第24章 匹配权重
当多个属性同时参与认知匹配时，为什么它们不能被视为同等重要？系统又应该如何决定：什么属性更重要、什么变化必须优先响应，以及什么信息可以被降低权重？
上一章建立了“匹配强度”。
我们已经知道：
当前状态
↓
与候选认知状态进行匹配
↓
得到匹配强度但是，当一个对象同时具有多个属性时，仅仅知道每个属性的匹配强度仍然不够。
因为现实中的认知并不是：
属性A = 重要
属性B = 重要
属性C = 重要
属性D = 重要然后简单地把它们全部平均。
真正的认知过程更接近：
不同属性
↓
不同认知意义
↓
不同重要程度
↓
不同权重
↓
综合匹配
↓
认知结果因此，本章提出一个重要概念：
匹配权重是认知系统在特定对象、状态、目标和环境条件下，对不同信息赋予不同认知影响程度的机制。
24.1 为什么需要匹配权重
假设机器人正在抓取一个鸡蛋。
它同时获得以下信息：
重量
形状
颜色
温度
压力
摩擦
滑移
形变
位置
速度如果所有数据完全等权：
重量 10%
形状 10%
颜色 10%
温度 10%
压力 10%
摩擦 10%
滑移 10%
形变 10%
位置 10%
速度 10%那么就产生一个明显的问题：
颜色与压力真的具有同等的认知重要性吗？
对于“识别鸡蛋”这个任务，颜色可能具有一定作用。
但是对于“安全抓取鸡蛋”：
压力
摩擦
滑移
形变显然比颜色更加重要。
甚至在某一个瞬间：
形变可能成为最重要的信息。
因此：
属性的认知价值不是固定的，而是由当前认知任务和对象状态共同决定的。
24.2 权重不是属性本身
必须首先区分：
属性和：
属性权重例如：
鸡蛋
├── 重量 = 50g
├── 形状 = 椭圆
├── 摩擦 = X
├── 承受压力 = Y
└── 形变 = Z这些是对象属性。
而：
重量权重
形状权重
摩擦权重
压力权重
形变权重属于认知系统。
因此：
Object
↓
Attributes与：
Cognition
↓
Attribute Weights是两个不同层次。
可以表示为：
对象
│
├── 属性A
├── 属性B
├── 属性C
└── 属性D
认知系统
│
├── Weight(A)
├── Weight(B)
├── Weight(C)
└── Weight(D)这意味着：
同一个对象的同一个属性，在不同认知任务中可以拥有不同的权重。
24.3 权重为什么不能固定
如果系统把权重永久写死：
Pressure = 0.30
Friction = 0.20
Slip = 0.20
Deformation = 0.20
Temperature = 0.10那么看似完成了计算，实际上只是把静态规则换了一种形式。
因为现实状态会变化。
例如：
状态A
压力正常
摩擦正常
没有滑移
没有形变此时：
压力权重可能正常
形变权重可能较低
滑移权重可能较低但是状态发生变化：
压力 ↑
滑移 ↑系统就应该提高：
滑移权重如果继续出现：
形变 ↑那么：
形变权重也应该迅速提高。
于是：
Weight(t1)
≠
Weight(t2)
≠
Weight(t3)因此：
动态认知必须允许权重动态变化。
这也是第25章“动态权重”的理论基础。
24.4 权重与匹配强度的区别
上一章讨论：
Matching Strength本章讨论：
Matching Weight二者不能混淆。
可以简单理解为：
匹配强度
回答：
这个属性当前匹配得怎么样？
匹配权重
回答：
这个属性当前有多重要？
例如：
压力匹配强度 = 0.80
压力权重 = 0.90表示：
压力当前匹配程度较高，同时压力对当前认知非常重要。
而：
颜色匹配强度 = 0.95
颜色权重 = 0.10表示：
颜色匹配得很好，但对于当前任务而言并不重要。
于是：
高匹配强度
≠
高认知重要性这就是权重存在的意义。
24.5 综合匹配的基本结构
如果存在多个属性：
A
B
C
D每个属性都有：
MatchingStrength同时具有：
Weight那么综合匹配就不再是：
