第四章 反馈进入学习
4.1 反馈进入学习的定义
反馈并不是执行过程的终点。
上一章已经建立:
Expected↔Actual→Difference→Evaluation→FeedbackExpected \leftrightarrow Actual \rightarrow Difference \rightarrow Evaluation \rightarrow Feedback
当反馈产生以后,系统获得了一个非常重要的新条件:
系统已经知道原来的目标是什么,也知道实际发生了什么,并且知道二者之间存在什么关系。
因此,反馈本身就成为学习的一个重要信息来源。
可以表示为:
Feedback→Learning\boxed{ Feedback\rightarrow Learning }
但是,反馈不能直接等同于知识。
反馈首先是一种新的学习材料,经过分析、验证、结构化以后,才能形成新的知识。
因此更加完整的关系是:
Feedback→LearningMaterial→Structure→Validation→Knowledge\boxed{ Feedback \rightarrow LearningMaterial \rightarrow Structure \rightarrow Validation \rightarrow Knowledge }
进一步:
Feedback→Knowledge→Capability→Method\boxed{ Feedback \rightarrow Knowledge \rightarrow Capability \rightarrow Method }
所以:
反馈进入学习,是指将执行产生的反馈作为新的学习材料,通过差异分析、原因分析、结构提取、知识验证和知识结构化,将反馈中包含的新事实、新关系、新状态、新规则和新方法转化为可被后续认知、能力和决策调用的知识结构的过程。
4.2 为什么反馈能够成为学习材料
传统意义上的学习通常从外部资料开始:
Information→KnowledgeInformation \rightarrow Knowledge
例如:
- 文档;
- 网页;
- 数据;
- 说明书;
- 用户输入;
- 传感器信息。
但是结构智能中的学习不能局限于外部资料。
系统自己执行以后,也会产生新的信息:
Execution→ResultExecution \rightarrow Result
然后:
Result→FeedbackResult \rightarrow Feedback
反馈中包含:
- 原来的预期;
- 实际结果;
- 二者差异;
- 当前状态;
- 执行条件;
- 执行方法;
- 执行过程;
- 失败原因;
- 修正过程。
因此:
FeedbackFeedback
本身就是一种新的信息集合。
例如:
系统原来认为:
Product.Price=30Product.Price=30
实际执行检测:
ActualPrice=25ActualPrice=25
反馈:
ExpectedPrice=30ExpectedPrice=30 ActualPrice=25ActualPrice=25 Difference=−5Difference=-5
这组信息在原有知识中可能不存在。
因此:
Feedback→NewInformationFeedback \rightarrow NewInformation
这就是学习材料。
4.3 学习材料与知识的区别
必须明确:
LearningMaterial≠KnowledgeLearningMaterial\neq Knowledge
学习材料是:
等待被理解、验证和结构化的信息。
知识是:
已经经过结构化并能够被认知、匹配、调用和运算的信息结构。
例如:
反馈材料:
原来预计设备温度会下降到25℃,实际检测结果为28℃。
这是学习材料。
经过结构化:
Object=DeviceObject=Device Attribute=TemperatureAttribute=Temperature Expected=25Expected=25 Actual=28Actual=28 Difference=3Difference=3
再经过分析:
CoolingCapacity<ExpectedCoolingCapacity<Expected
形成新的结构知识。
因此:
LearningMaterial→StructuredInformation→Knowledge\boxed{ LearningMaterial \rightarrow StructuredInformation \rightarrow Knowledge }
4.4 反馈学习材料的来源
反馈形成的学习材料可以来自多个来源。
第一类:执行成功
Execution→SuccessFeedbackExecution\rightarrow SuccessFeedback
成功执行可以证明某种:
- 知识;
- 能力;
- 方法;
- 参数;
- 条件;
在当前情况下有效。
因此成功结果也是学习材料。
第二类:执行失败
Execution→FailureFeedbackExecution\rightarrow FailureFeedback
失败可以揭示:
- 知识缺失;
- 知识错误;
- 能力不足;
- 方法错误;
- 参数错误;
- 条件变化;
- 环境变化。
因此失败同样是学习材料。
第三类:结果偏差
Actual≠ExpectedActual\neq Expected
即使任务最终没有失败,只要存在偏差,就可以形成学习材料。
第四类:状态变化
Stateold→StatenewState_{old}\rightarrow State_{new}
状态变化本身就是新的信息。
第五类:环境变化
Environmentold→EnvironmentnewEnvironment_{old}\rightarrow Environment_{new}
环境变化可以成为新的学习条件。
第六类:用户反馈
用户对结果的确认、修正或否定,也可以形成新的学习材料。
因此:
FeedbackSource=Execution+Environment+User+ValidationFeedbackSource= Execution+Environment+User+Validation
4.5 反馈学习材料的基本结构
反馈进入学习之前,需要保持其完整结构。
可以定义:
LearningMaterial={Expected,Actual,Difference,Condition,Context,Cause,Correction,Validation}LearningMaterial= \{ Expected, Actual, Difference, Condition, Context, Cause, Correction, Validation \}
