第140章 Cognitive Similarity
认知相似性
第139章建立了 Cognitive Matching（认知匹配）：
Current Scene
+
Historical Cognitive Structure
↓
Cognitive Matching
↓
Correspondence但匹配之后还存在一个更基础的问题：
两个认知结构究竟“有多相似”？
因此，本章不再把：
Similarity理解为简单的：
名称相同
外观相同
数据接近而是建立：
Scene Similarity
↓
Structural Similarity即：
认知相似性不是寻找完全相同的对象，而是寻找不同对象、不同场景之间共享的认知结构。
140.1 Scene Similarity 的局限
传统意义上的场景相似，容易表现为：
Scene A
≈
Scene B例如：
Egg on Table与：
Glass on Table看起来可能不同。
如果机器只比较：
Object Identity那么：
Egg ≠ Glass于是：
Similarity = Low但从认知角度看，两者可能具有：
Fragility
+
Contact
+
Force
+
Stability
+
Damage Risk等共同结构。
因此：
Object Identity不能决定：
Cognitive Similarity140.2 从对象相似到结构相似
可以建立：
Object A
↓
Attributes
Relations
State
Dynamics
↓
Cognitive Structure然后：
Cognitive Structure A
↕
Cognitive Structure B进行比较。
例如：
Egg
├── Fragility
├── Contact
├── Force
├── Stability
└── Damage Risk与：
Glass
├── Fragility
├── Contact
├── Force
├── Stability
└── Damage Risk虽然：
Egg ≠ Glass但：
Structure(Egg)
≈
Structure(Glass)因此：
Cognitive Similarity
=
High140.3 Cognitive Similarity 的定义
可以定义：
Cognitive Similarity 是两个认知对象、认知结构或场景在元素、属性、关系、状态、动态变化以及上下文组织方式上的结构相似程度。
形式：
A
+
B
↓
Structure Comparison
↓
Cognitive Similarity其中：
A ≠ B仍然可以：
Similarity(A,B) > 0甚至：
Similarity(A,B) = High140.4 Similarity ≠ Identity
这是本章必须首先建立的原则：
Identity
≠
Similarity例如：
Egg和：
Glass身份不同：
Egg ≠ Glass但：
Fragility
+
Breakability
+
Damage Risk可能高度相似。
因此：
Identity回答：
“它是不是同一个对象？”
而：
Similarity回答：
“它们在认知结构上有多少共同点？”
140.5 Similarity ≠ Exact Equality
同样：
Similarity
≠
Equality例如：
Position = 10与：
Position = 11可能不是：
Equal但可以：
Similar同样：
Velocity = 1.0与：
Velocity = 1.2可以属于：
Similar Dynamic State因此认知系统需要允许：
Equal
Similar
Different
Conflict
Unknown同时存在。
140.6 Similarity 的多维结构
认知相似性不能只使用一个维度。
可以建立：
Cognitive Similarity
├── Element Similarity
├── Object Similarity
├── Attribute Similarity
├── Relation Similarity
├── State Similarity
├── Temporal Similarity
├── Spatial Similarity
├── Dynamic Similarity
└── Context Similarity因此两个对象可能：
Visual Similarity = Low但：
Structural Similarity = High也可能：
Attribute Similarity = High但：
Relation Similarity = Low这就是认知相似性与普通相似性的区别。
140.7 Element Similarity
最底层：
Element A
↔
Element B例如：
Pressure与：
Pressure属于：
Element Type Similarity但如果：
Pressure A = 5N
Pressure B = 50N则：
Type Similarity = High
Value Similarity = Low所以：
Element Similarity需要区分：
Type
Value
Range
Context140.8 Attribute Similarity
例如：
Egg
├── Fragility = High
└── Stability = MediumGlass
├── Fragility = High
└── Stability = Medium可以形成：
Fragility Similarity = High
Stability Similarity = High而：
Material可能：
Similarity = Low因此对象整体相似性并不是：
All Attributes Equal而是：
Common Attributes
+
Attribute Compatibility140.9 Relation Similarity
关系是非常重要的相似性来源。
例如：
Egg
↓
SupportedBy
↓
Table与：
Glass
↓
SupportedBy
↓
Table对象不同。
但：
Relation = SupportedBy一致。
因此：
Relation Similarity = High进一步：
Cup
↓
Near
↓
Plate与：
Box
↓
Near
↓
Wall也可能共享：
Near Structure所以：
关系结构可以产生跨对象的认知相似性。
140.10 State Similarity
例如：
Egg → Stable与：
Glass → Stable可以具有：
State Similarity = High而：
Egg → Falling与：
Glass → Stable则：
State Similarity = Low即使：
Object Similarity很高。
因此：
Cognitive Similarity必须允许不同维度产生不同结果。
140.11 Dynamic Similarity