M = Average(A,B,C,D)而更接近：
M =
W_A × M_A
+
W_B × M_B
+
W_C × M_C
+
W_D × M_D其中：
M_A = 属性A匹配强度
W_A = 属性A匹配权重例如：
压力 M = 0.80 W = 0.40
摩擦 M = 0.90 W = 0.25
滑移 M = 0.70 W = 0.25
颜色 M = 0.95 W = 0.10综合结果并不是由颜色的高匹配直接决定。
而是由：
匹配程度
×
认知重要性共同决定。
24.6 权重代表认知资源的优先级
匹配权重不仅仅是一个数学参数。
从人的认知角度看，它代表：
当前认知过程中，系统应该把多少注意力、判断能力和决策资源放在某一信息上。
例如人拿一个玻璃杯。
正常情况下：
颜色
形状
重量
温度都可以感知。
但是如果杯子突然变得非常烫：
温度变化就会立即成为主要信息。
人的行为可能从：
正常拿取变成：
立即松手这说明：
某个属性变化
↓
认知重要性突然提高
↓
权重提高
↓
认知状态改变
↓
行为改变因此：
权重实际上承担着认知优先级分配的功能。
24.7 权重与目标
权重不是孤立产生的。
它首先受到：
Goal影响。
例如同一个鸡蛋：
任务一：识别
目标：
Identify重点可能是：
形状
颜色
尺寸
重量任务二：抓取
目标：
Grasp重点变成：
压力
摩擦
滑移
形变任务三：保护
目标：
Protect重点进一步变成：
损伤风险
形变
冲击
压力所以：
Goal
↓
Relevant Attributes
↓
Weight因此：
没有任务目标，就很难定义真正有意义的匹配权重。
24.8 权重与对象状态
目标相同，状态不同，权重仍然可能不同。
例如目标都是：
抓取鸡蛋在初始阶段：
鸡蛋静止
机器人接近可能更加关注：
位置
距离
形状进入接触阶段：
机器人手指接触鸡蛋权重转移到：
接触压力
摩擦
接触面积进入稳定抓取阶段：
压力稳定
滑移正常重点可能转向：
滑移
微小位移
形变因此：
Goal
+
State
↓
Weight这就是动态认知的重要机制。
24.9 权重与变化速度
属性值本身变化并不一定意味着权重必须改变。
更加重要的是：
属性是否正在发生具有认知意义的变化。
例如：
压力 = 10可能没有问题。
但是：
压力：
10
12
16
22
30快速增长。
那么系统应该认识到：
PressureChangeRate ↑这可能触发：
PressureWeight ↑甚至：
DamageRiskWeight ↑于是形成：
属性值
+
属性变化
+
变化速度
↓
权重调整这比固定权重更接近人的实际认知。
24.10 权重与异常
权重还有一个重要功能：
让认知系统快速关注异常信息。
例如：
正常状态：
压力 正常
摩擦 正常
滑移 正常
形变 正常此时各属性保持相对稳定。
突然：
滑移 ↑↑那么系统不应该继续按照原来的平均权重运行。
而应该：
Slip
↓
异常检测
↓
重要性提高
↓
Slip Weight ↑如果进一步出现：
滑移 ↑
形变 ↑
压力 ↑则可能形成：
Damage Risk
↓
权重进一步提高这意味着：
权重可以成为认知系统对异常进行资源重分配的机制。
24.11 不是所有信息都应该提高权重
如果发现异常就无限提高权重，也会产生新的问题。
例如：
传感器噪声可能导致：
异常
↓
权重提高
↓
认知过度关注
↓
错误决策因此系统必须区分：
真实变化和：
随机噪声这要求权重调整不能只依赖单次数据。
而应该综合：
当前值
历史值
变化趋势
持续时间
相关属性
对象状态
任务目标形成更加稳定的判断。
24.12 权重不是越大越好
一个常见错误是：
认为越重要的属性，权重就应该越大。
实际上权重是相对关系。
如果：
所有属性权重都提高那么并没有真正产生优先级。
真正有意义的是：
属性之间形成相对权重差异。例如：
Pressure = 0.45
Slip = 0.30
Shape = 0.15
Color = 0.10这才表达：