其中:
Expected
原来的预期目标。
Actual
实际结果。
Difference
实际与预期之间的差异。
Condition
执行时的条件。
Context
执行时的对象和场景。
Cause
对差异的原因分析。
Correction
采取了什么修正。
Validation
修正以后是否有效。
因此:
LearningMaterial=Feedback+Context+Cause+Correction\boxed{ LearningMaterial = Feedback + Context + Cause + Correction }
4.6 反馈首先形成新信息
反馈进入学习的第一步不是立即生成知识,而是提取其中的新信息。
基本关系:
Feedback→NewInformationFeedback \rightarrow NewInformation
例如:
原知识:
Product.Price=30Product.Price=30
实际反馈:
ActualPrice=25ActualPrice=25
得到:
NewInformation:Price=25NewInformation: Price=25
再例如:
原方法:
MethodAMethod_A
在条件:
ConditionXCondition_X
下失败。
得到:
NewInformation:MethodANewInformation: Method_A
在:
ConditionXCondition_X
下不能达到目标。
所以反馈可以产生不同类型的新信息:
NewInformation={NewValue,NewState,NewRelation,NewCondition,NewRule,NewMethodInformation}NewInformation= \{ NewValue, NewState, NewRelation, NewCondition, NewRule, NewMethodInformation \}
4.7 新信息不是自动成为知识
结构智能必须保持一个重要边界:
NewInformation≠KnowledgeNewInformation\neq Knowledge
因为新信息可能:
- 错误;
- 不完整;
- 临时;
- 条件有限;
- 尚未验证;
- 与已有知识冲突。
因此:
NewInformation→ValidationNewInformation \rightarrow Validation
只有经过验证以后,才可以进入知识结构。
所以:
Feedback→NewInformation→Validation→Knowledge\boxed{ Feedback \rightarrow NewInformation \rightarrow Validation \rightarrow Knowledge }
这也是结构智能避免错误知识直接进入知识系统的重要机制。
4.8 反馈知识形成过程
反馈进入学习以后,可以形成如下过程:
Feedback→LearningMaterial→NewInformation→StructureExtraction→KnowledgeValidation→KnowledgeFormation\boxed{ Feedback \rightarrow LearningMaterial \rightarrow NewInformation \rightarrow StructureExtraction \rightarrow KnowledgeValidation \rightarrow KnowledgeFormation }
其中:
Feedback
产生反馈。
LearningMaterial
保存完整反馈上下文。
NewInformation
提取反馈中新的信息。
StructureExtraction
确定对象、属性、值、关系、状态、条件等结构。
KnowledgeValidation
检查新结构是否有效。
KnowledgeFormation
将有效结构写入知识结构。
4.9 从反馈中识别对象
反馈学习首先需要确定:
这个反馈到底涉及什么对象?
例如:
电动牙刷实际价格为25美元。
结构化:
Object=ElectricToothbrushObject=ElectricToothbrush
然后:
Attribute=PriceAttribute=Price Value=25Value=25
形成:
Object→Attribute→ValueObject\rightarrow Attribute\rightarrow Value
因此:
Feedback→ObjectRecognitionFeedback \rightarrow ObjectRecognition
如果对象无法确定:
ObjectUnknownObjectUnknown
则不能直接形成完整知识。
于是:
ObjectUnknown→LearningRequirementObjectUnknown \rightarrow LearningRequirement
需要继续学习。
4.10 从反馈中识别属性
确定对象以后,还需要确定变化发生在哪个属性。
例如:
Object=ElectricToothbrushObject=ElectricToothbrush
反馈:
Actual=25Actual=25
必须进一步确定:
Attribute=PriceAttribute=Price
于是:
ElectricToothbrush→Price→25ElectricToothbrush \rightarrow Price \rightarrow 25
如果反馈内容是:
支持充电。
则:
Attribute=FunctionAttribute=Function Value=ChargingValue=Charging
因此:
Feedback→Object→Attribute→ValueFeedback \rightarrow Object \rightarrow Attribute \rightarrow Value
这是反馈结构化的基本过程。
4.11 从反馈中形成状态知识
反馈不仅能够形成属性值,也能够形成状态知识。
例如:
Battery.Level=20Battery.Level=20
反馈经过规则判断:
Level<30Level<30
形成:
State=LowPowerState=LowPower
执行充电以后:
Battery.Level=80Battery.Level=80
再次判断:
State=NormalPowerState=NormalPower
