
\not\rightarrow
Goal
]
这类知识可以避免未来在相同条件下重复采用已经确认无效的路径。
但负向知识必须具有明确的适用范围。
不能因为某方法在一次执行中失败,就认定该方法在所有情况下都无效。
因此:
[
Failure
\rightarrow
CauseAnalysis
\rightarrow
ConditionIdentification
\rightarrow
Validation
\rightarrow
NegativeKnowledge
]
负向知识与普通知识一样,需要对象、条件、关系和验证依据。
4.18 知识冲突的处理
反馈进入学习以后,可能发现新信息与已有知识不一致。
例如,已有知识为:
[
MachineTemperature=80
]
新反馈得到:
[
MachineTemperature=95
]
系统不能直接认定新信息错误,也不能立即删除旧知识。
首先需要进行冲突分析:
[
NewInformation
\leftrightarrow
ExistingKnowledge
\rightarrow
KnowledgeConflict
]
可能的原因包括:
- 对象不同;
- 时间不同;
- 条件不同;
- 环境不同;
- 测量方法不同;
- 数据来源不同;
- 原知识存在错误;
- 新信息存在错误。
因此:
[
KnowledgeConflict
\rightarrow
ConflictAnalysis
\rightarrow
Resolution
]
处理结果可能是:
[
ConfirmExistingKnowledge
]
[
ExtendExistingKnowledge
]
[
CorrectExistingKnowledge
]
[
CreateConditionalKnowledge
]
[
PreserveHistoricalVersions
]
如果冲突无法解决,则应保留未确认状态,而不是强行将某一方认定为正确。
这使知识更新能够保持结构上的可追溯性。
4.19 知识验证
反馈中的信息只有经过必要验证,才能成为可靠知识。
定义:
知识验证是依据对象、属性、关系、状态、条件、来源和实际结果,判断候选知识是否成立、适用范围是什么,以及能否进入正式知识结构的过程。
基本关系为:
[
KnowledgeCandidate
\rightarrow
Validation
\rightarrow
Knowledge
]
验证可以包含:
- 来源检查;
- 对象一致性检查;
- 属性匹配检查;
- 值的有效性检查;
- 条件检查;
- 关系一致性检查;
- 规则适用性检查;
- 与已有知识的冲突检查;
- 执行结果验证。
验证结果不必只有通过和不通过,也可以是:
[
ValidationStatus\in
{
Confirmed,
PartiallyConfirmed,
Conditional,
Conflicting,
Unverified,
Rejected
}
]
其中,未验证的信息可以继续保留为候选材料,但不能在没有标记的情况下与已经确认的知识混为一体。
因此:
[
KnowledgeCandidate\neq ValidatedKnowledge
]
4.20 从反馈形成可运算知识结构
WSaiOS-SI的学习目标不是只积累文本、记录和结论,而是形成能够被后续认知、能力、决策和方法调用的结构化知识。
因此,反馈进入学习以后,需要将有价值的信息组织为可运算结构。
基本结构可以表示为:
[
KnowledgeStructure=
{
Object,
Attribute,
Value,
Relation,
State,
Condition,
Rule,
Method
}
]
其中:
- Object用于确定知识所涉及的对象;
- Attribute用于确定对象的属性;
- Value用于保存属性值;
- Relation用于描述对象之间的关系;
- State用于描述对象或者场景的状态;
- Condition用于说明知识成立的条件;
- Rule用于描述经过验证的结构规则;
- Method用于描述与目标、条件和执行过程有关的方法知识。
例如,经过反馈学习形成:
[
Object=Machine
]
[
Attribute=Temperature
]
[
Value=85
]
[
Condition=Operating
]
[
State=HighTemperature
]
如果经过验证,还可以形成:
[
Temperature>80
\rightarrow
HighTemperature
]
这样,原始反馈就转化为可以被匹配、比较、判断和调用的知识结构。
4.21 知识的可运算性
结构化并不只是把信息拆成若干字段。
知识结构还必须能够支持后续运算。
例如:
[
Price=29.99
]
只有将其识别为某个对象的价格属性,才能进一步执行:
[
Compare(Price,30)
]
得到:
[
29.99<30
]
如果再结合经过验证的规则:
[
Price<30
