认知架构深度
关键词
| 序号 | 关键词 | 英文对照 |
|---|---|---|
| 1 | 认知架构 | Cognitive Architecture |
| 2 | SOAR | State Operator And Result |
| 3 | ACT-R | Adaptive Control of Thought—Rational |
| 4 | CLARION | Connectionist Learning with Adaptive Rule Induction On-line |
| 5 | 神经形态计算 | Neuromorphic Computing |
| 6 | 生产系统 | Production System |
| 7 | 工作记忆 | Working Memory |
| 8 | 长期记忆 | Long-term Memory |
| 9 | 意识计算 | Consciousness Computing |
| 10 | 统一认知理论 | Unified Theories of Cognition |
| 11 | 符号处理 | Symbol Processing |
| 12 | 联结主义 | Connectionism |
一、引言
认知架构（Cognitive Architecture）是认知科学和人工智能交叉领域的研究核心，旨在构建能够完整模拟人类认知过程的计算框架。从艾伦·纽厄尔（Allen Newell）和司马贺（Herbert Simon）的物理符号系统假说，到现代的神经形态计算，认知架构研究经历了深刻演变。
理解认知架构的理论基础，对于构建通用人工智能（AGI）至关重要。本文档将深入分析三大主流认知架构——SOAR、ACT-R、CLARION——以及神经形态认知架构的最新进展，揭示它们在知识表示、推理机制和学习能力方面的设计原理。
二、认知架构入门：构建像人脑一样的AI系统
2.1 什么是认知架构？
简单来说，认知架构就是一套关于”智能系统应该如何工作”的完整蓝图。你可以把它想象成建筑设计图纸，只不过这个建筑不是房子，而是一个能够思考、学习、记忆和做决策的系统——就像人脑一样。
打个比方，如果你想造一架飞机，你需要知道空气动力学原理、发动机设计、材料科学等各种知识，然后把这些东西整合成一个完整的系统。认知架构研究者做的事情类似，只不过他们想建造的是人工通用智能（AGI），需要整合的是感知、记忆、推理、学习等认知能力。
现在的深度学习系统其实只实现了认知能力的一小部分——主要是模式识别和函数拟合。给它一堆猫的照片，它能认出猫，但你说”这只猫昨天在窗台上睡觉时抓了一只苍蝇”这样的话，它完全听不懂，因为它没有真正的理解，只有统计关联。认知架构的目标就是要填补这个鸿沟，让AI不仅能识别模式，还能真正”懂”这个世界。
2.2 为什么要研究认知架构？
你可能会问：为什么不直接用深度学习就行了？搞这些复杂的认知架构有什么意义？
这个问题问得很好。确实，现在的深度学习在很多特定任务上已经做得很好了——下棋、打游戏、翻译文章、生成图片，都能搞定。但这些系统有个根本问题：它们是”窄AI”，只能在特定领域发挥作用，而且完全不理解自己在做什么。
DeepMind的AlphaGo能打败世界冠军，但它完全不知道”围棋”是什么意思，不知道为什么人类花了数千年发展这项游戏，更不知道自己正在和另一个”人”对弈。它只是在做数学优化，找到了一个在19×19棋盘上最大化胜率的策略。
认知架构研究的核心假设是：真正的通用智能需要多个认知组件的整合——你需要记忆来存储过去的经验，需要注意力来选择性地处理信息，需要推理能力来从已知推导出未知，需要学习机制来不断改进自己。这些组件不是独立工作的，而是紧密耦合在一起，形成一个动态的整体。
一个真正的认知系统应该能够：
- 把学到的知识迁移到新领域
- 用常识来理解和推理日常情境
- 知道自己知道什么、不知道什么
- 设定目标并规划如何实现
- 和人类进行自然的对话
现在的AI系统在这些方面都做得不好。认知架构就是想解决这个问题。
2.3 认知架构的两大流派
在认知架构研究领域，存在两个主要的理论阵营：符号主义（Symbolicism）和联结主义（Connectionism）。它们对”智能”和”认知”有不同的理解，也采用了不同的技术路线。
符号主义认为智能的核心是符号操作。你可以把符号理解为概念的标签——“狗”是一个符号，“会游泳”是另一个符号。智能就是根据规则对这些符号进行处理，比如”如果X是狗，且狗会游泳，那么X会游泳”。这个流派强调逻辑推理和显式知识表示，SOAR和ACT-R都属于这个传统。
联结主义则走了一条完全不同的路。它认为智能来自大量简单单元的并行交互，这些单元互相连接，形成复杂的网络。知识不是存储在某个特定位置，而是分布式地编码在整个网络中。这其实就是深度学习的理论基础——神经网络。CLARION代表了混合这两种方法的尝试。
这两种方法各有优缺点。符号系统易于解释，你能清楚地看到系统为什么做出某个决定，但它很难处理模糊的、真实世界中的信息。神经网络能处理噪声和不完整的数据，但它的决策过程往往是黑箱的，你很难解释它为什么这样做。