于是新的知识可以表示:
Battery:LowPower→NormalPowerBattery: LowPower \rightarrow NormalPower
因此:
Feedback→StateChange→StateKnowledgeFeedback \rightarrow StateChange \rightarrow StateKnowledge
4.12 从反馈中形成关系知识
执行可能发现新的关系。
例如:
执行前不知道:
Product→ManufacturerProduct\rightarrow Manufacturer
执行以后获得:
Manufacturer=CompanyAManufacturer=CompanyA
形成:
Product→ManufacturedBy→CompanyAProduct \rightarrow ManufacturedBy \rightarrow CompanyA
因此:
Feedback→NewRelation→KnowledgeFeedback \rightarrow NewRelation \rightarrow Knowledge
关系知识同样可以成为以后认知和决策的基础。
4.13 从反馈中形成条件知识
反馈还可能发现某种条件关系。
例如:
MethodAMethod_A
在:
ConditionXCondition_X
下成功。
但在:
ConditionYCondition_Y
下失败。
于是可以形成:
MethodA→ConditionX→SuccessMethod_A \rightarrow Condition_X \rightarrow Success
以及:
MethodA→ConditionY→FailureMethod_A \rightarrow Condition_Y \rightarrow Failure
这类知识可以进一步形成方法适用条件:
ApplicableCondition(MethodA)=XApplicableCondition(Method_A)=X
因此:
Feedback→ConditionKnowledgeFeedback \rightarrow ConditionKnowledge
4.14 从反馈中形成规则
当多个反馈结果显示稳定规律时,可以形成规则。
例如:
第一次:
Price=20→LowPricePrice=20 \rightarrow LowPrice
第二次:
Price=25→LowPricePrice=25 \rightarrow LowPrice
第三次:
Price=29→LowPricePrice=29 \rightarrow LowPrice
结合已有条件:
Price<30Price<30
可以形成:
Price<30→LowPrice\boxed{ Price<30\rightarrow LowPrice }
这说明反馈可以帮助发现稳定关系。
但是,单次反馈不能自动形成普遍规则。
应当区分:
SingleFeedbackSingleFeedback
与:
RepeatedValidatedFeedbackRepeatedValidatedFeedback
只有经过足够验证的稳定结构,才适合形成可复用规则。
4.15 从反馈中发现知识冲突
反馈学习还有一个重要作用:
发现新信息与已有知识之间的冲突。
例如已有知识:
Price=30Price=30
新反馈:
Price=25Price=25
则:
KnowledgeConflictKnowledgeConflict
产生。
系统不能简单覆盖:
30→2530\rightarrow25
而需要进一步判断:
- 哪个来源可靠;
- 数据是什么时间产生的;
- 当前对象是否相同;
- 条件是否相同;
- 场景是否发生变化;
- 是否属于历史价格与当前价格。
因此:
NewInformation↔ExistingKnowledgeNewInformation \leftrightarrow ExistingKnowledge
形成:
Match→Consistent/ConflictMatch \rightarrow Consistent/Conflict
4.16 冲突知识的处理
如果新反馈与已有知识一致:
NewInformation=ExistingKnowledgeNewInformation=ExistingKnowledge
则:
KnowledgeConfirmationKnowledgeConfirmation
如果存在差异:
NewInformation≠ExistingKnowledgeNewInformation\neq ExistingKnowledge
则:
KnowledgeConflictKnowledgeConflict
需要进行冲突分析。
可能得到:
HistoricalDifferenceHistoricalDifference ConditionDifferenceConditionDifference ObjectDifferenceObjectDifference SourceDifferenceSourceDifference
或者:
KnowledgeErrorKnowledgeError
因此:
KnowledgeConflict→ConflictAnalysis→KnowledgeCorrection\boxed{ KnowledgeConflict \rightarrow ConflictAnalysis \rightarrow KnowledgeCorrection }
4.17 反馈形成知识更新
经过验证以后,新的知识可以进入知识结构。
例如:
原知识:
Price=30Price=30
经过反馈验证:
Price=25Price=25
形成:
KnowledgeUpdate:30→25KnowledgeUpdate: 30\rightarrow25
但是更新不只是修改一个值。
还应保留:
ObjectObject AttributeAttribute ValueValue ContextContext TimeTime SourceSource ValidationValidation
这样可以形成:
KnowledgeVersionKnowledgeVersion
因此:
OldKnowledge→Feedback→ValidatedNewKnowledge\boxed{ OldKnowledge \rightarrow Feedback \rightarrow ValidatedNewKnowledge }
4.18 反馈形成知识版本
知识不是永远固定不变的。
例如:
Pricet=30Price_t=30