\rightarrow
LowPrice
]
就可以形成状态判断。
因此:
[
KnowledgeStructure
\rightarrow
Operation
\rightarrow
Result
]
反馈学习的最终目标,不是单纯保存:
价格为29.99。
而是形成能够被调用的结构:
[
Object
\rightarrow
Price
\rightarrow
29.99
]
以及能够使用的关系和规则:
[
Price<30
\rightarrow
LowPrice
]
由此,知识才能进入后续能力结构,并成为解决问题的依据。
4.22 知识更新
新知识形成以后,需要确定它与原有知识之间的关系。
知识更新不是简单地将新信息追加到原有数据中,也不是每次出现新结果就覆盖旧值。
知识更新可以表现为:
增加知识
[
K_{new}=K_{old}+K_{additional}
]
修正知识
[
K_{old}\rightarrow K_{corrected}
]
扩展知识
[
K_{old}\rightarrow K_{extended}
]
增加条件
[
K\rightarrow K\mid Condition
]
更新动态状态
[
State_t\rightarrow State_{t+1}
]
保留历史版本
[
K_t\rightarrow K_{t+1}\rightarrow K_{t+2}
]
不同更新方式应根据反馈的实际含义确定。
例如,设备温度从80升至85,可能是状态更新;如果发现原来的测量单位记录错误,则属于知识修正;如果发现高温规则只适用于某种设备,则属于条件扩展。
因此:
[
Feedback
\rightarrow
KnowledgeMatching
\rightarrow
UpdateType
\rightarrow
KnowledgeUpdate
]
4.23 学习如何更新认知结构
知识更新以后,系统对当前对象和场景的认识也可能发生变化。
认知不是脱离知识独立运行的过程,而是通过当前信息与知识结构进行匹配,形成对对象、属性、关系、状态和场景的认识。
因此:
[
KnowledgeUpdate
\rightarrow
KnowledgeMatching
\rightarrow
CognitionUpdate
]
例如,原来系统认为:
[
MachineState=Normal
]
反馈学习以后,系统确认:
[
Temperature>80
\rightarrow
HighTemperature
]
当当前机器温度为85时,系统可以重新匹配:
[
Temperature=85
]
以及:
[
Temperature>80
\rightarrow
HighTemperature
]
形成新的认知结果:
[
CognitionResult=
{
Machine,
Temperature=85,
State=HighTemperature
}
]
因此,知识更新使系统能够根据新的结构信息重新认识当前对象和场景。
4.24 学习如何更新能力结构
知识增加并不意味着能力自动形成。
新的知识必须与能力结构建立有效匹配,才能被能力调用。
因此:
[
KnowledgeUpdate
\rightarrow
CapabilityRequirement
\rightarrow
CapabilityMatching
]
如果已有能力能够使用新知识,只需要更新其可调用的知识结构。
如果已有能力缺少相应的方法、规则或者运算,则可能需要扩展能力结构。
例如,系统已经能够读取温度,但不能判断温度是否超过安全范围。
反馈学习形成:
[
Temperature>80
\rightarrow
HighTemperature
]
以后,系统可以将该知识与比较和判断能力匹配:
[
KnowledgeStructure
+
CapabilityStructureMatching
+
Operation
\rightarrow
ProblemSolvingCapability
]
如果原有能力缺少比较操作,则需要补充相应能力。
因此:
[
Feedback
\rightarrow
KnowledgeUpdate
\rightarrow
CapabilityEvaluation
\rightarrow
CapabilityUpdate
]
知识是能力形成的重要基础,但知识与能力之间仍然需要结构匹配和实际运算。
4.25 学习如何更新决策结构
决策依赖当前认知结果、目标、条件、约束和候选结果。
当反馈形成新的知识以后,原有决策的评价依据也可能发生变化。
因此:
[
KnowledgeUpdate
\rightarrow
CognitionUpdate
\rightarrow
DecisionUpdate
]
例如,原来系统根据旧知识选择方法A。
执行后,反馈发现方法A在高温条件下不能达到目标。
经过验证,形成:
[
Temperature>80
\rightarrow
Method_A\text{不适用}
]
