第99章 Cognitive Decision
认知决策
第98章研究了认知适应。
机器已经能够：
感知变化
↓
发现变化
↓
比较已有认知
↓
进行认知调整
↓
形成新的认知状态但认知适应之后，还存在一个更加直接的问题：
当机器面对多个可能的选择时，它究竟如何从“知道”走向“选择”，再从“选择”形成“决策”？
因此，第99章研究：
Cognitive Decision
中文：
认知决策
这里首先需要明确：
认知
≠
决策机器能够认识一个对象，并不意味着机器已经决定对它做什么。
例如：
机器认识：
Object A
机器知道：
A 当前处于 State X
机器拥有：
关于 A 的知识与经验这些只是认知结果。
真正进入决策，需要进一步回答：
现在要做什么？
为什么做？
选择哪个？
不选择哪个？
依据是什么？因此：
Cognition
↓
Evaluation
↓
Choice
↓
Decision99.1 什么是认知决策
可以定义：
认知决策，是机器个体在当前认知状态下，根据目标、知识、经验、约束以及当前情境，对多个可能选择进行评价、比较和选择，并形成后续行动依据的认知过程。
核心结构：
Cognitive State
+
Goal
+
Knowledge
+
Experience
+
Constraints
↓
Evaluation
↓
Choice
↓
Decision因此：
决策不是机器凭空产生的输出，而是认知结构经过评价和选择之后形成的结果。
99.2 为什么需要认知决策
前面的机器认知体系已经形成：
Perception
↓
Representation
↓
Cognitive Element
↓
Relation
↓
Object
↓
State
↓
Structure
↓
Mapping
↓
Matching
↓
Interpretation
↓
Understanding
↓
Memory
↓
Experience
↓
Feedback
↓
Learning
↓
Adaptation但是这些过程本身并没有解决：
下一步选择什么？
因此必须增加：
Decision于是：
Understanding
↓
Decision成为机器从：
“认识世界”走向：
“对世界采取行动”的重要桥梁。
99.3 认知与决策的关系
可以明确区分：
Cognition
=
机器知道什么
Decision
=
机器选择什么例如：
Cognition：
Object A
State = Available
Quality = High
Cost = Medium
Risk = Low这是认知。
如果当前目标是：
Goal = Reliability机器进一步比较：
A
B
C最后：
Choose A才形成：
Decision因此：
Knowledge
≠
DecisionUnderstanding
≠
Decision99.4 决策的输入
认知决策不是只依靠一个条件。
至少包括：
Current Cognitive State
Goal
Knowledge
Experience
Constraints
Context
Available Options可以形成：
Cognitive State
│
Goal ──────────────────┤
Knowledge ─────────────┤
Experience ────────────┤
Constraints ───────────┤
Context ───────────────┤
Options ───────────────┘
↓
Evaluation
↓
Choice
↓
Decision99.5 Cognitive State
决策首先依赖：
Current Cognitive State机器不能在不知道当前情况的情况下进行可靠决策。
例如：
Object A
State:
Available与：
Object A
State:
Unavailable对应的决策完全不同。
所以：
决策必须建立在当前认知状态之上。
99.6 Goal
同一个认知状态，因为目标不同，也可能产生完全不同的决策。
例如：
Object A
Object B
Object C如果目标：
Lowest Cost可能：
Choose A如果目标：
Highest Reliability可能：
Choose B如果目标：
Fastest Delivery可能：
Choose C因此：
Same Cognition
+
Different Goal
↓
Different Decision所以：
目标决定决策评价的方向。
99.7 Knowledge
知识提供：
What is known例如：
A has property X
B has property Y
C has property Z知识本身并不直接等于决策。
它提供：
Decision Evidence因此：
Knowledge
↓
Evaluation Basis
↓
Decision99.8 Experience
知识告诉机器：
What is known经验进一步告诉机器：
What happened before例如：
Past Situation
↓
Action A
↓
Good Outcome当前遇到类似情况：
Current Situation机器可以调用：
Past Experience辅助决策。
因此：
Current Cognition
+
Past Experience
↓
Decision Evaluation99.9 Constraints
现实中的决策并不是：
Choose the Best这么简单。
还存在：
Time
Cost
Resources
Rules
Permissions
Safety
Human Control因此：
Possible Choices首先需要经过：
Constraint Filtering例如：
A
B
C
D如果：
C = Not Allowed
D = Not Available那么真正的候选集合变成：
A
B所以：
约束决定“哪些选择可以进入决策”。
99.10 Options
决策必须存在：
Options否则不存在真正意义上的选择。
例如：
Option A
Option B
Option C机器才能：
Compare然后：
Select因此：
Decision
=
Evaluation among Alternatives99.11 Evaluation
决策的核心不是简单比较，而是：
Evaluation
即：
