第25章　动态权重

静态权重只能描述“什么属性通常更重要”，而动态权重解决的是“在当前状态下，什么属性此刻更重要”。

在前面的章节中，我们已经建立了认知匹配、匹配强度以及匹配权重。

如果一个对象具有多个属性：

压力
摩擦
滑移
形变
位置
速度
温度

系统不能简单地认为：

压力 = 20%
摩擦 = 20%
滑移 = 20%
形变 = 20%
……

因为真实环境不是静止的。

对象在变化，属性在变化，任务在变化，目标在变化，风险也在变化。

因此，属性的重要程度本身也是动态变化的。

这就是动态权重。

25.1 什么是动态权重

动态权重是指：

认知系统根据对象当前状态、属性变化、环境变化、任务目标、历史经验以及风险变化，实时调整不同认知因素在当前匹配中的影响程度。

可以表示为：

W_i(t)

其中：

W_i = 某个属性当前的认知权重
t   = 当前时间或当前认知时刻

因此，权重不再是一个固定数字：

W_i = constant

而变成：

W_i = W_i(t)

进一步：

W_i(t)
=
f(
对象状态，
属性状态，
属性变化，
环境，
目标，
历史，
风险
)

这意味着：

系统不是提前规定所有属性永远有多重要，而是在认知过程中不断重新判断它们的重要程度。

25.2 为什么静态权重不够

假设机器人正在抓取一个鸡蛋。

系统一开始获得：

压力 = 低
摩擦 = 正常
滑移 = 0
形变 = 0

此时：

压力 → 中等关注
摩擦 → 中等关注
滑移 → 较低关注
形变 → 较低关注

但是随着抓取继续：

压力 ↑
滑移 ↑

此时情况已经发生变化。

原来不明显的滑移开始成为关键因素。

于是：

滑移权重 ↑
压力权重 ↑

如果继续发生：

形变 ↑

那么形变的重要性进一步提高：

形变权重 ↑↑

这说明：

属性本身没有改变

但是：

属性对当前认知的影响程度改变了。

因此：

动态环境要求动态权重。

25.3 权重不是属性本身

这是一个非常重要的区分。

例如：

压力 = 2N

是属性值。

而：

压力权重 = 0.35

是认知系统对这个属性的重视程度。

二者不能混淆。

可以表示为：

Attribute
    │
    ├── Value
    │
    ├── State
    │
    ├── Change
    │
    └── Weight

例如：

压力
│
├── 当前值：2N
├── 当前状态：正常
├── 变化：持续上升
└── 当前权重：0.35

所以：

属性描述对象发生了什么，权重描述认知系统当前有多重视这件事情。

25.4 权重为什么会发生变化

动态权重不是随机变化的。

它必须具有认知依据。

至少可以来自以下几个方面：

对象状态
属性变化
变化速度
变化趋势
属性之间的关系
当前任务
当前目标
历史经验
风险
环境
预测结果

因此可以形成：

当前感知
   ↓
属性状态
   ↓
属性变化
   ↓
动态关系
   ↓
风险判断
   ↓
目标判断
   ↓
权重调整

25.5 状态变化导致权重变化

最简单的动态权重来源就是状态变化。

例如：

鸡蛋

在正常状态下：

完整
稳定
未滑移

此时：

形变权重较低
滑移权重较低

但是如果系统发现：

滑移开始发生

对象状态发生变化：

稳定
 ↓
不稳定趋势

那么：

滑移权重 ↑

如果进一步发现：

压力持续增加
+
滑移持续增加
+
形变开始增加

那么系统应该进一步改变权重：

压力       ↑
滑移       ↑↑
形变       ↑↑↑

这里的重点不是三个数字分别变大。

真正重要的是：

对象状态变化改变了整个认知系统对属性的优先级。

25.6 变化速度影响权重

同样的属性值，如果变化速度不同，其认知意义也可能完全不同。

例如：

压力 = 3N

如果：

3N → 长时间稳定

和：

1N → 2N → 3N

以及：

1N → 3N

这三种情况不能被视为相同。

因为系统看到的不只是：

Value = 3N

还看到：

Change
Rate
Trend

因此：

Weight
=
f(Value, Change, Rate, Trend)