动态场景中：
Scene(t)
→
Scene(t+1)比单个状态更重要。
例如：
Object Stable
↓
Contact Lost
↓
Object Falling另一个对象：
Object Stable
↓
Contact Lost
↓
Object Falling虽然：
Objects ≠但：
Transition Pattern高度相似。
于是：
Dynamic Similarity = High因此认知相似性不仅比较：
State还需要比较：
State Change140.12 Temporal Similarity
两个场景可能当前状态不同：
Scene A:
StableScene B:
Falling如果历史过程为：
Stable
↓
Released
↓
Falling而另一个：
Stable
↓
Released
↓
Falling则：
Temporal Structure高度相似。
因此：
Current State不一定能够决定：
Cognitive Similarity还需要观察：
History
+
Transition140.13 Structural Similarity
最终可以建立：
Structural Similarity其核心不是：
Same Object而是：
Same Organization例如：
A
├── Attribute X
├── Relation R
└── State S与：
B
├── Attribute X
├── Relation R
└── State S形成：
Structure(A)
≈
Structure(B)即使：
A ≠ B140.14 Structural Similarity Matrix
可以把结构相似性表示为：
Historical
A B C
Current A 1.00 0.82 0.31
Current B 0.82 1.00 0.67
Current C 0.31 0.67 1.00但这里的数字不是最终认知。
它只是：
Similarity Score真正有意义的是：
Why Similar?所以系统还需要保存：
Similarity Evidence例如：
A ↔ B
├── Fragility
├── SupportedBy
├── Stable
└── Damage Risk140.15 Similarity Evidence
因此：
Similarity应该能够解释。
例如：
Similarity = 0.86同时：
Evidence:
├── Attribute Match: 0.90
├── Relation Match: 1.00
├── State Match: 0.80
├── Dynamic Match: 0.75
└── Context Match: 0.85于是：
Similarity Score不是黑箱数字，而是：
Structured Evidence的综合结果。
140.16 Weighted Similarity
不同认知任务中，不同结构的重要程度不同。
例如：
Fragility可能比：
Color更加重要。
因此：
Similarity可以表示为：
S =
w₁E
+
w₂A
+
w₃R
+
w₄St
+
w₅D
+
w₆C其中：
E = Element Similarity
A = Attribute Similarity
R = Relation Similarity
St = State Similarity
D = Dynamic Similarity
C = Context Similarity而：
w₁ ... w₆表示不同结构的重要程度。
140.17 Task-Dependent Similarity
因此不存在一个永远固定的：
Similarity Function例如研究：
Damage Risk时：
Fragility
Force
Contact
Stability权重可能较高。
研究：
Navigation时：
Position
Distance
Obstacle
Velocity
Direction可能更加重要。
所以：
认知相似性具有任务相关性。
形式：
Similarity
=
Structure
+
Context
+
Task140.18 Context-Dependent Similarity
相同两个对象，在不同上下文中，相似性可能不同。
例如：
Egg与：
Glass在：
Fragility Analysis中可能：
High Similarity但在：
Shape Recognition中：
Low Similarity因此：
Similarity(Egg, Glass)不能脱离：
Task
Context独立解释。
140.19 Similarity 与 Difference 同时存在
一个非常重要的原则：
Similarity
+
Difference可以同时成立。
例如：
Egg
vs
Glass可能：
Similar:
Fragility
Damage Risk
Contact
Stability同时：
Different:
Material
Shape
Weight
Identity因此不能因为：
Difference存在，就认为：
Similarity = 0同样也不能因为：
Similarity = High就忽略：
Difference140.20 Similarity Vector
因此可以把认知相似性表示成向量：
S(A,B)
=
[
Element,
Attribute,
Relation,
State,
Dynamic,
Spatial,
Temporal,
Context
]例如：
S(Egg, Glass)
=
[
0.80,
0.92,
0.95,
0.88,
0.76,
0.71,
0.68,
0.84
]这比单独：
Similarity = 0.84保留更多认知信息。
最终系统可以根据任务计算：
Task-Specific Similarity140.21 Similarity ≠ Applicability
这一点必须严格区分。
两个对象：
Similarity = High不意味着：
Historical Structure一定：
Applicable例如：
Egg和：
Glass可能都具有：
Fragility但某个历史结构可能依赖：
Specific Geometry这时：
Similarity = High而：
Applicability = Low因此：
Similarity
≠
Applicability140.22 Similarity ≠ Causality
同样：
A和：
B结构相似，不代表：
A causes B例如：
Egg
Glass都可能：
Fragile但：
Fragility只是共同属性。
不能直接建立：
Egg → Glass或者：
Fragility → Falling等因果关系。
因此：
Similarity只能说明：
Structural Correspondence不能直接说明：
Causality140.23 Similarity 与 Matching
第139章：
Matching建立：
