第26章 认知概率
前面的章节已经建立了一个连续的认知过程：
对象
↓
属性
↓
属性变化
↓
属性之间的动态关系
↓
对象动态状态
↓
认知匹配
↓
匹配强度
↓
匹配权重
↓
动态权重但是，到这里仍然存在一个关键问题：
当多个可能的认知结果同时存在时，系统如何判断哪一种认知更可能成立？
这就是认知概率所要解决的问题。
认知并不是简单地把一个匹配结果直接变成“确定答案”。
现实中的感知始终存在：
- 信息不完整；
- 感知误差；
- 属性变化；
- 环境干扰；
- 多种解释同时存在；
- 历史经验影响；
- 当前目标影响；
- 对象状态不断变化。
因此，一个真正能够模拟人的认知系统，不能只有：
匹配 / 不匹配而应该具有：
可能性
↓
强弱
↓
竞争
↓
概率
↓
当前认知26.1 什么是认知概率
这里所说的“认知概率”，并不是简单意义上的统计概率，也不是要求所有认知都必须依赖传统概率学公式。
在本理论中：
认知概率是认知系统根据当前感知信息、对象属性、动态状态、关系、匹配强度、动态权重以及个体认知背景，对某一种认知解释、状态判断或行为可能性的相对确定程度。
可以表示为：
P(C | X, O, S, R, W, I)其中：
C = Cognition
X = 当前感知信息
O = Object
S = State
R = Relation
W = Dynamic Weight
I = Individual Cognitive Context因此：
认知概率
≠
单纯的数据概率而是：
当前信息
+
当前对象
+
当前状态
+
动态关系
+
匹配结果
+
个体认知背景
↓
认知概率26.2 为什么认知不能只有“确定”和“不确定”
假设一个系统观察一个鸡蛋。
它可能得到：
对象 = 鸡蛋但仅仅知道“这是鸡蛋”，并不能完成抓取。
系统还需要判断：
当前是否稳定？
是否会滑落？
当前压力是否过大？
是否已经发生形变？
是否需要减小压力？
是否需要调整夹持位置？例如当前可能存在三种状态：
C1 = 安全抓取
C2 = 即将滑移
C3 = 可能损伤这三个状态并不是简单的：
True / False而可能表现为：
安全抓取 0.72
即将滑移 0.21
可能损伤 0.07此时系统的认知不是：
“鸡蛋一定安全。”
而是：
当前状态下，“安全抓取”是最可能的解释。
这就是认知概率的意义。
26.3 认知概率来自动态匹配
认知概率不能脱离前面的动态匹配单独产生。
完整过程应该是：
感知
↓
元素
↓
对象
↓
属性
↓
属性变化
↓
动态关系
↓
动态状态
↓
候选认知
↓
动态匹配
↓
匹配强度
↓
动态权重
↓
认知概率因此：
概率不是认知系统最前面的输入，而是动态认知匹配经过综合计算之后形成的结果。
这一点非常重要。
如果直接从原始数据计算概率，那么系统得到的更接近：
数据概率而不是：
认知概率26.4 从匹配强度到认知概率
前面第23章已经讨论了匹配强度。
假设当前存在三个候选认知：
C1
C2
C3它们经过动态匹配后得到：
M1 = 0.80
M2 = 0.50
M3 = 0.20如果仅仅使用匹配强度：
C1 > C2 > C3系统只能知道：
C1比C2更匹配。
但它还无法很好表达：
C1在当前认知竞争中的相对可能性是多少？
因此需要进一步进行归一化或者其他概率转换。
概念上可以表示为：
M1
M2
M3
↓
Probability Mapping
↓
P1
P2
P3例如得到：
P(C1) = 0.53
P(C2) = 0.33
P(C3) = 0.14这里最重要的不是具体数字，而是：
认知系统开始从“哪个更匹配”进入“哪个更可能成为当前认知”。
26.5 多个认知之间的竞争
认知系统往往不是只有一个候选结果。
例如看到一个物体：
圆形
金属
反光
有重量系统可能形成多个候选解释：
C1 = 金属球
C2 = 金属零件
C3 = 某种容器不同候选认知都会与当前信息进行匹配。