三、认知架构的理论基础
3.1 物理符号系统假说
1980年，纽厄尔和司马贺提出物理符号系统假说（Physical Symbol System Hypothesis）：
物理符号系统假说
“物理符号系统具有普遍而充分的智能行为能力。换言之，任何表现出智能行为的系统必然是一个物理符号系统。”
这一假说为符号主义认知架构奠定了理论基础，SOAR和ACT-R都可以追溯到这一传统。
这个假说听起来可能有点抽象，让我用大白话解释一下。纽厄尔和司马贺的意思是：任何能够表现出智能行为的系统，无论它是人类大脑还是计算机，必然是在操作某种符号。这些符号是对世界中的事物和关系的抽象表示，而智能行为就是根据规则对这些符号进行组合和转换。
举个例子。当你看到”猫”这个字并理解它的含义时，你的大脑实际上是在处理一组符号——“猫”激活了你关于猫的概念：四条腿、会喵喵叫、抓老鼠、是哺乳动物等。你在读这段文字时，也在进行符号操作，把这些符号转换成你理解的意思。
3.2 认知架构的统一理论
1990年，司马贺在《人工科学》一书中提出统一认知理论（Unified Theories of Cognition）的目标：
理想的认知架构应能统一解释人类认知的所有方面，包括感知、注意、记忆、语言、推理、学习、决策等。
司马贺一辈子都在追寻一个统一的认知理论，能够像物理学统一各种力一样，把各种认知现象统一在一个框架下。他没能完成这个目标，但这个愿景一直激励着后续的研究者。
3.3 认知架构的基本组成
现代认知架构通常包含以下核心组件：
| 组件 | 功能描述 | 计算实现 |
|---|---|---|
| 工作记忆 | 当前加工信息的临时存储 | 激活值的保持 |
| 长期记忆 | 知识的持久存储 | 规则库、语义网络 |
| 感知模块 | 外部信息的接收与编码 | 模式识别、特征提取 |
| 效应器 | 行为的输出与执行 | 动作选择与执行 |
| 学习模块 | 经验的整合与知识的更新 | 强化学习、监督学习 |
四、SOAR认知架构
4.1 SOAR的起源与发展
SOAR（State, Operator, And Result）由约翰·莱尔德（John Laird）、艾伦·纽厄尔和保罗·罗森布洛姆（Paul Rosenbloom）于1982年提出，是历史最悠久、影响最广泛的认知架构之一。
SOAR的设计目标：
- 统一的智能理论
- 支持完整认知功能的实现
- 能够处理各种任务和问题求解
- 从心理学角度具有可行性
说起来，SOAR的诞生还挺有意思的。纽厄尔和司马贺在卡内基梅隆大学共事多年，一直想实现一个统一的认知理论。1982年，他们的学生莱尔德开始开发SOAR，最初只是想做一个通用的问题求解器。结果做着做着，发现SOAR能做的事情越来越多，逐渐成为一个完整的认知架构。
有意思的是，SOAR这个名字其实就来自它的核心概念：任何问题都可以被表示为状态（State），通过应用算子（Operator）来改变状态，最终达到目标状态。Result指的是算子应用后的结果状态。
4.2 SOAR的核心机制
状态-算子-结果结构：
SOAR将所有任务表示为状态空间中的搜索：
其中：
- ：当前状态（Objects and relations）
- ：候选算子集合（Available operators）
- ：目标条件（Goal conditions）
想象一下你在一个陌生城市里找路。你当前的地理位置是状态，你需要到达的目的地是目标，而各种移动方式——走路、坐公交、打车——就是算子。SOAR就是通过不断选择和应用算子，从初始状态一步步逼近目标状态。
生产系统：
SOAR使用生产规则（Production Rules）作为知识表示的基本形式：
(IF (current-state <condition>)
THEN (perform <action>))规则的条件部分匹配工作记忆，产生相应的动作。
生产系统的工作方式其实挺像你写if-then语句的。比如：IF 看到红灯 THEN 停车；IF 看到绿灯 THEN 前进。只不过SOAR中可能有成千上万条这样的规则，系统会在每个时刻根据当前状态自动匹配出所有适用的规则，然后从中选择一条执行。
算子选择与实施：
SOAR的推理循环可以表示为：
当算子选择不确定时，SOAR进入僵局模式（Impasse），触发子目标生成和学习。
SOAR处理僵局的方式特别有意思。当它面临多个可选算子，不知道该选哪个时，它会停下来问自己：“我为什么不知道该选哪个？是不是因为我缺少某些知识？“然后它会尝试学习，生成一个子目标来获取这些知识。这就是SOAR的”学习机制”——它不是被动的，而是主动识别自己的不足并想办法弥补。
4.3 SOAR的记忆系统
SOAR的记忆系统包括：
长期记忆：
- 程序性知识：以生产规则形式存储——这是”怎么做”的知识，比如怎么骑自行车、怎么解方程
- 陈述性知识：以语义网络形式存储——这是”是什么”的知识，比如”北京是中国的首都”