Correspondence第140章：
Similarity衡量：
Degree of Structural Commonality两者关系：
Current Structure
↓
Matching
↓
Correspondence
↓
Similarity
↓
Similarity Evaluation例如：
Current Egg
↕
Historical GlassMatching 得到：
Fragility ↔ Fragility
Contact ↔ Contact
Support ↔ SupportSimilarity 再计算：
How Similar?因此：
Matching
=
找对应关系Similarity
=
衡量共同程度140.24 Similarity 与 Reusable Structure
第138章：
Reusable Cognitive Structure第139章：
Cognitive Matching第140章：
Cognitive Similarity形成完整链条：
Historical Structure
↓
Reusable Structure
↓
Matching
↓
Correspondence
↓
Similarity于是机器可以知道：
Which Structure Corresponds?以及：
How Similar Is It?140.25 Similarity 与 Non-Repeating Scene
第137章：
Scene A
≠
Scene B
≠
Scene C并不意味着：
Similarity = 0相反：
Scene A
\
→ Shared Structure
/
Scene B可以形成：
Structural Similarity所以：
非重复世界并不意味着不可比较。
这是本章非常重要的理论结论。
140.26 Non-Repetition + Similarity
可以形成：
Non-Repeating Scenes
↓
Structural Comparison
↓
Partial Similarity
↓
Cognitive Generalization也就是说：
World
=
Unique Instances
+
Recurring Structures这正是机器能够形成一般性认知的基础。
140.27 Similarity 的层级
认知相似性可以形成：
Level 1
Element Similarity
Level 2
Attribute Similarity
Level 3
Object Structural Similarity
Level 4
Relation Similarity
Level 5
State Similarity
Level 6
Dynamic Similarity
Level 7
Scene Structural Similarity因此：
Similarity不是单层指标，而是一棵：
Similarity Hierarchy140.28 Similarity Composition
多个局部相似可以组合：
Fragility
+
Contact
+
Force
+
Stability
+
Damage Risk形成：
Risk-Related Structural Similarity例如：
Egg
↕
Glass单个属性：
Fragility只能产生部分相似。
但多个结构同时对应：
Fragility
+
Contact
+
Force
+
Stability
+
Damage Risk就可以形成：
High Structural Similarity因此：
认知相似性通常来自结构组合，而不是来自单个特征。
140.29 Similarity Pattern
可以进一步定义：
Similarity Pattern
例如：
Object
├── Fragile
├── In Contact
├── Force Applied
└── Stability Decreasing如果另一个对象也出现：
Object
├── Fragile
├── In Contact
├── Force Applied
└── Stability Decreasing那么：
Similarity Pattern成立。
它比：
Object Name更加抽象。
140.30 Cognitive Similarity Graph
可以建立：
Cognitive Similarity Graph例如：
Egg ───── 0.88 ───── Glass
│ │
0.72 0.81
│ │
Ceramic ─── 0.91 ─── FragileObject但图中的边不应该只保存：
0.88还应该保存：
Shared Structures例如：
Egg
↕
Glass
Shared:
Fragility
Damage Risk
Contact Sensitivity于是：
Similarity Edge本身也是认知结构。
140.31 Similarity Memory
机器可以保存：
Similarity Memory结构：
Structure A
↕
Structure B
↓
Similarity Evidence
↓
Similarity Level
↓
Historical Outcomes这样以后出现：
Structure A'时，可以寻找：
A'
≈
A再进一步寻找：
B但仍然必须重新进行：
Matching
+
Context Validation而不能直接继承历史结论。
140.32 Similarity Learning
随着经验积累：
Scene₁
Scene₂
Scene₃
Scene₄系统可以发现：
Repeated Structures形成：
Similarity Cluster例如：
Fragile Objects
├── Egg
├── Glass
├── Ceramic
└── Thin Shell Object这不是说：
Egg = Glass = Ceramic而是：
Structural Similarity Cluster140.33 Similarity Cluster
可以定义：
Cognitive Similarity Cluster例如：
Cluster: Fragile Object
│
├── Egg
├── Glass
├── Ceramic
└── Thin Shell Object共同结构：
Fragility
+
Damage Risk
+
Force Sensitivity差异：
Material
Shape
Weight
Geometry因此一个认知类别可以不是：
Name而是：
Shared Structure140.34 从分类到结构聚类
传统分类：
Egg
Glass
Ceramic分别属于：
Category A
Category B
Category C认知结构方式：
Egg
Glass
Ceramic
↓
Shared Cognitive Structure
↓
Fragile-Object Pattern所以：
认知分类可以由名称分类逐渐转向结构分类。
这对非重复场景的认知非常重要。