形成：
当前感知
│
┌────────┼────────┐
↓ ↓ ↓
C1 C2 C3
↓ ↓ ↓
M1 M2 M3
↓ ↓ ↓
W1 W2 W3
↓ ↓ ↓
P1 P2 P3于是认知形成了一个竞争过程：
候选认知
↓
匹配
↓
竞争
↓
概率分布
↓
当前认知因此：
认知不是从一个答案中读取结果，而是在多个可能解释之间形成动态竞争。
26.6 概率不是固定的
如果认知是动态的，那么概率也必须动态变化。
假设机器人正在抓取鸡蛋。
开始时：
压力 = 低
摩擦 = 足够
滑移 = 低
形变 = 低系统可能得到：
安全抓取 = 0.90
滑移风险 = 0.08
损伤风险 = 0.02但是随着夹持压力增加：
压力 ↑同时：
形变 ↑那么认知概率就必须重新计算：
安全抓取 = 0.65
滑移风险 = 0.05
损伤风险 = 0.30如果压力继续增加：
安全抓取 = 0.30
滑移风险 = 0.02
损伤风险 = 0.68因此：
P(C,t1)
↓
P(C,t2)
↓
P(C,t3)这就是：
动态认知概率。
26.7 认知概率与时间
认知概率必须具有时间维度。
可以表示：
P(C | t)或者：
CognitionProbability(t)这意味着：
t1 → 认知概率1
t2 → 认知概率2
t3 → 认知概率3
t4 → 认知概率4因此，一个对象的认知状态并不是永久固定的。
例如：
鸡蛋安全不能被理解成一个永久属性。
更加准确的表达应该是：
在当前时间、当前压力、当前摩擦、
当前接触面积、当前运动状态下，
鸡蛋处于安全抓取状态的认知概率为……这就把：
对象是什么
推进到了：
对象当前处于什么状态，以及这一状态有多大的认知确定程度。
26.8 概率与动态权重的关系
第25章已经建立：
权重不是固定的，而应该根据环境和对象状态动态调整。
因此认知概率不能只依赖原始属性。
例如抓取鸡蛋时：
颜色
重量
形状
温度
压力
摩擦
滑移
形变这些信息的重要性并不相同。
在普通识别阶段：
形状 → 高权重
颜色 → 中权重
压力 → 低权重但是进入抓取阶段以后：
压力 → 高权重
摩擦 → 高权重
滑移 → 高权重
形变 → 高权重
颜色 → 低权重于是：
状态变化
↓
权重变化
↓
匹配变化
↓
概率变化
↓
认知变化这正是动态认知系统区别于静态规则系统的重要地方。
26.9 认知概率不是简单平均
如果有：
压力
摩擦
滑移
形变不能简单计算：
(压力 + 摩擦 + 滑移 + 形变) / 4因为这些属性具有不同意义。
更重要的是，它们之间存在关系。
例如：
压力 ↑
+
摩擦不足
↓
滑移风险 ↑又例如：
压力 ↑
+
形变 ↑
↓
损伤风险 ↑所以应该形成：
属性
↓
属性关系
↓
协同变化
↓
动态匹配
↓
动态权重
↓
候选状态概率而不是：
属性
↓
简单平均
↓
概率26.10 认知概率中的“最小受损”原则
到这里，可以开始连接后面的第40章“最小受损匹配”。
例如抓鸡蛋时，系统可能面对：
方案A：压力大
方案B：压力中等
方案C：压力小传统系统可能只考虑：
是否抓得住但模拟人的认知应该进一步考虑：
是否抓得住
+
是否稳定
+
是否损伤对象
+
是否可以继续运动于是候选行为可能形成：
行为A → 抓取成功概率高，但损伤风险高
行为B → 抓取成功概率高，损伤风险低
行为C → 损伤风险低，但滑移风险高认知系统真正需要比较的是综合状态：
成功
稳定
安全
受损因此：
概率不是孤立评价一个数据，而是评价某种认知状态在当前动态条件下成立的可能程度。
26.11 认知概率与个体认知
虽然“个体认知理论”在第七篇才正式展开，但这里已经必须留下接口。
因为不同个体面对相同信息，可能形成不同概率。
例如：
相同对象
+
相同属性
+
相同动态状态不同个体可能因为：
经验不同
记忆不同
目标不同
风险偏好不同产生：
个体A：
安全 = 0.80
个体B：