以后,当系统认知到当前温度为85时,就可以在决策过程中排除或者重新评价方法A。
因此:
[
NewKnowledge
\rightarrow
CandidateEvaluation
\rightarrow
DecisionUpdate
]
学习并不是直接替系统做出所有决策,而是更新决策所依赖的知识、条件和评价结构。
4.26 学习如何更新方法
方法是按照一定结构路径完成任务的执行结构。
反馈可以通过成功结果和失败原因,更新方法的步骤、参数、条件和分支。
例如,原方法为:
[
M_1:
A\rightarrow B\rightarrow C
]
反馈发现:
[
Condition_X
\rightarrow
M_1
\rightarrow
Failure
]
经过原因分析,确认步骤B在条件X下不适用。
于是方法可以扩展为:
[
M_2:
A\rightarrow
\begin{cases}
B,& Condition\neq X\
D,& Condition=X
\end{cases}
\rightarrow C
]
这意味着反馈使方法从单一路径发展为能够根据条件选择路径的结构。
因此:
[
Feedback
\rightarrow
MethodEvaluation
\rightarrow
MethodCorrection
\rightarrow
MethodValidation
]
如果新方法经过验证,就可以形成新的可复用方法结构。
4.27 学习如何更新结构关系
反馈学习还可能改变知识内部的组织关系。
例如,原有结构:
[
Object
\rightarrow
Attribute
\rightarrow
Value
]
只能表示对象属性值。
经过反馈分析以后,系统发现结果还受到条件影响:
[
Condition
\rightarrow
Result
]
于是知识结构需要增加条件关系:
[
Object
\rightarrow
Attribute
\rightarrow
Value
\rightarrow
Condition
]
进一步发现:
[
Condition
\rightarrow
MethodSelection
]
就需要将条件与方法选择建立联系。
因此:
[
Feedback
\rightarrow
RelationDiscovery
\rightarrow
StructureExtension
]
结构更新可以表现为:
- 增加对象之间的关系;
- 增加属性之间的约束;
- 增加条件与状态的关系;
- 增加条件与方法的关系;
- 增加方法与结果的关系;
- 修正原有关系;
- 区分不同条件下的关系;
- 保留关系的时间和适用范围。
这表明学习不只是增加知识数量,还可以改变知识结构的组织方式。
4.28 反馈与需求驱动学习
WSaiOS-SI采用需求驱动学习逻辑。
反馈进入学习,并不意味着系统需要对每一次执行结果进行无限扩展,也不意味着所有反馈都必须转化为知识。
反馈的学习价值应当与当前需求、后续任务以及已有知识缺口建立联系。
因此:
[
Requirement
+
Feedback
\rightarrow
TargetedLearning
]
例如,当前需求是判断某种设备能否在特定条件下运行。
执行反馈发现温度条件影响运行结果。
此时,与当前需求有关的学习重点可能包括:
- 温度属性;
- 安全范围;
- 运行条件;
- 状态转换;
- 方法适用范围。
与当前任务无关的信息可以保留,但不应无条件地占用当前学习过程的全部资源。
因此:
[
Feedback
\rightarrow
InformationExtraction
\rightarrow
RelevanceCheck
\rightarrow
LearningMaterial
]
需求决定学习方向,反馈提供实际执行中的新信息,结构匹配确定这些信息与已有知识之间的关系。
4.29 反馈学习中的未知结构
有时候,反馈能够揭示系统尚未建立的结构。
例如,执行失败以后,系统发现:
- 已知对象;
- 已知属性;
- 已知值;
- 已知方法;
- 但是仍然无法解释结果。
这说明当前知识结构可能缺少某个关系、条件或者规则。
因此:
[
Feedback
\rightarrow
UnexplainedResult
\rightarrow
UnknownStructure
]
进一步:
[
UnknownStructure
\rightarrow
LearningRequirement
]
系统可以明确需要继续获取什么信息:
[
RequiredObject
]
或者:
[
RequiredAttribute
]
或者:
[
RequiredRelation
]
或者:
[
RequiredCondition
]
或者:
[
RequiredRule
]
这种学习方式不是无目的地积累全部信息,而是根据执行中暴露的结构缺口确定下一步学习方向。
4.30 反馈学习中的不确定性
反馈并不总能立即解释执行结果。
有时,系统能够确定结果发生了变化,却不能确定变化原因。
例如:
[