机器根据当前目标和认知条件，对候选选择进行价值、适用性、风险、成本或结果评价。
例如：
Option A
Reliability = High
Cost = Medium
Risk = Low
Option B
Reliability = Medium
Cost = Low
Risk = Medium当前目标：
Reliability First于是：
Evaluation(A)
>
Evaluation(B)最终：
Choose A99.12 Evaluation Rule
评价必须存在依据。
例如：
Goal:
Reliability对应：
Evaluation Rule:
Reliability Weight > Cost Weight因此：
Decision实际上受到：
Goal
+
Evaluation Rule共同影响。
99.13 Choice
评价之后并不自动等于决策。
中间还有：
Choice可以表示：
Evaluation
↓
Ranking
↓
Choice例如：
A = 0.91
B = 0.83
C = 0.72机器选择：
A这一过程称为：
Choice而最终形成：
Decision99.14 Choice 与 Decision 的区别
这是本章必须明确的概念。
Choice
=
选择某个候选项而：
Decision
=
形成一个具有后续意义的确定性认知结论或行动决定例如：
Choice:
A进一步：
Decision:
Select A as supplier.所以：
Choice
↓
Decision99.15 Decision Object
为了工程化，可以把决策本身结构化为一个对象：
Decision
{
decision_id,
individual_id,
context,
goal,
state,
options,
evaluation,
selected_option,
constraints,
reason,
confidence,
timestamp
}这样：
Decision不再只是一个字符串：
"A"而成为：
Cognitive Object99.16 Decision 的认知来源
一个决策应该能够追溯：
Decision
↓
Selected Option
↓
Evaluation
↓
Cognitive State
↓
Knowledge
↓
Experience
↓
Matching
↓
Interpretation
↓
Input因此：
机器决策必须能够追溯到其认知依据。
这与前面第91章的：
Machine Understanding以及第98章的：
Cognitive Adaptation形成连续关系。
99.17 Decision Trace
例如：
Decision D001可以追踪：
Goal:
Reliability
Current State:
Supplier A available
Knowledge:
A has high capacity
Experience:
A previously successful
Constraint:
Budget acceptable
Evaluation:
High reliability / acceptable cost
Choice:
A
Decision:
Select A这样就形成：
Decision Trace99.18 决策不是随机选择
如果：
A
B
C机器随机：
Choose B这并不能构成完整的认知决策。
因为缺少：
Evaluation Basis真正的认知决策应该存在：
Reason因此：
Decision
=
Choice
+
Reason进一步：
Decision
=
State
+
Goal
+
Knowledge
+
Experience
+
Constraint
+
Evaluation
+
Choice99.19 Reason
决策中的：
Reason不是语言解释，而是：
导致该选择成立的认知结构和逻辑依据。
例如：
A selected原因可能是：
Goal matched
State matched
Experience positive
Constraint satisfied
Risk acceptable这些本身就是机器认知结构中的：
Relations
Rules
States
Experience99.20 Decision Rule
机器可以建立：
Decision Rule例如：
IF
Reliability = High
AND
Cost = Acceptable
AND
Risk = Low
THEN
Preference = High于是：
Cognitive Structure
↓
Logical Evaluation
↓
Decision Rule
↓
Decision这与第81章：
Symbolic Logic形成直接联系。
99.21 符号逻辑与认知决策
在你的符号逻辑体系中：
Element
↓
Relation
↓
Object
↓
State
↓
Condition
↓
Rule
↓
Evaluation
↓
Decision因此决策不是神秘的“智能输出”。
它可以被表示为：
Symbolic Structure
+
Logical Relation
+
Condition
+
Goal
↓
Decision这也是 WSaiOS 路线与纯神经网络路线的重要理论差异之一。
99.22 概率不是决策本身
机器也可以使用：
Probability例如：
A success probability = 0.9
B success probability = 0.7但是：
0.9本身并不是决策。
还需要：
Goal
Constraint
Risk Preference因此：
Probability
↓
Evidence而：
Evaluation
↓
Choice
↓
Decision所以：
概率可以参与认知决策，但不能替代认知决策本身。
99.23 决策与认知匹配
第89章：
Cognitive Matching在决策中再次发挥作用。
当前：
Situation需要匹配：
Knowledge
Experience
Rules
Options形成：
Current Situation
↓
Matching
↓
Relevant Knowledge
↓
Relevant Experience
↓
Evaluation
↓
Decision因此：
认知匹配是认知决策的重要前置机制。
99.24 决策与经验匹配
第95章：
Experience Matching进一步进入决策：