140.35 Similarity 与 Generalization
结构相似性最终支持：
Generalization过程：
Multiple Objects
↓
Shared Structure
↓
Similarity
↓
Generalized Pattern例如：
Egg
Glass
Ceramic形成：
Fragile Object Structure然后：
New Object出现时：
New Object
↓
Structure Extraction
↓
Similarity Matching
↓
Fragile Object Pattern?于是系统可以形成：
Structural Generalization140.36 但 Generalization 不是绝对归类
必须注意：
Similarity不意味着：
Permanent Category例如：
New Object可能：
Fragility = Medium而不是：
Fragility = High因此：
Similarity应该是：
Degree而不是：
Binary Category即：
Similar / Not Similar应逐渐变成：
Similarity Degree
+
Similarity Evidence
+
Difference140.37 Similarity 的动态更新
相似性也可以随着新数据改变。
例如初始：
A ↔ B
Similarity = 0.85后来发现：
Relation Difference则：
Similarity = 0.71继续获得信息：
Dynamic Structure Match则：
Similarity = 0.79因此：
Similarity(t)可以随着：
New Evidence变化。
140.38 Similarity 是认知状态的一部分
因此当前认知状态可以包含：
Current Cognitive State
├── Perception
├── Elements
├── Objects
├── Relations
├── States
├── Matches
├── Similarities
└── Differences机器不是简单地：
See Object而是：
See
↓
Represent
↓
Match
↓
Compare
↓
Estimate Similarity140.39 Cognitive Similarity Pipeline
完整流程可以建立为：
Current Scene
↓
Structure Extraction
↓
Historical Structure Retrieval
↓
Cognitive Matching
↓
Correspondence Map
↓
Element Comparison
↓
Attribute Comparison
↓
Relation Comparison
↓
State Comparison
↓
Dynamic Comparison
↓
Context Comparison
↓
Similarity Vector
↓
Similarity Score
↓
Similarity Evidence最终形成：
Cognitive Similarity Result140.40 Formal Model
可以定义：
Similarity(C,H)其中：
C = Current Cognitive Structure
H = Historical Cognitive Structure输出：
Similarity(C,H)
=
{
SimilarityVector,
SharedStructures,
Differences,
Context,
Confidence
}例如：
Similarity(Egg, Glass)
=
{
Fragility: High,
Contact: High,
Force: High,
Stability: High,
DamageRisk: High,
Material: Low,
Shape: Medium
}最终：
Structural Similarity = High但：
Identity = Different140.41 本章核心原则
可以正式提出：
Cognitive Similarity Principle
认知相似性不是判断两个对象或场景是否完全相同，而是比较它们在元素、属性、关系、状态、动态变化及上下文组织上的共同结构与差异，并以结构对应程度表示相似性。
进一步：
Different Identity
↓
Shared Structure
↓
Structural Similarity因此：
Same
≠
Similar以及：
Different
≠
Unrelated140.42 第140章最终理论模型
整个第140章可以压缩成：
Current Scene
│
↓
Cognitive Structure
│
│
↕
Historical Structure
│
↓
Cognitive Matching
│
↓
Correspondence
│
┌─────────┴─────────┐
↓ ↓
Shared Structure Difference
│
↓
Structural Similarity
│
↓
Similarity Evidence
│
↓
Similarity Evaluation例如：
Egg
↕
Glass
↓
┌──────────────────────┐
│ Fragility │
│ Contact │
│ Force │
│ Stability │
│ Damage Risk │
└──────────────────────┘
↓
Structural Similarity但同时：
Material
Shape
Weight
Identity仍然可能不同。
所以最终认知表示应该是：
Similarity
+
Difference
+
Context而不是：
Similarity Only140.43 与前面章节形成完整理论链
现在：
137 Non-Repeating Scene
↓
138 Reusable Cognitive Structure
↓
139 Cognitive Matching
↓
140 Cognitive Similarity形成：
World
↓
Unique Scene
↓
Extract Structure
↓
Store Reusable Structure
↓
Match Current Structure
↓
Measure Structural Similarity于是机器获得了一种非常重要的能力：
即使当前世界从未以完全相同的形式出现过，机器仍然可以通过共享结构发现“这个新情况与过去哪些认知经验相似”。
这一步非常关键，因为下一阶段已经可以从：
Similarity继续进入：
Similarity
+
Difference
↓
Cognitive Classification
↓
Cognitive Category也就是研究：
当大量不同对象因为共享认知结构而表现出相似性时，机器如何形成动态、结构性的认知类别，而不是依赖固定名称进行分类。