Expected=80
]
[
Actual=95
]
系统知道:
[
Difference=15
]
但不知道差异来自环境变化、对象差异、测量误差还是方法问题。
此时不能直接形成确定的因果知识。
可以先保存:
[
ObservedFact:
Actual=95
]
同时标记:
[
Cause=Unknown
]
再形成:
[
LearningRequirement=CauseIdentification
]
因此:
[
Feedback
\rightarrow
KnownDifference
+
UnknownCause
]
结构智能应当能够区分已知事实、待验证关系和未知原因,而不是为了形成完整答案而强行补全缺失信息。
4.31 学习材料的组织
反馈转化为学习材料以后,需要保留足够的上下文,才能支持后续分析。
学习材料可以表示为:
[
LearningMaterial=
{
Requirement,
Expected,
Actual,
Difference,
Object,
Attribute,
State,
Condition,
Method,
Cause,
Correction,
Validation
}
]
其中:
- Requirement用于说明原始任务;
- Expected用于说明预期目标;
- Actual用于说明实际结果;
- Difference用于说明偏差;
- Object用于确定对象;
- Attribute用于确定相关属性;
- State用于描述对象状态;
- Condition用于说明成立条件;
- Method用于记录执行路径;
- Cause用于保存已经识别的原因;
- Correction用于记录修正方向;
- Validation用于记录验证情况。
这些字段并非每一条学习材料都必须全部具有。
实际结构应当根据反馈内容确定,不能因为模板中存在某个字段,就在没有依据时自动填入推测值。
4.32 学习材料的结构化流程
反馈转化为知识候选结构,可以按照以下过程进行:
第一步,读取反馈及其对应的执行结果。
[
Feedback
\rightarrow
ExecutionRecord
]
第二步,识别反馈中的新信息。
[
ExecutionRecord
\rightarrow
InformationExtraction
]
第三步,识别相关对象、属性和值。
[
Information
\rightarrow
Object
\rightarrow
Attribute
\rightarrow
Value
]
第四步,识别关系、状态和条件。
[
Object
+
Attribute
+
Value
\rightarrow
Relation
+
State
+
Condition
]
第五步,与已有知识匹配。
[
NewInformation
\rightarrow
KnowledgeMatching
]
第六步,分析冲突和缺口。
[
KnowledgeMatching
\rightarrow
ConflictAnalysis
+
GapDetection
]
第七步,形成知识候选结构。
[
StructureExtraction
\rightarrow
KnowledgeCandidate
]
第八步,进行必要验证。
[
KnowledgeCandidate
\rightarrow
KnowledgeValidation
]
第九步,根据验证结果确定知识更新方式。
[
Validation
\rightarrow
KnowledgeUpdate
]
这条流程将反馈分析、结构提取、知识匹配和知识形成区分开来,避免把原始反馈直接当作已经成立的知识。
4.33 学习成果的复用
学习形成的知识只有能够在后续任务中被调用,才能真正发挥作用。
例如,一次执行反馈形成:
[
Temperature>80
\rightarrow
HighTemperature
]
当新的任务再次涉及温度判断时,系统可以通过知识匹配调用该结构。
因此:
[
ValidatedKnowledge
\rightarrow
KnowledgeMatching
\rightarrow
CapabilityInvocation
]
如果知识与当前任务条件一致,就可以进入后续运算。
如果对象或者条件不同,则需要重新判断适用性。
因此,学习成果不是对某次执行结果的简单重复保存,而是形成能够在符合条件时重新调用的知识结构。
4.34 反馈学习的循环性
反馈进入学习不是一次性的过程。
新的知识投入使用以后,会产生新的执行结果,而新的执行结果又会产生新的反馈。
因此:
[
K_0
\rightarrow
Execution_1
\rightarrow
Feedback_1
\rightarrow
K_1
]
然后:
[
K_1
\rightarrow
Execution_2
\rightarrow
Feedback_2
\rightarrow
K_2
]
进一步:
[
K_2
\rightarrow
Execution_3
\rightarrow