如果压力正在快速上升：

Rate(pressure) ↑

那么压力的动态权重可能提高。

25.7 趋势影响权重

变化速度解决：

现在变化得有多快？

趋势解决：

这种变化正在往哪里发展？

例如：

压力 ↑
滑移 ↑
形变 ↑

如果三者都持续增加，那么系统面对的不是三个独立数据，而是一个共同的危险趋势。

因此：

Risk Trend ↑

进一步导致：

相关属性权重 ↑

可以形成：

属性变化
   ↓
趋势识别
   ↓
风险趋势
   ↓
动态权重

25.8 属性之间的关系影响权重

这一点尤其重要。

如果系统只分别观察：

压力
摩擦
滑移
形变

它看到的是四个数据。

但如果系统观察：

压力 ↑
+
滑移 ↑
+
形变 ↑

它看到的是一个协同变化结构。

于是：

压力
  ↘
   协同变化 → 风险
  ↗
滑移
  ↑
形变

这种情况下，某个属性的权重可能因为另一个属性的变化而发生改变。

例如：

滑移本身不严重

但如果：

滑移 ↑
+
压力 ↑

那么滑移的认知重要性可能迅速提高。

因此：

动态权重不仅由单个属性决定，还可以由属性之间的关系决定。

25.9 权重可以由目标改变

动态权重还受到任务目标影响。

假设同一个机器人抓取同一个物体。

任务一：

目标：快速移动

任务二：

目标：安全移动

任务三：

目标：最小损伤

三个目标面对同一个对象时，属性权重可能不同。

例如：

目标：速度

可能提高：

速度
位置
运动效率

的权重。

而：

目标：保护对象

可能提高：

压力
摩擦
形变
稳定性

的权重。

因此：

目标变化
 ↓
认知优先级变化
 ↓
权重变化
 ↓
匹配变化

这说明：

权重并不是对象的固定属性，而是认知系统在特定目标下形成的动态参数。

25.10 风险越接近临界状态，权重越应该改变

这是对象保护认知中非常重要的一点。

假设对象存在一个承受范围：

安全区
警戒区
危险区
损伤区

系统可能在安全区中：

正常观察

进入警戒区：

提高相关属性权重

进入危险区：

快速提高风险相关属性权重

接近损伤区：

保护相关属性成为主要匹配依据

形成：

安全
 ↓
警戒
 ↓
危险
 ↓
临界
 ↓
损伤

对应：

动态权重
   ↓
   ↑
不断调整

因此：

动态权重实际上可以成为认知系统对风险变化的响应机制。

25.11 动态权重不是简单地“哪个数据大，哪个权重大”

这是必须避免的错误。

例如：

压力 = 100

并不意味着：

压力权重 = 最大

因为：

数据值

和：

认知重要程度

完全不是一个概念。

一个很小的变化可能非常重要。

例如：

滑移 = 0.1mm

数值非常小。

但是如果：

滑移持续增加
+
摩擦正在下降
+
压力正在增加

那么这个很小的滑移可能意味着：

抓取即将失稳

因此：

Value 小
≠
Importance 小

这正是动态认知与静态数据判断之间的重要区别。

25.12 动态权重的基本结构

可以建立一个基础模型：

W_i(t)
=
f(
V_i(t),
S_i(t),
ΔV_i(t),
R_i(t),
T_i(t),
Rel_i(t),
G(t),
E(t),
Risk(t)
)

其中：

V = 当前属性值
S = 当前属性状态
ΔV = 属性变化
R = 变化速率
T = 变化趋势
Rel = 与其他属性的关系
G = 当前目标
E = 个体经验
Risk = 当前风险