后来:
Pricet+1=25Price_{t+1}=25
再后来:
Pricet+2=28Price_{t+2}=28
于是知识可能具有时间结构:
Kt→Kt+1→Kt+2K_t \rightarrow K_{t+1} \rightarrow K_{t+2}
这使系统能够区分:
当前知识是什么。
与:
过去曾经是什么。
因此反馈能够形成知识变化历史:
KnowledgeHistory={K1,K2,…,Kn}KnowledgeHistory = \{K_1,K_2,\ldots,K_n\}
4.19 反馈形成经验
反馈不只形成事实知识,还可以形成经验结构。
例如多次执行发现:
MethodAMethod_A
在:
ConditionXCondition_X
下成功率高,而:
ConditionYCondition_Y
下经常失败。
经过重复验证以后:
Experience:MethodA\适用于XExperience: Method_A\适用于 X
于是:
Feedback→Pattern→ExperienceFeedback \rightarrow Pattern \rightarrow Experience
经验再进一步形成方法选择依据:
Experience→MethodMatchingExperience \rightarrow MethodMatching
因此:
反馈可以形成事实知识,也可以形成经验知识。\boxed{ 反馈可以形成事实知识,也可以形成经验知识。 }
4.20 反馈形成方法知识
反馈还可以告诉系统:
什么样的方法能够达到目标。
例如:
MethodAMethod_A
执行:
Result=SuccessResult=Success
反馈:
GoalSatisfied=TrueGoalSatisfied=True
经过多次验证:
MethodAMethod_A
形成稳定方法。
于是:
SuccessfulExecution→MethodPattern→MethodKnowledgeSuccessfulExecution \rightarrow MethodPattern \rightarrow MethodKnowledge
这种知识不是简单的“某个值是多少”,而是:
在什么目标、什么条件和什么对象下,采用什么方法能够得到什么结果。
因此:
MethodKnowledge={Goal,Condition,Object,Method,Result}MethodKnowledge= \{ Goal, Condition, Object, Method, Result \}
4.21 反馈形成失败知识
成功可以形成方法知识,失败同样可以。
例如:
MethodAMethod_A
在:
ConditionXCondition_X
下连续失败。
于是形成:
MethodA→ConditionX→FailureMethod_A \rightarrow Condition_X \rightarrow Failure
这也是知识。
它可以防止以后再次选择同样的方法。
因此:
Failure→NegativeKnowledge\boxed{ Failure \rightarrow NegativeKnowledge }
这里的“负知识”不是特殊的心理概念,而是:
已经经过验证、表明某种结构在特定条件下不能达到目标的信息。
4.22 反馈形成能力学习材料
反馈还可以说明当前能力是否足够。
例如:
CapabilityACapability_A
面对:
RequirementXRequirement_X
执行失败。
进一步分析:
KnowledgeMissingKnowledgeMissing
那么学习目标不是修改能力本身,而是:
KnowledgeAcquisitionKnowledgeAcquisition
如果知识已经存在,但能力无法调用:
CapabilityGapCapabilityGap
则:
CapabilityFormationCapabilityFormation
因此:
Feedback→GapDetectionFeedback \rightarrow GapDetection
再:
GapDetection→LearningRequirementGapDetection \rightarrow LearningRequirement
4.23 反馈形成方法学习材料
如果:
KnowledgeKnowledge
正确,
CapabilityCapability
也存在,
但是:
ExecutionExecution
仍然无法达到目标,则需要检查:
MethodMethod
因此:
Feedback→MethodGapFeedback \rightarrow MethodGap
形成:
MethodLearningMaterialMethodLearningMaterial
然后:
MethodLearningMaterial→MethodFormationMethodLearningMaterial \rightarrow MethodFormation
所以:
反馈不仅学习“知道什么”,还学习“如何解决”。\boxed{ 反馈不仅学习“知道什么”,还学习“如何解决”。 }
4.24 反馈进入需求驱动学习
WSaiOS-SI的学习不是无目标地积累所有反馈。
反馈进入学习以后,仍然必须受到当前需求的约束。
基本关系:
Requirement→LearningRequirementRequirement \rightarrow LearningRequirement
反馈只是:
Feedback→LearningMaterialFeedback \rightarrow LearningMaterial
两者结合:
Requirement+Feedback→TargetedLearning\boxed{ Requirement + Feedback \rightarrow TargetedLearning }
例如当前任务只需要确定:
Product.PriceProduct.Price
那么执行过程中产生的价格反馈具有直接学习价值。
而与当前任务无关的信息,即使存在,也不一定进入当前学习结构。
因此:
反馈扩大了学习材料来源,但不取消需求对学习方向的约束。
4.25 反馈学习的结构筛选
反馈产生大量信息以后,需要确定哪些信息真正值得进入学习。
可以建立:
Feedback→InformationExtraction→RelevanceCheckFeedback \rightarrow InformationExtraction \rightarrow RelevanceCheck
判断:
Relevant?Relevant?
