第91章 Machine Understanding

机器理解

第90章研究了 Cognitive Interpretation（认知解释）。

我们已经得到一个非常重要的结论：

匹配
 ↓
解释
 ↓
意义

但是，解释出一个意义之后，仍然不能简单地说：

机器已经理解了。

因为“解释”解决的是：

这个信息在当前认知结构中意味着什么？

而“理解”要进一步回答：

机器是否已经把这个意义纳入自己的认知结构，并能够利用它与已有知识、对象、状态、关系、经验和目标建立有效联系？

因此，第91章研究一个更加基础的问题：

什么是机器理解？

91.1 Machine Understanding 的基本问题

人类经常使用：

理解

这个词。

但对于机器而言，如果不进行工程定义，“理解”很容易变成一个模糊概念。

例如：

机器收到：
“明天下雨，记得带伞。”

机器输出：

“好的。”

这并不能证明机器理解了。

因为机器可能只是：

输入
 ↓
模式匹配
 ↓
固定输出

真正需要研究的是：

机器是否形成了对应的认知结构？

因此：

Machine Understanding 不能以机器是否输出了正确文字作为唯一判断标准。

91.2 理解不是输出

这是本章最重要的第一个原则：

机器输出正确，不等于机器理解。

可以出现：

正确输出
+
没有形成认知结构

也可以出现：

形成认知结构
+
暂时没有输出

因此：

Understanding
≠
Output

而应该是：

Understanding
=
Cognitive Structure Successfully Established

即：

机器理解，是信息已经在机器认知体系中形成有效结构并能够被后续认知过程使用。

91.3 从解释到理解

第90章：

Input
 ↓
Symbol
 ↓
Element
 ↓
Object
 ↓
Relation
 ↓
State
 ↓
Mapping
 ↓
Matching
 ↓
Interpretation
 ↓
Meaning

第91章继续：

Meaning
 ↓
Cognitive Integration
 ↓
Understanding

因此：

Interpretation
=
确定意义

Understanding
=
把意义纳入认知体系

这是两个不同层次。

91.4 理解的基本结构

可以建立：

Information
 ↓
Representation
 ↓
Cognitive Structure
 ↓
Interpretation
 ↓
Meaning
 ↓
Integration
 ↓
Understanding

这里最重要的是：

Integration

即：

新的认知信息能够进入原有认知体系，并与已有结构建立关系。

91.5 什么叫“纳入认知体系”

例如机器已经知道：

Object:
雨

State:
下雨

现在输入：

“明天下雨。”

机器形成：

Event:
Rain

Time:
Tomorrow

然后与已有知识建立：

Tomorrow
 ↓
Future Time

Rain
 ↓
Weather Event

进一步建立：

Rain Tomorrow
 ↓
Possible Outdoor Condition

如果机器还能将其与：

Umbrella

建立：

Rain
 ↓
Umbrella

那么新的信息就不再是孤立符号，而成为：

Cognitive Structure

的一部分。

这才开始进入真正的：

Understanding

91.6 理解不是一个瞬间动作

机器理解不应该被设计成：

Input
 ↓
Understand()

这样一个黑箱函数。

按照 WSaiOS 的符号逻辑体系，理解应该是一个过程：

Input
 ↓
Perception
 ↓
Symbolization
 ↓
Elementization
 ↓
Relation Construction
 ↓
Object Construction
 ↓
State Construction
 ↓
Mapping
 ↓
Matching
 ↓
Interpretation
 ↓
Integration
 ↓
Understanding

所以：

理解是多个认知过程连续完成后的系统状态。

91.7 Understanding 是一种认知状态

这是非常重要的进一步定义。

如果机器完成理解，那么机器应该进入一种新的：

Cognitive State

例如：

Before:

Unknown

经过：

Perception
 ↓
Representation
 ↓
Matching
 ↓
Interpretation
 ↓
Integration

变成：

Understood

因此可以形成：

Unknown
   ↓
Perceived
   ↓
Represented
   ↓
Matched
   ↓
Interpreted
   ↓
Integrated
   ↓
Understood