Current Situation
↓
Experience Matching
↓
Past Experience
↓
Outcome Reference
↓
Evaluation
↓
Decision机器不是简单复制过去经验，而是：
Past Experience
↓
Current Context
↓
Applicability
↓
Decision Support99.25 决策与认知适应
第98章：
Cognitive Adaptation会改变：
Knowledge
Matching
Evaluation
Behavior因此决策机制也可能随适应发生变化：
Old Cognition
↓
Adaptation
↓
Updated Cognition
↓
New Evaluation
↓
New Decision所以：
认知适应改变机器未来做决策的基础。
99.26 决策与反馈
第96章：
Cognitive Feedback会评价过去的决策：
Decision
↓
Action
↓
Outcome
↓
Feedback如果结果不好：
Decision
↓
Negative Feedback
↓
Experience
↓
Learning
↓
Adaptation最终：
Future Decision发生改变。
形成：
Decision
↓
Outcome
↓
Feedback
↓
Learning
↓
Adaptation
↓
New Decision99.27 Decision Learning
这进一步产生：
Decision Experience例如：
Situation A
↓
Decision A
↓
Bad Outcome机器记录：
Decision A在：
Situation A下效果不好。
以后再次遇到：
Situation A机器可以降低：
Decision A的优先级。
这就是：
Decision Learning99.28 决策与行为
决策本身不是行为。
必须区分：
Decision
↓
Behavior
↓
Action例如：
Decision:
Choose Supplier A然后：
Behavior:
Initiate Supplier A interaction最终：
Action:
Send request因此：
Decision
≠
Behavior
≠
Action99.29 Decision → Behavior
可以形成：
Cognitive Decision
↓
Behavior Selection
↓
Method Selection
↓
Module Execution
↓
Action这样就把第99章与后续的：
Behavior
Method
Module
Execution连接起来。
99.30 不做决策也是一种决策
机器面对：
Option A
Option B也可能认为：
Insufficient Information于是：
Decision:
Do Not Act或者：
Decision:
Request More Information因此：
Decision不一定意味着：
立即执行也可以是：
Wait
Ask
Observe
Reject
Escalate99.31 信息不足
这是现实机器认知非常重要的情况。
如果：
Knowledge insufficient或者：
State uncertain机器不应该强行：
Choose A而应该允许：
Decision:
Need More Information因此可以建立：
Decision State包括：
Ready
Uncertain
Need Information
Pending
Selected
Rejected
Escalated
Completed99.32 Decision Confidence
决策还可以具有：
Confidence但需要明确：
Confidence
≠
Truth例如：
Decision:
Choose A
Confidence:
High表示：
当前认知依据下，机器对该决策具有较高确定性。
而不是：
该决策在现实中一定正确。
最终真实结果仍然需要：
Outcome进行验证。
99.33 Decision 与 Human Control
在 ICAI 中，人拥有最高控制权限。
因此：
Machine Decision必须区分：
Internal Decision与：
Executable Decision机器可以形成：
Internal Decision但某些行为需要：
Human Approval形成：
Decision
↓
Permission Check
↓
Human Control
↓
Execute / Reject / Modify这与前面的 Individual Cognitive Boundary 和人工最高权限保持一致。
99.34 Decision Authority
可以建立：
Decision Authority例如：
Level 0
Observation Only
Level 1
Recommendation
Level 2
Low-risk Automatic Decision
Level 3
Human Approval Required
Level 4
Human Exclusive Decision这里的核心不是等级本身，而是：
决策权必须成为机器认知系统中的显式结构。
99.35 Decision Object 的生命周期
决策可以经历：
Candidate
↓
Evaluating
↓
Selected
↓
Approved
↓
Executed
↓
Completed
↓
Evaluated如果失败：
Executed
↓
Failed
↓
Feedback
↓
Experience这样决策本身也成为可记忆、可学习的认知对象。
99.36 Cognitive Decision Loop
完整循环：
Current State
↓
Goal
↓
Available Options
↓
Constraint Filtering
↓
Knowledge Matching
↓
Experience Matching
↓
Evaluation
↓
Ranking
↓
Choice
↓
Decision
↓
Human Permission
↓
Behavior
↓
Action
↓
Outcome
↓
Feedback
↓
Experience
↓
Learning
↓
Adaptation
↓