如果:
FalseFalse
则不进入当前学习结构。
如果:
TrueTrue
则:
LearningMaterialLearningMaterial
继续进入结构化过程。
因此:
Feedback→相关性判断→学习材料\boxed{ Feedback \rightarrow 相关性判断 \rightarrow 学习材料 }
这保持了需求驱动学习理论的一致性。
4.26 反馈学习中的结构匹配
反馈形成学习材料以后,需要与已有知识结构进行匹配。
NewInformation↔KnowledgeStructureNewInformation \leftrightarrow KnowledgeStructure
可能产生三种基本结果:
已存在
Match=TrueMatch=True
说明:
KnowledgeConfirmedKnowledgeConfirmed
部分存在
PartialMatchPartialMatch
说明:
KnowledgeExtensionKnowledgeExtension
不存在
NoMatchNoMatch
说明:
NewKnowledgeNewKnowledge
因此:
NewInformation→KnowledgeMatching→Confirm/Extend/Create\boxed{ NewInformation \rightarrow KnowledgeMatching \rightarrow Confirm/Extend/Create }
4.27 反馈学习中的知识结构化
新信息进入知识以后,必须使用统一结构表示。
例如:
原始反馈:
电动牙刷实际售价25美元,低于预期的30美元。
结构化为:
Object=ElectricToothbrushObject=ElectricToothbrush Attribute=PriceAttribute=Price ExpectedValue=30ExpectedValue=30 ActualValue=25ActualValue=25 Difference=−5Difference=-5
进一步:
State=BelowExpectedPriceState=BelowExpectedPrice
形成:
KnowledgeStructure={Object,Attribute,Expected,Actual,Difference,State}KnowledgeStructure= \{ Object, Attribute, Expected, Actual, Difference, State \}
这样反馈才能成为可运算知识。
4.28 反馈学习与知识语义理解
反馈中的信息必须经过知识匹配才能形成完整意义。
例如:
2525
本身只是一个值。
通过已有知识:
PricePrice
匹配以后:
Price=25Price=25
再与对象匹配:
ElectricToothbrush.Price=25ElectricToothbrush.Price=25
才形成完整语义。
因此:
Element+KnowledgeStructure→SemanticMeaningElement+KnowledgeStructure \rightarrow SemanticMeaning
反馈学习同样遵循:
Feedback→Element→KnowledgeMatching→KnowledgeSemanticUnderstandingFeedback \rightarrow Element \rightarrow KnowledgeMatching \rightarrow KnowledgeSemanticUnderstanding
然后形成:
StructuredKnowledgeStructuredKnowledge
4.29 反馈学习与认知更新
知识形成以后,会影响以后对相同对象的认知。
原认知:
Product.Price=30Product.Price=30
反馈学习以后:
Product.Price=25Product.Price=25
下一次认知:
Information→KnowledgeMatching→Price=25Information \rightarrow KnowledgeMatching \rightarrow Price=25
因此:
KnowledgeUpdate→CognitionUpdateKnowledgeUpdate \rightarrow CognitionUpdate
这形成:
Feedback→Learning→KnowledgeUpdate→ReCognition\boxed{ Feedback \rightarrow Learning \rightarrow KnowledgeUpdate \rightarrow ReCognition }
4.30 反馈学习与决策更新
知识更新以后,决策结果也可能改变。
例如原来:
Price=30Price=30
某个决策:
Reject(Product)Reject(Product)
反馈学习发现:
Price=25Price=25
新的认知可能改变:
Accept(Product)Accept(Product)
因此:
Feedback→KnowledgeUpdate→CognitionUpdate→DecisionUpdateFeedback \rightarrow KnowledgeUpdate \rightarrow CognitionUpdate \rightarrow DecisionUpdate
这说明反馈学习最终可以改变系统未来的选择。
4.31 反馈学习与方法更新
知识更新以后,方法也可能发生变化。
例如:
原方法:
MethodAMethod_A
需要:
KnowledgeXKnowledge_X
反馈发现:
KnowledgeXKnowledge_X
错误。
学习得到:
KnowledgeYKnowledge_Y
于是方法更新:
MethodA(KX)→MethodA(KY)Method_A(K_X) \rightarrow Method_A(K_Y)
或者形成新的:
MethodBMethod_B
因此:
Feedback→KnowledgeUpdate→MethodUpdateFeedback \rightarrow KnowledgeUpdate \rightarrow MethodUpdate
4.32 反馈学习与能力形成
如果反馈发现新的知识可以填补能力缺口:
CapabilityGap→KnowledgeRequirementCapabilityGap \rightarrow KnowledgeRequirement
学习得到:
NewKnowledgeNewKnowledge
然后:
KnowledgeStructure↔CapabilityStructureKnowledgeStructure \leftrightarrow CapabilityStructure
重新匹配。
再经过运算:
OperationOperation
以及验证:
ValidationValidation
