第49章　匹配权重学习

在前面的认知模型中，匹配权重并不是一个固定不变的参数。

如果认知系统始终使用同一组权重，那么无论个体经历了什么、环境发生了什么变化、目标如何变化，系统都会以相同的方式理解对象。这显然无法解释人的认知差异，也无法形成真正意义上的个体学习。

因此，本章进一步研究：

个体如何通过反馈与经验改变匹配权重，使过去发生的结果影响下一次认知匹配。

这里的核心不是简单地“记住一次结果”，而是：

让结果改变未来认知过程中不同信息的重要程度。

49.1 为什么匹配权重需要学习

在第24章中，我们已经建立了匹配权重的概念。

一个对象通常包含多个属性：

对象
 │
 ├── 属性A
 ├── 属性B
 ├── 属性C
 └── 属性D

当这些属性进入认知匹配时，它们的重要程度并不一定相同。

可以表示为：

A × wA
B × wB
C × wC
D × wD

其中：

wA、wB、wC、wD

分别代表不同属性在当前认知任务中的匹配权重。

但是，如果权重永远固定，就会出现一个问题：

过去经验
     ↓
发生结果
     ↓
系统没有变化
     ↓
下一次仍然使用原来的权重

这意味着系统虽然“经历”了事情，却没有真正改变。

因此：

学习必须能够改变未来认知过程中的匹配结构。

而匹配权重正是连接“过去结果”和“未来认知”的一个重要位置。

49.2 从经验到权重变化

经验学习和权重学习并不是同一个概念。

经验解决的是：

过去发生过什么？

权重学习解决的是：

过去发生的事情，应该让我以后更加关注什么？

例如，一个个体第一次接触某种对象时，可能认为：

外观
重量
尺寸
压力

都比较重要。

经过多次经验之后，如果发现：

压力变化

比外观变化更能够预测对象是否受到损伤，那么系统可能逐渐提高压力相关属性的权重。

形成：

过去经验
   ↓
结果反馈
   ↓
发现某属性与结果具有较强关系
   ↓
提高该属性权重
   ↓
下一次匹配更加关注该属性

这才构成真正的权重学习。

49.3 权重学习不是简单增加或减少

匹配权重并不是简单的：

重要 → 增加
不重要 → 减少

实际认知过程中，权重变化可能受到多个因素共同影响。

例如：

经验
记忆
先验
当前目标
当前状态
历史结果
环境变化

因此可以建立：

Weight(t+1)
=
F(
Weight(t),
Experience,
Feedback,
Goal,
State,
Context
)

这里并不要求立即确定唯一数学公式。

理论上首先需要确定的是：

匹配权重本身是一个可以随认知过程和学习过程发生变化的动态变量。

也就是说：

Weight

不再只是一个固定参数，而成为：

Dynamic Cognitive Variable

49.4 正向反馈与权重增强

如果某一个属性的变化能够较好地预测正确结果，那么系统可以提高该属性在类似情境中的匹配权重。

例如：

对象：鸡蛋

属性：
压力
摩擦
滑移
形变

假设系统发现：

压力变化
+
摩擦变化

对最终损伤结果具有较强预测能力。

经过多次经验后：

压力权重 ↑
摩擦权重 ↑

于是下一次面对类似对象时，系统会更加关注：

压力
摩擦

而不是仅仅依靠视觉外观。

因此：

反馈
 ↓
相关性发现
 ↓
权重调整
 ↓
未来匹配改变

49.5 负向反馈与权重降低

权重学习同样来自错误结果。

如果系统长期依赖某个属性进行判断，但最终发现该属性经常产生错误认知，那么该属性的权重就可能降低。

例如：

外观
 ↓
判断对象安全
 ↓
实际结果并不安全

如果类似情况不断出现，那么系统可能逐渐降低：

外观属性权重

同时提高：

压力
形变
运动状态

等属性的权重。

于是：

错误结果
 ↓
权重重新调整
 ↓
匹配结构改变
 ↓
未来判断发生变化

这说明：

错误并不是学习系统的终点，而是调整认知权重的重要反馈。

49.6 权重学习与个体经验

不同个体经历不同，因此最终形成的权重也可能不同。

例如面对同一个对象：

对象X

个体A拥有经验：

经验A1
经验A2
经验A3

个体B拥有：

经验B1
经验B2
经验B3

如果两个人从经验中得到的结果不同，就可能形成：

Individual A

属性A → 0.7
属性B → 0.2
属性C → 0.1

而另一个个体可能形成：

Individual B

属性A → 0.3
属性B → 0.6
属性C → 0.1

于是：

相同对象
+
相同当前感知
+
不同个体权重
 ↓
不同匹配结果
 ↓
不同认知

这正是个体认知产生差异的重要机制之一。

49.7 权重学习与当前目标

权重学习也不能脱离目标。

同一个对象，在不同任务下，不同属性的重要性可能完全不同。

例如：

任务A：保护对象
任务B：提高速度
任务C：降低成本

即使对象和历史经验完全相同，当前目标不同，也可能产生不同的匹配权重。

因此：

经验
   +
当前目标
   ↓
权重调整
   ↓
认知匹配

这说明匹配权重不是单纯由过去决定的。

它同时具有：

历史性
+
个体性
+
情境性
+
目标性
+
动态性

49.8 权重学习与时间

权重也可能随着时间逐渐发生变化。

一次经验可能只产生很小的变化：

W(t)
 ↓
W(t+1)

多次重复经验可能形成更加明显的变化：

W(t)
 ↓
W(t+1)
 ↓
W(t+2)
 ↓
W(t+3)
 ↓
W(t+n)