Future Decision这就形成：
认知—决策—行为—反馈—学习—适应的完整闭环。
99.37 Decision 与 Individual
决策不能脱离 Individual。
两个不同的 Individual：
Individual A
Individual B即使面对：
Same Situation也可能因为：
Different Knowledge
Different Experience
Different Goals
Different Preferences
Different Constraints产生：
Different Decisions因此：
Same World
+
Different Individual
↓
Different Cognition
↓
Different Decision这正是 ICAI “个体性”的重要体现。
99.38 个体决策不是统一答案
传统系统往往追求：
Input
↓
Optimal OutputICAI 更关注：
Individual
+
Current Cognition
+
Personal Experience
+
Current Goal
↓
Individual Decision所以：
ICAI 的决策不必追求所有机器得到同一个答案，而是追求该个体在自身认知体系下形成可解释、可追溯的决策。
99.39 Decision 与 Objective Optimization
传统工程经常建立：
Optimization例如：
Maximize X
Minimize YICAI 中可以使用优化思想，但不能把：
Optimization直接等同于：
Cognitive Decision因为真实个体可能同时存在：
多个目标
多个约束
不同经验
不同价值判断
不同上下文因此更完整的是：
Cognition
↓
Goal Interpretation
↓
Constraint
↓
Evaluation
↓
Choice
↓
Decision99.40 Decision Conflict
现实中不同认知依据可能产生冲突：
Knowledge → A
Experience → B
Goal → A
Constraint → B机器必须处理：
Conflict因此：
Decision Conflict成为认知决策的重要问题。
可以建立：
Conflict Detection
↓
Conflict Evaluation
↓
Priority
↓
Resolution
↓
Decision99.41 Priority
冲突解决需要：
Priority例如：
Human Command
>
Safety Constraint
>
Current Goal
>
Experience
>
Preference这里必须强调：
优先级不是自然产生的，而是认知系统中定义的规则结构。
这也使：
Authority
Constraint
Goal
Experience能够进入统一决策体系。
99.42 Decision Rule 与 Authority
例如：
Human Command如果属于最高权限：
Human Command
>
Machine Preference那么机器即使自己的经验认为：
Option B better仍然不能越过：
Human Authority因此：
Decision
=
Evaluation
+
Authority
+
Constraint而不是简单：
Best Score99.43 认知决策的错误
机器决策错误可能来自不同层次：
Perception Error
↓
Representation Error
↓
Object Error
↓
State Error
↓
Mapping Error
↓
Matching Error
↓
Interpretation Error
↓
Knowledge Error
↓
Experience Error
↓
Evaluation Error
↓
Decision Error因此：
最终决策错误并不一定意味着“决策算法错误”。
可能是前面的认知结构已经错误。
这也是为什么 ICAI 必须建立完整的：
Cognitive Trace99.44 Decision Validation
决策形成之后，可以进行：
Decision Validation检查：
State valid?
Goal valid?
Knowledge valid?
Experience relevant?
Constraints satisfied?
Authority satisfied?
Evaluation complete?
Choice available?只有通过：
Validation才允许进入：
Behavior99.45 Decision Engine
工程上可以建立：
Decision Engine它负责：
Receive Cognitive State
↓
Load Goal
↓
Load Constraints
↓
Generate Options
↓
Match Knowledge
↓
Match Experience
↓
Evaluate
↓
Resolve Conflicts
↓
Select
↓
Validate
↓
Create Decision因此：
Decision Engine不是一个单纯：
if...else程序，而是整个认知决策链的执行模块。
99.46 Decision Engine 与 Cognitive Engine
二者关系：
Cognitive Engine
↓
Decision Engine
↓
Behavior Engine其中：
Cognitive Engine
=
负责形成当前认知
Decision Engine
=
负责形成选择
Behavior Engine
=
负责把选择转换为行为因此三者职责明确分开。
99.47 Decision Engine 的输入与输出
输入：
Cognitive State
Goal
Knowledge
Experience
Context
Constraints
Options
Authority输出：
Decision但同时可以输出：
Decision Reason
Decision Confidence
Required Permission
Selected Option
Rejected Options这样决策本身就成为结构化认知结果。
99.48 Decision 不等于最终结果
这一点必须特别强调。
Decision只是机器认为：