形成:
NewCapabilityNewCapability
因此:
Feedback→Learning→Knowledge→CapabilityFormation\boxed{ Feedback \rightarrow Learning \rightarrow Knowledge \rightarrow CapabilityFormation }
4.33 反馈进入学习的完整循环
反馈学习完整过程可以定义为:
Feedback→LearningMaterial→NewInformation→StructureRecognition→KnowledgeMatching→SemanticUnderstanding→KnowledgeValidation→KnowledgeFormation\boxed{ Feedback \rightarrow LearningMaterial \rightarrow NewInformation \rightarrow StructureRecognition \rightarrow KnowledgeMatching \rightarrow SemanticUnderstanding \rightarrow KnowledgeValidation \rightarrow KnowledgeFormation }
然后:
KnowledgeFormation→CapabilityUpdate→DecisionUpdate→MethodUpdate\boxed{ KnowledgeFormation \rightarrow CapabilityUpdate \rightarrow DecisionUpdate \rightarrow MethodUpdate }
再进入:
Method→Execution→Result→Feedback\boxed{ Method \rightarrow Execution \rightarrow Result \rightarrow Feedback }
因此形成完整循环:
Execution→Result→Feedback→Learning→Knowledge→Capability→Decision→Method→Execution\boxed{ Execution \rightarrow Result \rightarrow Feedback \rightarrow Learning \rightarrow Knowledge \rightarrow Capability \rightarrow Decision \rightarrow Method \rightarrow Execution }
4.34 成功反馈进入学习
成功反馈并不是只表示:
Success=TrueSuccess=True
它还可以告诉系统:
当前知识、能力、方法、条件和参数组合是有效的。
例如:
Goal=GGoal=G Method=MMethod=M Condition=CCondition=C Result=RResult=R
验证:
Validation=TrueValidation=True
于是形成:
(G,C,M)→R(G,C,M)\rightarrow R
经过重复验证以后:
PatternPattern
可以进入知识和方法结构。
因此:
SuccessFeedback→ValidPattern→ReusableKnowledge/Method\boxed{ SuccessFeedback \rightarrow ValidPattern \rightarrow ReusableKnowledge/Method }
4.35 失败反馈进入学习
失败反馈同样具有结构价值。
例如:
Goal=GGoal=G Method=MMethod=M Condition=CCondition=C
结果:
FailureFailure
经过分析:
Cause=KnowledgeMissingCause=KnowledgeMissing
于是形成:
KnowledgeRequirementKnowledgeRequirement
如果原因是:
MethodInvalidMethodInvalid
则:
MethodRequirementMethodRequirement
如果原因是:
ParameterInvalidParameterInvalid
则:
ParameterRequirementParameterRequirement
因此:
FailureFeedback→CauseAnalysis→LearningRequirement\boxed{ FailureFeedback \rightarrow CauseAnalysis \rightarrow LearningRequirement }
4.36 反馈学习的验证机制
反馈形成知识以后,还必须再次验证。
可以采用:
NewKnowledge→NewExecution→NewResult→NewFeedbackNewKnowledge \rightarrow NewExecution \rightarrow NewResult \rightarrow NewFeedback
如果新知识能够改善结果:
Improvement=TrueImprovement=True
则:
KnowledgeConfirmedKnowledgeConfirmed
如果仍然失败:
KnowledgeInvalidKnowledgeInvalid
于是重新学习。
因此:
Knowledge→Execution→Feedback→KnowledgeValidation\boxed{ Knowledge \rightarrow Execution \rightarrow Feedback \rightarrow KnowledgeValidation }
形成知识闭环。
4.37 学习不是一次性写入
反馈学习不是:
Feedback→WriteKnowledgeFeedback\rightarrow WriteKnowledge
而应该是:
Feedback→Material→Structure→Validation→Knowledge→ReExecution→FeedbackFeedback \rightarrow Material \rightarrow Structure \rightarrow Validation \rightarrow Knowledge \rightarrow ReExecution \rightarrow Feedback
因此知识形成具有循环性质。
可以表示为:
K0→Execution→Feedback→K1→Execution→Feedback→K2K_0 \rightarrow Execution \rightarrow Feedback \rightarrow K_1 \rightarrow Execution \rightarrow Feedback \rightarrow K_2
直到:
StableKnowledgeStableKnowledge