因此，权重学习可以理解为一个持续过程：

经验
 ↓
反馈
 ↓
权重微调
 ↓
新的匹配
 ↓
新的反馈
 ↓
再次调整

最终形成：

认知系统不是一次学习完成，而是在连续认知过程中不断调整自己的匹配结构。

49.9 权重学习形成认知习惯

当某些权重经过长期经验不断强化之后，就可能形成相对稳定的认知倾向。

例如：

长期经验
 ↓
长期权重变化
 ↓
稳定匹配模式
 ↓
稳定判断方式

于是个体面对某类对象时，会自然优先关注某些属性。

从工程角度看，这可以理解为：

Individual Weight Profile

也就是个体权重画像。

它不是简单保存：

我经历过什么

而是进一步保存：

我通常更关注什么
我通常如何判断
什么信息对我更重要
什么变化会让我快速改变判断

这已经从“经验记忆”进一步进入了：

个体认知结构。

49.10 权重学习与认知概率

第26章已经建立：

Dynamic Matching
 ↓
Matching Strength
 ↓
Dynamic Weight
 ↓
Probability
 ↓
Cognition

现在加入学习过程之后，可以进一步形成：

Experience
 ↓
Feedback
 ↓
Weight Learning
 ↓
Dynamic Weight
 ↓
Dynamic Matching
 ↓
Matching Strength
 ↓
Probability
 ↓
Cognition

因此，经验并不是直接跳到认知。

经验首先改变认知系统内部的某些结构，尤其是：

匹配权重

然后权重变化进一步改变：

匹配强度

再改变：

认知概率

最终改变：

个体认知

49.11 权重学习的基本工程模型

从理论工程角度，可以把这一过程抽象为：

Current Weight
       +
Experience
       +
Feedback
       +
Goal
       +
Context
       ↓
Weight Update
       ↓
New Weight

也可以表示为：

W(t+1)
=
Update(
W(t),
E(t),
F(t),
G(t),
C(t)
)

其中：

W = Weight
E = Experience
F = Feedback
G = Goal
C = Context

这里的重点不是立即确定具体算法，而是确定系统中的对象关系：

Experience
      ↓
Feedback
      ↓
Weight Update
      ↓
Weight
      ↓
Matching

这使“学习”第一次真正进入认知匹配结构。

49.12 权重学习不是重新定义对象

需要特别区分：

对象
属性
权重

三者并不是同一个东西。

例如：

对象：鸡蛋

属性：
压力
摩擦
滑移
形变

权重并没有改变鸡蛋的属性。

它改变的是：

认知系统在当前任务中如何使用这些属性。

因此：

Object
 ↓
Attribute
 ↓
Attribute Value
 ↓
Matching Weight
 ↓
Matching

对象本身和认知系统对对象的关注方式必须分开。

这是认知工程中非常重要的结构边界。

49.13 从固定权重到可学习权重

由此可以形成一个重要的理论变化。

传统系统可能采用：

固定规则
+
固定权重
+
固定判断

而动态认知系统采用：

经验
 ↓
反馈
 ↓
权重变化
 ↓
匹配变化
 ↓
概率变化
 ↓
认知变化
 ↓
行为变化
 ↓
再次反馈

形成闭环：

      ┌──────────────┐
      ↓              │
   当前认知 → 决策 → 行为
      ↑              ↓
      │            环境
      │              ↓
      └──────反馈────┘
             ↓
          权重学习
             ↓
        下一次认知匹配

这使认知系统从：

静态规则系统

进入：

可通过经验改变自身匹配结构的动态系统。

49.14 权重学习的边界

但是，权重学习并不意味着系统可以无限制地改变所有权重。

如果权重完全不受约束，那么系统可能出现：

某一次异常经验
 ↓
权重剧烈改变
 ↓
后续认知失真

因此，权重学习还需要考虑：

变化幅度
稳定性
历史积累
情境范围
目标范围
经验可靠性
反馈可靠性

也就是说：

学习不是让权重任意变化，而是在认知系统约束下进行结构性变化。

这为后面的个体认知模型和工程实现留下了必要的接口。

49.15 从权重学习进入个体认知变化

到这里，可以看到一个完整的过程：

个体经历
 ↓
形成经验
 ↓
产生反馈
 ↓
调整匹配权重
 ↓
改变未来匹配
 ↓
改变认知概率
 ↓
改变个体认知
 ↓
改变决策
 ↓
改变行为
 ↓
产生新的结果
 ↓
形成新的经验

于是：

个体学习的本质之一，就是个体过去的结果不断改变未来认知中的信息权重。

这使“经验”不再只是一个被动保存的数据，而成为能够改变认知系统内部结构的动态因素。

49.16 本章核心模型

本章可以将匹配权重学习压缩为：

Experience
     ↓
Feedback
     ↓
Weight Update
     ↓
Dynamic Weight
     ↓
Dynamic Matching
     ↓
Matching Strength
     ↓
Probability
     ↓
Cognition
     ↓
Decision
     ↓
Behavior
     ↓
New Feedback
     └──────────────→ Weight Update

最终形成：

认知不是使用固定权重对世界进行永久判断，而是在经验和反馈作用下不断调整“什么信息更重要”的过程。

因此，匹配权重学习成为连接：

经验
 ↓
认知
 ↓
行为
 ↓
反馈

的重要中间机制。

而从这一章开始，学习不再只是“增加记忆”，而开始真正改变认知系统本身。

这也为下一章 第50章 个体认知变化 建立基础：如果匹配权重能够随着经验、反馈和目标不断变化，那么个体的认知结构也就不可能永远保持不变。