应该选择什么现实真正发生的结果是：
Outcome所以：
Decision
↓
Action
↓
Outcome可能：
Decision = Correct
Outcome = Good也可能：
Decision = Reasonable
Outcome = Bad这时机器需要：
Feedback重新评价。
99.49 Decision → Experience
最终：
Situation
+
Decision
+
Action
+
Outcome
+
Evaluation形成：
Decision Experience例如：
Situation:
Supplier selection
Decision:
Choose A
Outcome:
Delivery failed
Evaluation:
Decision quality = Low
Experience:
A is unreliable under Context X以后再次遇到：
Context X就可以参与：
Experience Matching99.50 Decision 的时间连续性
一个真正的 Individual 不应该把每一次决策完全孤立处理。
应该形成：
Decision T1
↓
Outcome T1
↓
Experience T1
↓
Decision T2
↓
Outcome T2
↓
Experience T2于是：
Decision History成为：
Individual Memory的一部分。
99.51 Decision History
可以记录：
Decision ID
Time
Context
Goal
Options
Selected Option
Reason
Outcome
Feedback
Evaluation这样机器能够回答：
过去为什么做这个决定？
当时知道什么？
当时有哪些选择？
最后发生了什么？
这个决定后来被如何评价？这就是：
Decision Memory
99.52 Decision 与机器理解
第91章：
Machine Understanding解决：
信息是什么意思？
第99章：
Cognitive Decision解决：
理解之后选择什么？
因此：
Understanding
↓
Decision形成重要关系：
Machine Understanding
≠
Machine Decision99.53 Decision 与机器认知的完整关系
至此可以形成：
Input
↓
Perception
↓
Symbol
↓
Element
↓
Relation
↓
Object
↓
State
↓
Cognitive Structure
↓
Mapping
↓
Matching
↓
Interpretation
↓
Understanding
↓
Memory
↓
Experience
↓
Feedback
↓
Learning
↓
Adaptation
↓
Current Cognition
↓
Goal
↓
Options
↓
Evaluation
↓
Choice
↓
Decision这一链条第一次把：
认知真正连接到了：
决策99.54 Cognitive Decision 的核心模型
可以正式表示：
Cognitive Decision
=
State
+
Goal
+
Knowledge
+
Experience
+
Context
+
Constraints
+
Options
+
Evaluation
+
Authority
+
Choice然后：
Choice
↓
Decision最终：
Decision
↓
Behavior99.55 Cognitive Decision 的闭环模型
最终完整模型：
Reality
↓
Perception
↓
Cognition
↓
Current State
↓
Goal
↓
Options
↓
┌────────┴────────┐
↓ ↓
Knowledge Experience
↓ ↓
└────────┬────────┘
↓
Matching
↓
Evaluation
↓
Constraint Check
↓
Authority Check
↓
Choice
↓
Decision
↓
Behavior
↓
Action
↓
Outcome
↓
Feedback
↓
Experience
↓
Learning
↓
Adaptation
↓
Future Cognition
↓
Future Decision99.56 本章最核心的理论判断
第99章需要最终明确一个核心观点：
机器决策不是机器直接从输入产生的输出，而是机器在已有认知结构基础上，根据当前状态、目标、知识、经验、约束和权限，对候选方案进行评价和选择后形成的认知结果。
因此：
Input
≠
DecisionKnowledge
≠
DecisionPrediction
≠
DecisionOutput
≠
Decision真正的：
Cognitive Decision应该是：
认知状态
+
目标
+
知识
+
经验
+
情境
+
约束
+
候选选择
+
评价
+
权限
↓
选择
↓
决策99.57 第99章与 ICAI 的关系
到了这里，ICAI 的内部循环进一步完整：
Individual
↓
Cognitive Space
↓
Perception
↓
Cognitive Structure
↓
Understanding
↓
Memory
↓
Experience
↓
Learning
↓
Adaptation
↓
Goal
↓
Decision
↓
Behavior
↓
Outcome
↓
Feedback
↓
Experience因此，ICAI 已经形成：
认识世界
↓
理解世界
↓
记住经历
↓
从经历学习
↓
适应变化
↓
形成目标
↓
进行决策
↓
产生行为
↓
获得结果
↓
继续学习这使“机器认知”第一次形成了从感知到决策、从决策到行为、从行为到经验的连续工程链条。
而第99章真正建立的，不只是一个 Decision Engine，而是一个更重要的理论关系：
Cognition
↓
Evaluation
↓
Choice
↓
Decision也就是说：
认知提供决策的依据，评价建立选择的逻辑，选择形成决策，决策再进入行为。
下一章可以顺着这个逻辑研究 第100章 Cognitive Goal（认知目标），专门解决一个在第99章已经出现、但还没有展开的问题：
机器为什么选择这个目标？目标从哪里产生？人的目标、机器任务、环境要求和个体自身目标之间是什么关系？