形成。
4.38 反馈形成知识结构的稳定性
知识是否稳定,不由一次反馈决定。
可以通过多次反馈进行验证:
F1,F2,F3,…,FnF_1,F_2,F_3,\ldots,F_n
如果多个反馈都支持:
KK
则:
Consistency(K)↑Consistency(K)\uparrow
如果反馈持续冲突:
F1≠F2F_1\neq F_2
则需要保留条件差异,而不是强行形成单一知识。
例如:
Price(Country=A)=25Price(Country=A)=25 Price(Country=B)=30Price(Country=B)=30
这不是知识冲突,而是:
ConditionCondition
不同。
因此反馈学习可以发现:
ConditionCondition
从而使知识更加完整。
4.39 反馈学习产生条件化知识
现实世界中,同一个对象在不同条件下可能具有不同结果。
例如:
Object=AObject=A
在:
Condition1Condition_1
下:
State1State_1
在:
Condition2Condition_2
下:
State2State_2
反馈学习以后形成:
Knowledge={Condition1→State1,Condition2→State2}Knowledge= \{ Condition_1\rightarrow State_1, Condition_2\rightarrow State_2 \}
因此:
Feedback→ConditionDiscovery→ConditionalKnowledge\boxed{ Feedback \rightarrow ConditionDiscovery \rightarrow ConditionalKnowledge }
这使知识从静态描述发展为动态结构。
4.40 反馈学习形成可运算知识
最终进入知识系统的内容必须能够被能力调用。
因此:
KnowledgeKnowledge
不能只是文字记录。
必须形成:
Object+Attribute+Value+Relation+State+Condition+RuleObject + Attribute + Value + Relation + State + Condition + Rule
等结构。
例如:
Price<30→LowPricePrice<30 \rightarrow LowPrice
可以被:
Compare()Compare()
和:
Judge()Judge()
调用。
因此:
Feedback→StructuredKnowledge→Operation\boxed{ Feedback \rightarrow StructuredKnowledge \rightarrow Operation }
反馈学习最终的目标不是保存反馈,而是形成可运算知识。
4.41 反馈学习与能力结构匹配
形成新的知识以后,需要重新与能力结构进行匹配。
NewKnowledge↔CapabilityStructureNewKnowledge \leftrightarrow CapabilityStructure
如果能够匹配:
CapabilityExpandedCapabilityExpanded
如果不能:
CapabilityGapCapabilityGap
于是再次进入学习。
因此:
Feedback→Knowledge→CapabilityMatching\boxed{ Feedback \rightarrow Knowledge \rightarrow CapabilityMatching }
这与前面的能力形成理论完全一致。
4.42 反馈学习与方法形成
当新的知识和能力结构形成以后,可能产生新的方法。
Knowledge+Capability+Decision→MethodKnowledge + Capability + Decision \rightarrow Method
因此:
Feedback→Learning→Knowledge→Capability→Decision→MethodFeedback \rightarrow Learning \rightarrow Knowledge \rightarrow Capability \rightarrow Decision \rightarrow Method
最终:
Method→ExecutionMethod \rightarrow Execution
再次产生:
FeedbackFeedback
形成闭环。
4.43 反馈进入学习的完整结构
可以将本章全部内容统一为:
Feedback→LearningMaterial→NewInformation→Object→Attribute→Value→Relation→State→Condition→KnowledgeStructure\boxed{ Feedback \rightarrow LearningMaterial \rightarrow NewInformation \rightarrow Object \rightarrow Attribute \rightarrow Value \rightarrow Relation \rightarrow State \rightarrow Condition \rightarrow KnowledgeStructure }
然后:
KnowledgeStructure→KnowledgeValidation→Knowledge\boxed{ KnowledgeStructure \rightarrow KnowledgeValidation \rightarrow Knowledge }
再:
Knowledge→Capability→Decision→Method→Execution→Result→Feedback\boxed{ Knowledge \rightarrow Capability \rightarrow Decision \rightarrow Method \rightarrow Execution \rightarrow Result \rightarrow Feedback }
形成完整学习循环:
执行→结果→反馈→学习材料→新信息→知识结构→知识→能力→决策→方法→再次执行\boxed{ 执行 \rightarrow 结果 \rightarrow 反馈 \rightarrow 学习材料 \rightarrow 新信息 \rightarrow 知识结构 \rightarrow 知识 \rightarrow 能力 \rightarrow 决策 \rightarrow 方法 \rightarrow 再次执行 }
4.44 反馈进入学习的理论意义
反馈使学习从外部输入扩展为执行驱动学习。
传统的学习可以表示为:
Information→KnowledgeInformation \rightarrow Knowledge
而结构智能的学习进一步增加:
Execution→Result→Feedback→LearningExecution \rightarrow Result \rightarrow Feedback \rightarrow Learning
因此完整学习来源包括:
ExternalInformation+ExecutionFeedback→LearningExternalInformation + ExecutionFeedback \rightarrow Learning
这意味着系统不仅能够“从资料中学习”,还能够:
从自己实际执行的结果中学习。
这正是结构智能动态学习的重要基础。
4.45 反馈学习与持续智能
如果没有反馈:
Method→ExecutionMethod \rightarrow Execution
执行结束以后系统停止。
如果有反馈:
Execution→FeedbackExecution \rightarrow Feedback
系统可以发现:
DifferenceDifference
如果可以学习:
Difference→KnowledgeDifference \rightarrow Knowledge
如果知识能够更新:
Knowledge→CapabilityKnowledge \rightarrow Capability
如果能力能够更新:
Capability→DecisionCapability \rightarrow Decision
如果决策能够形成新的方法:
Decision→MethodDecision \rightarrow Method
于是:
Method→ExecutionMethod \rightarrow Execution
重新开始。
所以:
Feedback→Learning\boxed{ Feedback \rightarrow Learning }
是持续智能形成的关键连接。
4.46 本章核心结论
本章建立了反馈进入学习理论。
第三章建立:
Execution→Result→FeedbackExecution \rightarrow Result \rightarrow Feedback
本章进一步建立:
Feedback→Learning\boxed{ Feedback \rightarrow Learning }
但反馈不能直接等同于知识。
完整过程是:
Feedback→LearningMaterial→NewInformation→Structure→Validation→Knowledge\boxed{ Feedback \rightarrow LearningMaterial \rightarrow NewInformation \rightarrow Structure \rightarrow Validation \rightarrow Knowledge }
学习材料中的信息可以形成:
ObjectObject AttributeAttribute ValueValue RelationRelation StateState ConditionCondition RuleRule
以及:
MethodKnowledgeMethodKnowledge
反馈因此能够同时产生事实知识、状态知识、关系知识、条件知识、规则知识、方法知识和失败知识。
知识形成以后进一步进入:
Knowledge→Capability→Decision→Method\boxed{ Knowledge \rightarrow Capability \rightarrow Decision \rightarrow Method }
再次执行:
Method→Execution→Result→Feedback\boxed{ Method \rightarrow Execution \rightarrow Result \rightarrow Feedback }
于是形成完整的学习闭环:
执行→结果→反馈→学习材料→新信息→知识结构→知识→能力→决策→方法→执行\boxed{ 执行 \rightarrow 结果 \rightarrow 反馈 \rightarrow 学习材料 \rightarrow 新信息 \rightarrow 知识结构 \rightarrow 知识 \rightarrow 能力 \rightarrow 决策 \rightarrow 方法 \rightarrow 执行 }
其中:
反馈≠知识\boxed{ 反馈\neq知识 }
而是:
反馈→学习材料→知识\boxed{ 反馈\rightarrow学习材料\rightarrow知识 }
同时:
学习材料≠知识\boxed{ 学习材料\neq知识 }
因为学习材料必须经过:
结构化+匹配+验证结构化 + 匹配 + 验证
以后,才能成为可调用的知识。
因此,WSaiOS-SI中的学习不是简单地把新的信息写入知识库,而是:
将执行产生的实际结果与预期目标之间的差异转化为学习材料,从学习材料中识别新的对象、属性、值、关系、状态、条件和规则,通过结构化与验证形成新的可运算知识,再利用新的知识更新能力、决策和方法,并通过再次执行验证学习结果。
最终形成:
Feedback→Learning→Knowledge→Capability→Decision→Method→Execution→Feedback\boxed{ Feedback \rightarrow Learning \rightarrow Knowledge \rightarrow Capability \rightarrow Decision \rightarrow Method \rightarrow Execution \rightarrow Feedback }
这使反馈不再只是执行之后的“检查机制”,而成为知识增长、能力形成、方法形成以及结构智能持续发展的重要来源。
从整个 WSaiOS-SI 理论体系来看,到本章为止,已经形成了一个完整的动态链:
需求→知识→认知→能力→决策→方法→执行→结果→反馈→学习→新知识→新能力→新决策→新方法→再执行\boxed{ 需求 \rightarrow 知识 \rightarrow 认知 \rightarrow 能力 \rightarrow 决策 \rightarrow 方法 \rightarrow 执行 \rightarrow 结果 \rightarrow 反馈 \rightarrow 学习 \rightarrow 新知识 \rightarrow 新能力 \rightarrow 新决策 \rightarrow 新方法 \rightarrow 再执行 }
而这个循环的本质是:
现实执行产生信息→反馈识别差异→差异进入学习→学习形成知识→知识改变智能结构→智能结构再次作用于现实\boxed{ 现实执行产生信息 \rightarrow 反馈识别差异 \rightarrow 差异进入学习 \rightarrow 学习形成知识 \rightarrow 知识改变智能结构 \rightarrow 智能结构再次作用于现实 }
因此,反馈进入学习,是 WSaiOS结构智能从“能够执行”发展到“能够通过执行结果持续形成和修正知识”的核心理论环节。