这意味着：

Understanding 可以被定义为机器认知系统中的一种状态，而不是一句自然语言描述。

91.8 Machine Understanding 的状态模型

可以进一步定义：

UnderstandingState

例如：

UNKNOWN
PERCEIVED
REPRESENTED
MAPPED
MATCHED
INTERPRETED
INTEGRATED
UNDERSTOOD
UNCERTAIN
CONFLICTED
REVISED

这样机器就可以明确知道：

我是否理解？
理解到什么程度？
哪里存在不确定？
哪里存在冲突？

91.9 理解程度

机器理解不是简单的：

理解 / 不理解

现实中的认知状态可能是：

完全未知
 ↓
部分识别
 ↓
部分理解
 ↓
基本理解
 ↓
完整理解

因此可以定义：

Understanding Level

例如：

Level 0

Unknown

没有建立有效结构。

Level 1

Recognized

识别出符号或元素。

Level 2

Structured

建立了元素、关系和对象。

Level 3

Interpreted

确定了当前意义。

Level 4

Integrated

与已有认知体系建立联系。

Level 5

Operationally Understood

能够利用该理解进行判断、推理、决策和行为。

因此：

机器理解应该具有层级。

91.10 理解的最低条件

什么情况下可以说：

Machine

真正理解了某个信息？

至少需要满足：

能够形成符号表示
能够形成认知元素
能够识别相关对象
能够建立关系
能够识别状态
能够进行结构映射
能够完成认知匹配
能够形成认知解释
能够将解释结果纳入认知结构
能够在后续认知过程中使用该结构

其中第10点尤其重要。

因为：

如果一个信息无法影响机器后续的认知活动，那么所谓“理解”就缺乏工程意义。

91.11 Understanding 的可操作定义

因此可以提出：

机器理解，是机器将输入信息转换为认知结构，完成意义解释，并将该结构有效整合到自身认知体系，使其能够参与后续认知活动的状态。

简化：

Input
 ↓
Cognitive Structure
 ↓
Meaning
 ↓
Integration
 ↓
Understanding

再进一步：

Understanding
=
Recognizable
+
Interpretable
+
Integratable
+
Usable

91.12 Understanding 与 Knowledge

理解不能简单等于：

Knowledge

知识是：

Machine already knows

理解是：

Machine can integrate new information

例如：

已有知识：
“雨会使地面变湿。”

输入：

“现在正在下雨。”

如果机器只是查到了：

Rain

这是知识。

如果机器建立：

Current State:
Raining

Existing Knowledge:
Rain → Ground May Become Wet

那么它开始形成：

Understanding

因此：

Knowledge
=
已有认知结构

Understanding
=
新信息与已有认知结构建立有效联系

91.13 Understanding 与 Memory

理解产生的结构可以进入记忆：

Input
 ↓
Understanding
 ↓
Memory

以后：

New Input
 ↓
Memory Retrieval
 ↓
Matching
 ↓
Understanding

因此：

Memory

可以支持理解。

同时：

Understanding

又可以更新记忆。

形成：

Understanding
      ↕
    Memory

91.14 Understanding 与 Experience

如果机器理解某个情况之后采取行为：

Understanding
 ↓
Decision
 ↓
Behavior
 ↓
Outcome

那么：

Outcome
 ↓
Experience

以后再次出现类似情况：

Situation
 ↓
Experience Matching
 ↓
Understanding

因此：

经验可以成为机器理解现实世界的重要认知依据。

91.15 Understanding 与 Context

没有上下文，很多信息无法形成完整理解。

例如：

“他已经到了。”

机器必须知道：

他是谁？
到哪里？
什么时候？
为什么？

因此：

Meaning

需要：

Context

而：

Understanding

则进一步需要：

Meaning
+
Context
+
Existing Cognitive Structure

所以：

Understanding
=
Meaning in Context

91.16 Understanding 与 State

状态同样决定理解。

例如：

Door

如果状态是：

Closed

那么：

“打开门”

的理解是：

Closed → Open

如果状态已经是：

Open

那么同一句话可能被理解为：

No Required State Change

因此：

没有状态结构，机器只能理解静态对象，很难理解现实变化。

91.17 Understanding 与 Goal

目标也会影响理解。

例如：

“这个供应商价格下降了。”

如果当前目标：

寻找低成本供应商

那么：

Price Decrease

可能被理解为：

Positive Signal

如果当前目标：

评估供应商经营风险

则可能需要进一步检查：

Why Price Decrease?