Pressure > Slip > Shape > Color因此：
权重的本质不是绝对大小，而是认知优先级之间的关系。
24.13 权重与约束条件
进一步来看，有些属性甚至不能简单当成普通权重。
例如：
鸡蛋最大允许形变如果超过这个范围：
任务失败那么：
Deformation Weight = 0.8可能还不够表达问题。
因为它实际上可能是：
Constraint即：
Deformation ≤ MaximumSafeDeformation因此认知系统中应该区分：
普通属性
重要属性
关键属性
约束属性可以形成：
属性
↓
认知作用类型
├── 普通匹配
├── 加权匹配
├── 强约束
└── 禁止条件这一步非常重要。
因为：
有些信息不是“影响结果多少”的问题，而是“是否允许继续”的问题。
24.14 鸡蛋抓取中的权重变化
现在重新看机器人抓鸡蛋。
假设机器人刚开始接近鸡蛋：
目标：
抓取当前阶段：
位置权重 高
距离权重 高
形状权重 中
压力权重 低
形变权重 低进入接触：
位置权重 ↓
压力权重 ↑
摩擦权重 ↑开始抓取：
压力
摩擦
滑移成为核心信息。
如果检测到：
形变 ↑则：
形变权重 ↑↑如果同时：
压力 ↑
形变 ↑系统进一步提高：
损伤风险权重于是整个认知过程成为：
接近
↓
接触
↓
抓取
↓
稳定
↓
状态变化
↓
重新分配权重
↓
重新匹配
↓
重新认知这就是动态认知，而不是固定参数控制。
24.15 权重的来源
一个完整认知系统中的权重，不应该只有一种来源。
至少可以存在：
基础权重
+
任务权重
+
状态权重
+
变化权重
+
经验权重
+
历史权重
+
风险权重可以抽象为：
W_i(t)
=
F(
W_base,
W_goal,
W_state,
W_change,
W_experience,
W_history,
W_risk
)这样，权重才真正成为一个动态认知变量。
24.16 个体差异会改变权重
同一个对象，不同个体可能具有不同的认知权重。
例如一个人第一次接触玻璃：
重量
形状
温度可能占主要注意力。
而一个长期从事玻璃搬运的人：
边缘
滑移
受力点
表面摩擦可能具有更高的认知权重。
为什么？
因为：
经验
↓
记忆
↓
历史结果
↓
权重调整于是：
Individual A
Weight(A)
Individual B
Weight(B)可以不同。
这就把本章与后面的：
第七篇 个体认知理论连接起来。
24.17 权重会形成个体认知差异
因此：
相同感觉
+
相同对象
+
相同属性仍然可能产生：
不同权重进一步产生：
不同匹配强度
↓
不同概率
↓
不同认知最终：
相同环境
↓
不同个体
↓
不同认知这正是“个体认知”产生的重要机制之一。
24.18 权重的工程表示
理论进入工程以后，可以把每一个认知属性表示为：
Attribute
├── value
├── state
├── change
├── trend
├── matching_strength
├── weight
└── confidence例如：
Pressure
├── value = 18
├── state = increasing
├── change = +4
├── trend = rising
├── matching_strength = 0.72
├── weight = 0.41
└── confidence = 0.94这样，一个属性就不再只是：
Pressure = 18而成为一个具有认知意义的动态结构。
24.19 权重与认知计算
现在可以进一步形成综合模型：
Attribute_i
↓
MatchingStrength_i
↓
Weight_i
↓
WeightedMatch_i即：
WeightedMatch_i
=
MatchingStrength_i × Weight_i然后：
多个 WeightedMatch
↓
综合匹配
↓
候选认知但这仍然只是基础模型。
真正的动态认知还需要考虑：