这不是要求一定使用某一个固定数学公式。

真正需要建立的是：

权重必须是一个由当前认知状态动态产生的量。

25.13 动态权重与认知匹配

前面第24章解决的是：

不同属性为什么具有不同重要程度。

第25章进一步解决：

这种重要程度为什么会随着时间和状态不断改变。

因此：

属性
 ↓
属性值
 ↓
属性变化
 ↓
动态关系
 ↓
当前状态
 ↓
目标/风险
 ↓
动态权重
 ↓
匹配
 ↓
认知

所以动态权重并不是认知匹配之外的一个独立功能。

它本身就是：

动态认知匹配的重要组成部分。

25.14 动态权重与鸡蛋抓取

现在回到最初的鸡蛋案例。

机器人准备抓取鸡蛋。

它获得：

压力
摩擦
滑移
形变
位置
速度

如果采用静态权重：

压力     0.20
摩擦     0.20
滑移     0.20
形变     0.20
位置     0.10
速度     0.10

那么无论环境发生什么，系统都按照固定比例计算。

这种方式存在明显问题。

因为抓取过程不是静态的。

初始阶段

压力：低
摩擦：正常
滑移：无
形变：无

系统主要确认：

是否已经接触
是否已经稳定

接触阶段

压力 ↑

系统开始关注：

压力变化

稳定阶段

压力稳定
滑移 = 0
形变 = 0

系统可以降低部分风险属性的即时权重。

异常阶段

突然：

压力 ↑
滑移 ↑

系统发现：

压力变化
+
滑移变化

存在关联。

于是：

滑移权重 ↑
压力权重 ↑

临界阶段

进一步：

滑移 ↑↑
形变 ↑

此时：

形变权重 ↑↑↑

系统认知重点已经从：

“是否抓住”

转变成：

“是否会损伤对象”

这就是动态权重真正产生认知意义的地方。

25.15 最小受损不是固定权重，而是动态形成的目标

前面提出：

Damage → MIN

但不能简单理解为：

永远把损伤权重设置成最高

真正的逻辑应该是：

任务目标
+
对象承受能力
+
当前状态
+
实时变化
+
风险趋势

共同决定：

当前保护权重

于是：

保护目标
      ↓
风险变化
      ↓
动态权重
      ↓
动态匹配
      ↓
最小受损行为

因此：

最小受损不是一个静态参数，而是一种通过动态权重不断调整出来的认知结果。

25.16 动态权重与人的认知

这并不只是机器人控制问题。

人在处理环境时也不会对所有信息保持相同注意程度。

例如一个人端着一杯水行走。

正常情况下：

杯子位置
手部位置
身体平衡
行走速度

都在持续被感知。

但是如果发现：

杯子突然倾斜

人的认知重点会立即改变。

原来的：

行走

变成：

防止水洒出

于是：

杯子倾斜
液体运动
手部压力
身体动作

相关信息的重要程度迅速提高。

这就是动态权重。

所以：

动态权重不是机器为了控制而发明的机制，而是模拟人的动态认知时必须建立的理论机制。

25.17 动态权重的本质

动态权重的本质不是：

调整数字

而是：

调整认知关注结构。

也就是说：

环境变化
 ↓
认知对象变化
 ↓
认知重点变化
 ↓
属性优先级变化
 ↓
权重变化
 ↓
匹配方式变化
 ↓
认知结果变化

因此可以提出一个重要定义：

动态权重是认知系统根据对象、属性、状态、变化、关系、目标和风险的实时变化，对不同信息重新分配认知影响力的机制。

25.18 从动态权重进入概率认知

到这里，我们已经建立：

属性
 ↓
属性变化
 ↓
属性关系
 ↓
对象状态
 ↓
认知匹配
 ↓
匹配强度
 ↓
匹配权重
 ↓
动态权重

下一步就出现一个问题：

当多个动态权重共同作用之后，系统究竟有多大程度相信某一种认知结果？

这就进入第26章：

第26章　认知概率

核心链条将进一步形成：

Dynamic Attribute
        ↓
Dynamic Relation
        ↓
Dynamic State
        ↓
Dynamic Matching
        ↓
Matching Strength
        ↓
Dynamic Weight
        ↓
Probability
        ↓
Cognition

这也是从“匹配”真正进入“认知形成”的关键一步。