第六章 认知匹配：机器如何从对象、属性与变化形成认知
第五章建立了对象属性理论。
我们已经不再把对象理解为一个静态的数据结构，而是把对象理解为一个持续变化的认知结构：
对象
↓
属性
↓
属性值
↓
属性变化
↓
属性关系
↓
对象状态但是，到这里仍然存在一个最关键的问题：
机器获得了这么多元素、对象和属性以后，究竟如何形成“认知”？
机器看到一个白色、椭圆形、约 60 克的物体，并不能因为这些数据存在，就自动得到：
这是鸡蛋。机器必须把当前获得的信息，与已有的对象、属性、状态、关系、经验和目标进行比较。
这种过程，本书定义为：
认知匹配（Cognitive Matching）
认知匹配是本书整个理论体系的核心机制之一。
6.1 什么是认知匹配
本书定义：
认知匹配，是机器将当前感知获得的元素、对象、属性、状态、关系及其动态变化，与已有认知结构进行比较、关联、协同和概率评估，从而形成当前认知结果的过程。
可以简化为：
当前感知
↓
当前对象
↓
当前属性
↓
当前状态
↓
已有认知结构
↓
匹配
↓
认知结果因此：
Matching → Cognition不是：
Data → Cognition这是本书一个非常重要的区别。
6.2 认知不是数据本身
假设机器获得：
Color = White
Shape = Oval
Weight = 60g
Surface = Smooth这些只是：
感知数据机器还需要知道：
这些数据与什么对象相似？
哪些属性最重要？
哪些属性相互支持？
哪些属性相互冲突？
当前状态是什么？
历史上有没有类似对象？
当前任务是什么？所以：
Data
≠
Cognition而是：
Data
↓
Element
↓
Attribute
↓
Matching
↓
Cognition6.3 认知匹配的基本输入
认知匹配至少可以接受以下输入：
Element
Object
Attribute
Relation
State
Time
Position
Motion
Context
Memory
Experience
Goal因此可以表示：
Cognitive Matching
=
F(
Element,
Object,
Attribute,
Relation,
State,
Time,
Position,
Motion,
Context,
Memory,
Experience,
Goal
)这并不意味着每一次匹配都必须使用全部输入。
不同任务使用不同的匹配维度。
6.4 认知匹配不是一种匹配
“匹配”不是单一算法。
人的认知过程中实际上存在多种不同性质的匹配。
本书暂时建立以下认知匹配体系：
认知匹配
│
├── 感觉匹配
├── 元素匹配
├── 属性匹配
├── 对象匹配
├── 关系匹配
├── 语义匹配
├── 逻辑匹配
├── 状态匹配
├── 时间匹配
├── 位置匹配
├── 运动匹配
├── 情境匹配
├── 经验匹配
├── 目标匹配
├── 概率匹配
└── 协同匹配这些匹配不是完全平行的。
它们可以形成层级结构。
6.5 第一层：感觉匹配
感觉匹配是最底层的匹配之一。
例如视觉系统获得：
颜色
形状
亮度
轮廓触觉系统获得：
压力
摩擦
温度
振动机器可以比较：
当前感觉
↓
历史感觉例如：
当前触觉 = 柔软
历史触觉 = 柔软形成：
Feeling Match = High感觉匹配并不一定马上形成对象认知。
它首先解决：
当前感觉与过去感觉是否存在对应关系？
6.6 感觉匹配的意义
人的感觉系统并不是每一次都从零开始。
例如第一次触摸某种材质时：
不知道是什么第二次接触类似材质：
感觉熟悉第三次：
快速判断这实际上可以理解为：
Current Sensation
↓
Previous Sensation
↓
Matching
↓
Similarity所以：
感觉匹配是经验形成的重要基础。
6.7 第二层：元素匹配
感觉经过初步处理以后，可以形成感知元素。
例如视觉获得：
圆形
白色触觉获得：
柔软重量传感器获得：
60g这些元素可以与已有元素进行匹配：
White
↔
White
Oval
↔
Oval
Soft
↔
Soft形成：
Element Match6.8 第三层：属性匹配
元素进一步组成对象属性。
例如：
Shape = Oval
Weight = 60g
Surface = Smooth机器将当前属性与候选对象的属性进行匹配。
例如：
Current Object
↓
┌──────┼──────┐
↓ ↓ ↓
Egg Ball Stone分别计算：