Feedback_3
\rightarrow
K_3
]
形成:
[
\boxed{
Knowledge_t
\rightarrow
Execution
\rightarrow
Feedback
\rightarrow
Learning
\rightarrow
Knowledge_{t+1}
}
]
这里的知识更新并不意味着知识必然越来越正确。
每一次更新仍然需要经过结构匹配和必要验证。只有这样,循环学习才能减少错误的重复传播,并逐步改善知识的完整性、适用性和可运算性。
4.35 反馈进入学习的完整结构
综合本章内容,反馈进入学习的完整过程可以表示为:
[
\boxed{
Feedback
\rightarrow
LearningMaterial
\rightarrow
NewInformation
\rightarrow
StructureExtraction
}
]
进一步:
[
\boxed{
Object
\rightarrow
Attribute
\rightarrow
Value
\rightarrow
Relation
\rightarrow
State
\rightarrow
Condition
}
]
然后:
[
\boxed{
KnowledgeMatching
\rightarrow
ConflictAnalysis
\rightarrow
KnowledgeValidation
\rightarrow
KnowledgeFormation
}
]
形成新的知识以后:
[
\boxed{
KnowledgeUpdate
\rightarrow
CognitionUpdate
\rightarrow
CapabilityUpdate
\rightarrow
DecisionUpdate
\rightarrow
MethodUpdate
}
]
最后再次进入执行:
[
\boxed{
Method
\rightarrow
Execution
\rightarrow
Result
\rightarrow
Feedback
}
]
由此形成完整循环:
[
\boxed{
Feedback
\rightarrow
Learning
\rightarrow
Knowledge
\rightarrow
Cognition
\rightarrow
Capability
\rightarrow
Decision
\rightarrow
Method
\rightarrow
Execution
\rightarrow
Result
\rightarrow
Feedback
}
]
4.36 本章核心理论
本章建立了反馈进入学习的基本理论。
反馈不是知识,学习材料也不是知识。反馈提供实际执行与预期目标之间的比较信息;学习材料保存其中值得进一步分析的信息;知识则是经过结构提取、知识匹配、必要验证和组织以后形成的可调用结构。
其核心关系为:
[
\boxed{
Feedback
\rightarrow
LearningMaterial
\rightarrow
NewInformation
\rightarrow
KnowledgeStructure
\rightarrow
KnowledgeValidation
\rightarrow
Knowledge
}
]
其中:
[
NewInformation\neq Knowledge
]
[
KnowledgeCandidate\neq ValidatedKnowledge
]
[
Knowledge\neq Capability
]
新信息必须经过结构化与验证,知识必须与能力结构建立有效匹配,才能真正参与后续问题解决。
反馈学习还可以更新不同层次的结构:
[
Feedback
\rightarrow
KnowledgeUpdate
]
[
Feedback
\rightarrow
CapabilityUpdate
]
[
Feedback
\rightarrow
MethodUpdate
]
[
Feedback
\rightarrow
RelationUpdate
]
[
Feedback
\rightarrow
CognitionUpdate
]
因此,反馈学习不仅增加知识内容,也可能修正对象属性、扩展结构关系、补充条件、形成规则、改进方法,并揭示能力缺口。
最终形成:
[
\boxed{
执行
\rightarrow
结果
\rightarrow
反馈
\rightarrow
学习材料
\rightarrow
结构提取
\rightarrow
知识匹配
\rightarrow
知识验证
\rightarrow
知识更新
\rightarrow
能力与方法更新
\rightarrow
再次执行
}
]
反馈使实际执行产生的差异成为学习来源;学习将这些差异转化为经过结构化和验证的知识;知识更新再进入认知、能力、决策和方法,使结构智能能够在持续执行中修正自身。
这构成WSaiOS结构智能从实际结果中形成新知识,并通过新知识推动自身持续发展的基础机制。