属性之间的关系
状态
变化
目标
风险
个体经验因此更完整的形式应该是：
Cognition
=
F(
Attributes,
Relations,
States,
Changes,
Weights,
Goals,
Experience,
Context
)24.20 权重不是人工测试的替代品，而是认知机制
这与传统机器人系统存在一个重要区别。
传统方式容易采用：
测试大量样本
↓
统计参数
↓
人工调整阈值
↓
继续测试
↓
再次调整这种方法的问题是：
数据量随着环境复杂度迅速增长。
如果对象、环境、任务和状态全部变化：
对象数量 ↑
属性数量 ↑
状态数量 ↑
环境数量 ↑
任务数量 ↑测试组合会快速膨胀。
而认知匹配试图建立的是：
对象结构
+
属性结构
+
动态变化
+
关系
+
目标
+
权重让系统能够根据当前状态动态调整关注重点。
所以目标不是：
测试所有可能情况。
而是：
建立能够根据变化调整认知优先级的机制。
这正是本书“理论工程”思想的重要体现。
24.21 从固定规则走向动态权重
传统系统可能写成：
if pressure > X:
stop()而认知系统更接近：
当前压力
+
压力变化率
+
摩擦
+
滑移
+
形变
+
历史状态
+
任务目标
↓
重新计算属性权重
↓
重新计算匹配
↓
判断当前认知状态
↓
决定是否调整行为两者最大的区别在于：
传统：
规则固定
认知：
权重随状态变化这并不是说规则完全消失。
而是：
规则负责约束认知空间，权重负责在认知空间中动态分配优先级。
24.22 匹配权重的核心模型
因此，本章可以建立：
目标
│
↓
经验 ───────→ 权重 ←──── 状态
│ │ │
记忆 │ 变化
│ ↓ │
先验 ─────→ 属性优先级 ←── 风险
│
↓
匹配强度
│
↓
综合匹配
│
↓
认知进一步形成动态结构：
W_i(t)而不是：
W_i = FixedValue24.23 本章核心结论
本章建立了以下理论：
第一
不同属性对当前认知的贡献不同，因此不能简单等权处理。
第二
匹配强度描述“匹配得多好”，匹配权重描述“这个匹配有多重要”。
第三
权重不是对象固有属性，而是认知系统根据目标、状态、变化、经验和风险形成的动态认知参数。
第四
权重不仅可以提高，也可以降低。
系统应该把有限的认知资源优先分配给当前最有意义的信息。
第五
部分属性属于普通匹配信息，部分属性属于关键属性甚至约束条件。
因此不能把所有属性简单放入同一个加权公式。
第六
个体经验可以改变权重，因此权重是形成个体认知差异的重要机制。
最终形成：
对象
↓
属性
↓
动态变化
↓
匹配强度
↓
匹配权重
↓
综合匹配
↓
认知进一步加入个体：
经验
记忆
先验
目标
偏差
↓
动态权重
↓
动态匹配
↓
个体认知24.24 本章最终模型
当前感知
│
↓
对象状态
│
┌──────────┼──────────┐
↓ ↓ ↓
属性A 属性B 属性C
│ │ │
↓ ↓ ↓
匹配强度 匹配强度 匹配强度
│ │ │
↓ ↓ ↓
权重A 权重B 权重C
│ │ │
└──────────┼──────────┘
↓
综合匹配
↑
┌──────────┼──────────┐
│ │ │
目标 状态 风险
│ │ │
└──────────┼──────────┘
↑
经验 / 记忆 / 先验
│
↓
个体权重
│
↓
动态认知由此，第23章的：
匹配强度
和本章的：
匹配权重
形成了明确的上下关系：
匹配强度
=
当前信息“匹配得怎么样”
匹配权重
=
当前信息“有多重要”二者结合：
Matching Strength
×
Matching Weight
↓
Weighted Matching
↓
综合认知匹配而下一章**第25章《动态权重》**将进一步解决一个更关键的问题：
权重本身如何随着时间、状态、属性变化、风险和反馈而自动变化？
也就是从：
Weight真正进入：
Weight(t)从而建立动态认知权重机制。