Egg Match
Ball Match
Stone Match属性匹配开始进入对象识别阶段。
6.9 第四层：对象匹配
对象匹配解决：
当前感知对象与哪个已有认知对象最接近？
例如：
Current Object与：
Egg
Ball
Stone
Apple进行匹配。
可以形成：
Egg = 0.91
Ball = 0.63
Stone = 0.28
Apple = 0.54此时机器不是简单输出：
Egg而是内部形成：
Candidate Distribution这为第五卷的概率认知理论建立基础。
6.10 第五层：关系匹配
对象单独存在时，很多认知是不完整的。
例如：
Cup只是一个对象。
但如果：
Egg
inside
Basket机器获得的认知就不同。
因此需要匹配：
Object A
Relation
Object B例如：
A near B
A inside B
A on B
A above B
A touching B
A moving toward B这就是：
关系匹配。
6.11 关系本身也是认知元素
关系不是简单的连接线。
例如：
A → B如果关系是：
near那么表示：
A 靠近 B如果关系是：
inside则表示：
A 在 B 内部如果关系是：
holding则表示：
A 正在持有 B因此：
Relation本身可以成为认知元素。
进一步可以形成：
Object
+
Object
+
Relation
=
Relational Object Structure6.12 第六层：语义匹配
语义匹配解决的是：
不同表达是否指向相同或相近的认知意义？
例如：
electric toothbrush和：
powered toothbrush可能在某些上下文中具有较高语义相关性。
再例如：
抓住鸡蛋和：
稳定夹持鸡蛋虽然语言表达不同，但可能描述相同或相近的行为结构。
因此：
Symbol
↓
Meaning
↓
Semantic Matching但是本书需要特别区分：
语义匹配不是认知匹配的全部。
语义只是认知匹配的一种。
机器完全可以在没有语言的情况下完成大量认知。
6.13 第七层：逻辑匹配
逻辑匹配解决：
当前信息是否满足某种逻辑关系或条件？
例如：
Pressure ↑
AND
Slip ↑则：
Risk ↑或者：
Object = Egg
AND
Deformation > Threshold则：
Damage Risk = High这就是逻辑匹配。
逻辑匹配可以表示：
AND
OR
NOT
IF
THEN但需要注意：
逻辑匹配通常建立在已经获得的元素、属性和状态之上。
因此：
Element
↓
Attribute
↓
State
↓
Logic而不是直接：
Logic
↓
Reality6.14 第八层：状态匹配
状态匹配是本书非常重要的一层。
机器需要知道：
对象现在是什么状态？例如：
Egg可能处于：
静止
接触
抓取
移动
滑动
掉落
破损状态不是简单一个属性。
它往往来自多个动态属性的协同。
例如：
Position ≈ Stable
Pressure > 0
Slip ≈ 0
Motion ≈ 0得到：
Grip = Stable6.15 状态匹配是动态匹配
如果：
t1:
Slip = Low
t2:
Slip = Medium
t3:
Slip = High那么机器不能只看：
当前 Slip还需要知道：
Slip 正在增加。所以状态匹配应该包括：
State(t)
+
State(t-1)
+
ΔState形成：
Dynamic State Matching6.16 第九层：时间匹配
很多认知不能脱离时间。
例如：
A 先发生
B 后发生机器需要知道：
A → B还是：
B → A因此时间匹配包括：
时间点
时间顺序
时间间隔
持续时间
周期
变化速度例如：
Pressure ↑
↓
Deformation ↑如果：
Pressure先变化，
Deformation随后变化，
那么机器可以建立：
Temporal Relation6.17 时间匹配与因果认知
时间先后并不等于因果。
例如：
A happened before B只能证明：
A → B发生在时间上。
但不能直接证明：
A causes B所以本书需要区分：
时间匹配和：
因果匹配后者需要进一步建立：
重复关系
条件关系
变化对应
反馈关系才能形成较强因果认知。
6.18 第十层：位置匹配
位置匹配解决：
对象在哪里？
包括：
X
Y
Z
Distance
Direction
Region例如：
Object A