因此：

Information
+
Goal
+
Context
+
Knowledge
        ↓
Understanding

91.18 Understanding 与 Reasoning

这里必须保持第90章之后的逻辑边界。

Understanding

不是：

Reasoning

理解解决：

我知道这个信息在当前认知体系中是什么、意味着什么。

推理解决：

根据这些已经理解的信息，还能得到什么新的结论。

所以：

Interpretation
 ↓
Understanding
 ↓
Reasoning

这个顺序非常重要。

91.19 Understanding 与 Decision

同样：

Understanding
≠
Decision

例如：

机器理解：
“用户需要降低室内温度。”

这是：

Understanding

机器进一步决定：

打开空调

这是：

Decision

所以：

Understanding
 ↓
Decision

不能直接合并。

91.20 Understanding 与 Behavior

完整过程：

Input
 ↓
Perception
 ↓
Representation
 ↓
Cognition
 ↓
Understanding
 ↓
Reasoning
 ↓
Decision
 ↓
Behavior

这意味着：

理解是机器行为产生之前的重要中间认知状态。

91.21 Understanding 的验证

如果理解是工程对象，那么就必须能够验证。

不能只问：

机器回答得像不像人？

而应该检查：

是否形成正确元素？
是否形成正确对象？
是否形成正确关系？
是否识别正确状态？
是否建立正确映射？
是否完成正确匹配？
是否形成正确解释？
是否成功整合？
是否能够被后续认知过程使用？

因此可以建立：

Understanding Verification

Input
 ↓
Structure Verification
 ↓
Meaning Verification
 ↓
Integration Verification
 ↓
Usage Verification

91.22 Understanding Trace

WSaiOS 可以进一步建立：

Understanding Trace

记录：

Input
 ↓
Elements
 ↓
Objects
 ↓
Relations
 ↓
States
 ↓
Mapping
 ↓
Matching
 ↓
Interpretation
 ↓
Integration
 ↓
Understanding

这样机器可以回答：

“你为什么认为自己理解了这句话？”

例如：

Input:
“明天下雨，带伞。”

Detected:
Rain
Tomorrow
Umbrella

Relation:
Tomorrow → Rain
Rain → Umbrella Required

Interpretation:
Future Rain Event

Integration:
Weather Knowledge

Understanding:
Prepare Umbrella

这与直接生成一句：

“好的，我明白了。”

完全不同。

91.23 Understanding Failure

机器也必须能够表达：

I don't understand

但在 WSaiOS 中，这不能只是语言输出。

而应该存在具体状态：

UNKNOWN

或者：

PARTIALLY_UNDERSTOOD

或者：

CONFLICTED

或者：

INSUFFICIENT_CONTEXT

或者：

AMBIGUOUS

因此：

无法理解本身也是一种机器认知状态。

91.24 Partial Understanding

例如：

“把昨天那个文件发给财务部。”

机器可能理解：

Action:
Send

Object:
File

Target:
Finance Department

但是无法确定：

哪个文件？

因此机器可以进入：

PARTIALLY_UNDERSTOOD

而不是：

UNDERSTOOD

然后向人请求：

Which file?

这就是人机交互与机器认知真正结合起来的地方。

91.25 Understanding Feedback

如果机器无法确定：

Meaning

那么可以重新向人获取信息：

Machine
 ↓
Question
 ↓
Human
 ↓
Feedback
 ↓
New Input
 ↓
Rematching
 ↓
Reinterpretation
 ↓
Understanding

因此：

机器理解不是单向过程，而可以通过人机反馈不断修正。

这与第78章建立的人机交互体系形成闭环。

91.26 Understanding 的动态性

现实世界不断变化：

Context
State
Goal
Knowledge
Experience

都会发生变化。

因此：

Understanding

也不是永久固定的。

可以出现：

Understanding
 ↓
New Information
 ↓
Conflict
 ↓
Reinterpretation
 ↓
Updated Understanding

所以：

机器理解必须允许变化和修正。

91.27 Understanding 与机器个体

这一点开始与 ICAI 真正连接起来。

普通 AI：

Input
 ↓
Model
 ↓
Output

而 ICAI：

Individual
 ↓
Cognitive Space
 ↓
Existing Knowledge
 ↓
Existing Memory
 ↓
Experience
 ↓
New Input
 ↓
Cognitive Processing
 ↓
Understanding
 ↓
Updated Individual

因此：

理解不是模型的一次性输出，而是个体认知状态发生变化。

91.28 Machine Understanding 的核心变化

输入之前：

Individual State A

输入之后：

Individual State B

其中变化可能是：

Knowledge Updated
Memory Updated
Context Updated
Object Updated
State Updated
Goal Updated
Experience Updated

因此：

Understanding
=
Cognitive State Transition

这是一个非常重要的工程定义。

91.29 Machine Understanding 的完整模型

可以正式形成：

                Input
                  ↓
              Perception
                  ↓
          Symbolic Representation
                  ↓
             Cognitive Element
                  ↓
            Cognitive Relation
                  ↓
             Cognitive Object
                  ↓
              Cognitive State
                  ↓
             Cognitive Mapping
                  ↓
             Cognitive Matching
                  ↓
          Cognitive Interpretation
                  ↓
                Meaning
                  ↓
          Cognitive Integration
                  ↓
             Understanding