安全 = 0.60这并不意味着某一个个体“计算错误”。
而是说明：
认知概率本身可能受到个体认知空间影响。
因此未来可以进一步形成：
Universal Evidence
↓
Dynamic Matching
↓
Individual Weight
↓
Individual Probability
↓
Individual Cognition这为第27章“什么是个体认知”建立理论基础。
26.12 认知概率的工程结构
如果进入工程实现，可以把一个认知概率对象描述为：
CognitiveProbability
│
├── object
├── state
├── candidate
├── evidence
├── matching_strength
├── dynamic_weight
├── probability
├── confidence
├── timestamp
└── source例如：
Object:
Egg
State:
Grasping
Candidate:
SafeGrasp
Evidence:
pressure
friction
slip
deformation
MatchingStrength:
0.86
DynamicWeight:
0.91
Probability:
0.79
Timestamp:
t这里特别需要区分：
probability与：
confidence二者不能简单视为同一个东西。
概率描述：
某种候选认知状态成立的相对可能性。
置信程度描述：
系统对当前判断结果的可靠程度。
例如：
Probability = 0.80
Confidence = 0.45完全可能存在。
因为系统可能倾向于认为：
C1最可能但当前数据质量很差。
26.13 认知概率的持续更新
因此，系统不能：
计算一次
↓
保存结果
↓
永久使用而应该：
感知
↓
匹配
↓
概率
↓
认知
↓
新数据
↓
重新匹配
↓
重新计算概率
↓
更新认知形成：
P(t)
↓
New Evidence
↓
P(t+1)
↓
New Cognition这意味着认知系统本质上是一个持续更新系统。
26.14 从概率进入认知
到这一章结束，我们已经完成了一个非常关键的理论转换：
前面是：
数据
↓
属性
↓
变化
↓
关系
↓
状态
↓
匹配
↓
权重现在进一步得到：
概率但概率本身仍然不是最终认知。
完整链条应该是：
Dynamic Attribute
↓
Dynamic Relation
↓
Dynamic State
↓
Dynamic Matching
↓
Matching Strength
↓
Dynamic Weight
↓
Probability
↓
Cognition因此：
概率是认知形成的重要中间层，而不是认知本身。
26.15 本章核心结论
本章建立六个基本认识。
第一，认知不是确定值的简单读取
认知面对的是多个可能状态和多个可能解释。
第二，认知概率来自匹配
不是直接从原始数据产生，而是经过对象、属性、状态、关系和匹配过程形成。
第三，认知概率具有动态性
Probability = f(t)对象状态改变，概率就应该改变。
第四，动态权重决定概率结构
不同属性在不同认知任务中具有不同的重要程度。
第五，概率不是认知本身
Probability
↓
Cognition概率提供的是认知确定程度和候选状态之间的竞争基础。
第六，认知概率最终必须进入个体认知
通用感知
↓
动态匹配
↓
动态权重
↓
概率
↓
个体经验/记忆/先验/目标
↓
个体认知因此，本篇“概率认知理论”最终完成的是：
把动态匹配产生的相对结果转换为可以参与认知形成的概率结构。
而从下一篇开始，理论将进入一个更加关键的问题：
如果不同的人面对相同对象、相同属性、相同变化，为什么会产生不同的认知？
这将进入第七篇：个体认知理论，从第27章开始正式建立“个体”在认知系统中的位置。