Position = (x1,y1,z1)与：
Object B
Position = (x2,y2,z2)进行比较。
可以得到：
Distance
Direction
Relative Position6.19 相对位置比绝对位置更重要
对于机器人来说：
Egg
Position = (500,200,100)本身意义有限。
更重要的是：
Hand
↓
Egg之间的关系：
Distance = 10cm
Direction = Forward因此：
认知匹配应该大量使用对象之间的相对位置，而不是只使用绝对坐标。
6.20 第十一层：运动匹配
运动匹配研究：
位置变化
速度
加速度
方向
轨迹例如：
Position(t1)
Position(t2)
Position(t3)可以形成：
Motion进一步：
Motion Pattern例如：
靠近
远离
旋转
摆动
滑动
跌落6.21 运动是属性变化
运动其实可以理解为：
Position(t)随时间变化。
因此：
Motion
=
ΔPosition / ΔTime这说明：
运动匹配本质上也是动态属性匹配的一种特殊形式。
类似地：
Pressure Rate
Deformation Rate
Temperature Rate也都可以纳入动态属性变化体系。
6.22 第十二层：情境匹配
相同对象、相同属性，在不同情境中可能产生不同认知。
例如：
Object = Egg在：
厨房与：
机器人搬运系统中的任务不同。
机器人搬运系统关注：
重量
摩擦
脆弱程度
抓取稳定性而烹饪系统可能关注：
温度
新鲜度
破损因此：
Context决定：
哪些属性重要
哪些匹配优先
哪些结果需要关注6.23 第十三层：经验匹配
经验匹配解决：
当前情况与过去发生过的情况是否相似？
例如机器人过去抓过：
Egg_001
Egg_002
Egg_003每次都发现：
Pressure = 0.7N
Friction = High
Slip = Low
Damage = 0那么下一次遇到类似对象时：
Current Object
↓
Experience Matching
↓
Historical Pattern可以快速形成初始策略。
这就是：
经验匹配。
6.24 经验不是固定答案
经验匹配不能变成：
上次成功
↓
这次直接复制因为：
对象不同
环境不同
位置不同
材料不同
状态不同所以经验只能形成：
Prior而不是：
Final Answer这也是概率认知的重要来源。
6.25 第十四层：目标匹配
机器行为不是没有目的。
例如抓鸡蛋的目标可能是：
目标：
把鸡蛋从 A 移动到 B此时认知匹配就必须围绕目标进行。
机器需要判断：
当前状态
是否满足目标？例如：
Egg Stable = Yes
Destination Reached = No那么继续移动。
如果：
Egg Stable = No则需要调整抓取。
所以：
Current State
+
Goal State之间也存在：
目标匹配。
6.26 第十五层：概率匹配
到这里，机器已经有大量匹配结果：
感觉
元素
属性
对象
关系
状态
时间
位置
运动
情境
经验
目标这些结果可能互相支持，也可能互相冲突。
因此最终不应该强制输出：
True / False而应该形成：
Probability Distribution例如：
Egg 0.91
Ball 0.06
Stone 0.02
Unknown 0.01这就是：
概率匹配。
6.27 人的认知为什么像概率匹配
这也是本书一个重要的理论假设：
人的认知并不是面对现实以后直接获得绝对真值，而是在有限感觉、经验、记忆和情境下，对候选解释进行概率性匹配。
例如远处看到一个人：
可能是 A
可能是 B
可能是陌生人随着距离缩短：
视觉元素增加再听到声音：
听觉元素增加再看到面部：
属性匹配增强最终：
P(A) ↑
P(B) ↓这就是一个动态认知过程。
6.28 第十六层：协同匹配
这是本章最重要的匹配类型之一。
前面的匹配可以分别进行：
Pressure Matching
Friction Matching
Slip Matching
Deformation Matching但是实际行为认知需要：
Pressure
+
Friction
+
Slip
+
Deformation
+
Motion共同参与。
所以：
协同匹配是多个匹配结果之间进一步进行联合判断的过程。
6.29 鸡蛋抓取的完整匹配
假设机器人接近鸡蛋。
第一步：视觉匹配
Shape → Oval