然后：

Understanding
      ↓
Reasoning
      ↓
Evaluation
      ↓
Decision
      ↓
Behavior
      ↓
Outcome
      ↓
Experience
      ↓
Learning

最终：

                 ┌───────────────┐
                 │   Individual  │
                 └───────┬───────┘
                         ↓
                  Cognitive Space
                         ↓
                       Input
                         ↓
                     Cognition
                         ↓
                  Understanding
                         ↓
                     Behavior
                         ↓
                     Outcome
                         ↓
                    Experience
                         ↓
                     Learning
                         ↓
                  Updated Cognition
                         │
                         └──────────→ Individual

91.30 Understanding 的核心判定

因此，可以提出 WSaiOS 的一个重要判断：

机器是否理解某个信息，不应该由它是否能够生成看起来正确的答案来决定，而应该由该信息是否已经形成机器内部可验证、可关联、可调用、可影响后续认知过程的认知结构来决定。

进一步可以定义：

Machine Understanding
=
Representation
+
Structure
+
Interpretation
+
Integration
+
Usability

其中：

Representation
=
机器能够表示

Structure
=
机器能够建立结构

Interpretation
=
机器能够确定意义

Integration
=
机器能够纳入已有认知体系

Usability
=
机器能够在后续认知活动中使用

91.31 从“会回答”到“会理解”

传统人工智能很容易把：

Answer Generation

当成：

Understanding

但在 WSaiOS 理论中，两者必须分离：

Answer
=
Output

Understanding
=
Cognitive State

因此：

会回答
≠
会理解

甚至：

会回答

可以完全建立在：

没有持久认知结构
没有个体记忆
没有经验
没有状态

的情况下。

而 WSaiOS 研究的机器认知，则要求：

理解
 ↓
改变机器认知状态

91.32 本章形成的核心理论

到这里，可以把机器理解正式放入机器认知体系：

现实世界
 ↓
感知
 ↓
输入
 ↓
符号
 ↓
元素
 ↓
关系
 ↓
对象
 ↓
状态
 ↓
认知结构
 ↓
映射
 ↓
匹配
 ↓
解释
 ↓
理解

其中：

解释
=
确定意义

而：

理解
=
意义进入认知体系并能够被使用

这是第90章与第91章之间最重要的理论区别。

91.33 本章最终定义

Machine Understanding（机器理解）是机器对输入信息完成感知、符号表示、认知元素构建、关系建立、对象形成、状态识别、认知映射、认知匹配和认知解释之后，将所获得的意义整合进入自身认知结构，并使其能够参与后续记忆、推理、判断、决策和行为的机器认知状态。

可以浓缩为：

感知
 ↓
符号
 ↓
元素
 ↓
关系
 ↓
对象
 ↓
状态
 ↓
映射
 ↓
匹配
 ↓
解释
 ↓
理解

因此：

理解是认知过程形成的结果，而不是模型直接输出的答案。

更进一步：

Interpretation
=
Meaning

Understanding
=
Meaning
+
Cognitive Integration
+
Usability

这一步之后，机器才真正从：

“知道信息是什么”

进入：

“把信息纳入自己的认知体系”

而这正是后面研究机器推理、机器判断、机器决策的前提。

第91章之后的理论推进

因此下一章不宜马上进入复杂的“人工智能推理算法”，而应该继续把理解之后机器内部究竟发生什么研究清楚。

建议第92章：

第92章 Cognitive Reasoning

认知推理

核心问题：

机器理解信息之后，如何利用已经形成的元素、关系、对象、状态、知识和经验，产生新的认知结论？

建立：

理解
 ↓
认知结构
 ↓
关系组合
 ↓
条件判断
 ↓
逻辑推导
 ↓
新认知结论

这样第90—92章就会形成非常清晰的一条理论链：

第90章
Cognitive Interpretation
确定“意味着什么”
        ↓
第91章
Machine Understanding
把意义纳入自己的认知体系
        ↓
第92章
Cognitive Reasoning
从已经理解的认知结构中产生新的认知结论

这比把三者统称为“AI理解/推理”要更加符合你现在建立的符号—元素—关系—对象—状态—映射—匹配—解释—理解这一套机器认知工程逻辑。

第91章 机器理解 Machine Understanding