Color → White
Size → Small得到：
Candidate = Egg第二步：位置匹配
Hand → Egg
Distance = 8cm得到：
Approaching第三步：接触匹配
Pressure > 0
ContactArea > 0得到：
Contact第四步：摩擦匹配
Friction = Medium第五步：滑移匹配
Slip = Low第六步：形变匹配
Deformation = Low第七步：状态协同匹配
Pressure
+
Friction
+
Slip
+
Deformation
+
Motion得到：
Grip Stability = High
Damage Risk = Low第八步：行为决策
系统发现：
Stability >= Required
Damage = Minimal于是：
Stop Increasing Pressure这就是本书真正希望建立的机器行为逻辑。
6.30 机器不应该不断测试
传统机器人控制中，一个简单的方法是：
尝试
↓
失败
↓
调整
↓
再尝试
↓
失败
↓
再调整这种方法在很多实际系统中确实可以工作。
但是问题是：
测试成本
+
时间成本
+
数据成本
+
设备磨损
+
对象损坏对于脆弱对象尤其明显。
例如鸡蛋：
测试一次
→
可能损坏一次如果通过不断试验寻找压力：
0.2N
0.4N
0.6N
0.8N
1.0N
1.2N很可能根本没有必要。
6.31 从“不断测试”转向“动态匹配”
本书提出另一种方向：
感知
↓
对象识别
↓
属性识别
↓
历史经验
↓
当前状态
↓
动态匹配
↓
预测
↓
最小风险动作机器人不是盲目地：
试一个而是根据当前数据不断更新：
Current State然后计算：
Next Best Action6.32 动态匹配模型
可以初步表示：
M(t)
=
F(
E(t),
O(t),
A(t),
R(t),
S(t),
T(t),
P(t),
V(t),
C(t),
H(t),
G(t)
)其中：
E = Element
O = Object
A = Attribute
R = Relation
S = State
T = Time
P = Position
V = Motion
C = Context
H = History
G = Goal最终输出：
Cognition(t)6.33 认知匹配的动态循环
认知不是一次计算。
而是：
t1
↓
Match
↓
Cognition
↓
Action
↓
t2
↓
New Data
↓
Rematch
↓
New Cognition
↓
New Action因此：
认知是连续更新的。
可以表示为：
C(t+1)
=
Update(
C(t),
NewData(t+1)
)这意味着：
机器每获得新的感觉数据，都可能重新认识当前对象。
6.34 认知匹配与学习
如果：
当前匹配产生错误：
预测：
Grip Stable
实际：
Egg Slipped那么系统获得：
Prediction Error下一次遇到类似对象时：
历史经验就可以影响：
匹配权重于是：
Matching
↓
Action
↓
Result
↓
Error
↓
Learning
↓
New Matching Model这就进入后面的：
学习理论。
6.35 认知偏差进入匹配系统
现在可以正式回答前面提出的问题：
认知偏差应该放在哪里？
本书的答案是：
认知偏差属于认知匹配机制。
它可以影响：
先验
权重
阈值
注意
候选排序
风险判断例如：
正常匹配：
Egg = 0.80
Ball = 0.15如果某个个体由于过去经历形成强烈的先验：
Fragile Object Prior ↑那么：
Egg Risk的匹配权重可能提高。
因此：
Cognition Bias
↓
Matching Parameters
↓
Matching Result
↓
Cognition这比把认知偏差当成“认知结果之后的错误”更合理。
6.36 个体认知开始出现
到这里，“个体认知”自然进入理论。
因为不同个体可以拥有不同：
Memory
Experience
Prior
Weight
Threshold
Goal
Bias因此面对同一个输入：
Input可以得到：
Person A → Cognition A
Person B → Cognition B即：
Same Input
+
Different Matching Model
=
Different Cognition这将成为后面“个体认知理论”的核心。
6.37 Cognitive Matching Model
因此可以定义：
认知匹配模型（Cognitive Matching Model）是描述一个认知系统如何利用感知元素、对象属性、关系、状态、时间、空间、运动、经验、目标和个体参数形成认知结果的模型。
可以表示：
CMM
│
├── Perception
├── Element
├── Object
├── Attribute
├── Relation
├── State
├── Time
├── Position
├── Motion
├── Context
├── Memory
├── Experience
├── Goal
├── Bias
└── Probability6.38 Cognitive Matching Engine
理论进入工程以后，可以建立：
CognitiveMatchingEngine内部可以进一步划分：
CognitiveMatchingEngine
│
├── SensationMatcher
├── ElementMatcher
├── AttributeMatcher
├── ObjectMatcher
├── RelationMatcher
├── SemanticMatcher
├── LogicMatcher
├── StateMatcher
├── TimeMatcher
├── PositionMatcher
├── MotionMatcher
├── ContextMatcher
├── ExperienceMatcher
├── GoalMatcher
└── ProbabilityMatcher然后由：
Coordinator进行协同匹配。
注意：
这是工程结构，不是理论本身。
理论定义：
是什么
为什么
关系是什么工程定义：
怎么实现
怎么调用
怎么计算
怎么组织两者必须保持边界。
6.39 认知匹配的总结构
到本章结束，可以形成：
当前现实
│
↓
感觉
│
↓
感知元素
│
↓
对象
│
┌─────────────┼─────────────┐
↓ ↓ ↓
属性 关系 状态
│ │ │
└─────────────┼─────────────┘
↓
动态变化数据
│
┌───────────────────┼───────────────────┐
↓ ↓ ↓
时间 位置 运动
│ │ │
└───────────────────┼───────────────────┘
↓
多维认知匹配
│
┌───────────────────┼───────────────────┐
↓ ↓ ↓
经验 记忆 情境
│ │ │
└───────────────────┼───────────────────┘
↓
个体匹配模型
│
┌─────────┴─────────┐
↓ ↓
偏差 目标
└─────────┬─────────┘
↓
概率匹配
↓
认知
↓
决策
↓
行为
↓
反馈
↓
学习
│
└────→ 再次匹配6.40 本章核心结论
本章可以形成一个非常明确的理论判断：
认知不是对数据进行一次静态分类，而是一个持续进行的动态匹配过程。
机器的认知过程不是：
数据
→
标签而是：
感觉
→
元素
→
对象
→
属性
→
关系
→
状态
→
动态变化
→
多维匹配
→
概率
→
认知进一步：
认知
→
行为
→
反馈
→
新数据
→
再次匹配因此，本书的核心循环可以正式定义为：
感知—匹配—认知—行为—反馈循环
即：
Perception
↓
Matching
↓
Cognition
↓
Action
↓
Feedback
↓
Perception而其中最关键的不是某一个固定传感器数据，而是：
对象属性在时间中的动态变化，以及不同属性之间的协同匹配。
对于鸡蛋抓取问题，真正需要寻找的也不是一个固定的：
Pressure = X而是：
Pressure(t)
Friction(t)
Slip(t)
Deformation(t)
Motion(t)
Contact(t)共同形成的：
Stable Grip
+
Minimum Damage状态。
这使“机器人行为”从：
不断测试寻找答案
开始转向：
根据当前对象状态进行动态认知匹配，并实时调整行为。
而这正是下一章必须解决的问题：
第七章 多维认知匹配：感觉、属性、语义、逻辑、状态、时间、位置与运动如何协同
下一章将进一步把本章的各种匹配正式组织成多维认知匹配模型，并重点建立“匹配维度之间不是简单并列，而是存在层级、依赖、冲突、协同和权重动态变化”的理论。