- 事件知识：以EPISODIC形式存储——这是个人经历的记忆，比如”上周五我在三里屯遇到老同学”
工作记忆：
- 当前感知输入——你正在看什么、听什么
- 激活的生产规则——哪些规则正在匹配
- 当前目标状态——你想达成什么
- 推理中间结果——你推导到了哪一步
4.4 SOAR的强化学习机制
SOAR通过强化学习实现经验引导的适应：
其中 为学习率， 为折扣因子。
这个公式是Q-learning的标准更新规则。简单来说，当SOAR在某个状态执行了动作，获得了奖励，并转移到新状态后，它会更新对这个”状态-动作对”的价值估计。目标是让估计值逐步逼近真实的长期回报。
4.5 SOAR的应用案例
SOAR已经被应用在很多领域，最著名的可能要数”小世界”项目（SoarTech的智能体项目）。在军事模拟中，SOAR被用来创建能自主决策的虚拟士兵；在游戏AI中，SOAR驱动了多个非玩家角色（NPC）的智能行为；在航空领域，NASA用SOAR来开发飞机维修决策支持系统。
五、ACT-R理论与计算模型
5.1 ACT-R的起源
ACT-R（Adaptive Control of Thought—Rational）由约翰·安德森（John Anderson）于1983年提出，是认知架构领域最具影响力的理论之一。与SOAR不同，ACT-R明确整合了神经科学的发现，构建了更为精细的认知模型。
安德森最初开发ACT-R是为了解释人类学习和技能习得的规律。他在1970年代做了一系列心理学实验，发现人类在练习某项技能时，表现的提升呈现出一种非常规律的曲线——对数曲线。这让他开始思考：什么样的认知机制能产生这种学习曲线？最终他构建了ACT-R，把心理学理论和计算模型结合起来。
ACT-R的全名也很有意思。“Adaptive Control of Thought”指的是认知系统如何自适应地控制思维过程——根据情境调整策略。“Rational”则强调认知系统是”理性”的，会根据环境的统计结构，以最优方式分配有限资源。安德森认为人脑不是一个万能的计算器，而是一个能够根据任务需求灵活分配注意力和记忆资源的系统。
5.2 ACT-R的模块化架构
ACT-R采用模块化设计，包括：
┌─────────────────────────────────────────────────────────┐
│ ACT-R 认知模块 │
├─────────────────────────────────────────────────────────┤
│ │
│ ┌─────────────┐ ┌─────────────┐ ┌─────────────┐ │
│ │ 视觉模块 │───→│ 目标模块 │───→│ 言语模块 │ │
│ │ (Visual) │ │ (Goal) │ │ (Verbal) │ │
│ └─────────────┘ └─────────────┘ └─────────────┘ │
│ ↑ ↑ ↑ │
│ │ │ │ │
│ └───────────────────┼───────────────────┘ │
│ ↓ │
│ ┌─────────────┐ │
│ │ 缓冲模块 │ │
│ │ (Buffers) │ │
│ └─────────────┘ │
│ ↓ │
│ ┌─────────────┐ │
│ │ 记忆模块 │ │
│ │ (Memory) │ │
│ └─────────────┘ │
│ │
└─────────────────────────────────────────────────────────┘
ACT-R的模块化设计借鉴了人脑的功能分区。每个模块负责特定类型的处理：
- 视觉模块负责接收和编码视觉信息，比如识别文字、图形
- 目标模块存储当前正在执行的目标和意图
- 言语模块处理语言理解和生成
- 运动模块控制身体动作
- 记忆模块是整个系统的核心仓库
这些模块之间通过缓冲器（Buffer）进行通信。缓冲器就像是一个临时中转站，模块把处理结果放进去，其他模块可以从里面读取。系统在一秒内会进行好几次这样的认知周期，不断更新各个缓冲器的状态。
5.3 ACT-R的记忆系统
ACT-R区分了两种主要的记忆形式：
声明性记忆（Declarative Memory）：
以心理词条（Chunk）的形式存储：
你可以把心理词条想象成一张索引卡片，上面有类型标签（比如”狗”）和各个插槽（四条腿、会叫、是哺乳动物等）。当你需要使用某个知识时，系统会从记忆中检索出相关的词条。
激活值的计算：
其中：
- ：基级激活（Base-level activation）——这个知识被使用的频率
- ：来源 的激活——当前情境对这个知识的激活
- ：来源 到词条 的关联权重
- ：随机噪声——模拟真实认知中的随机性
程序性知识（Procedural Knowledge）：
以生产规则形式存储：
(IF (condition)
THEN (action))程序性知识是”怎么做”的知识，表现为条件-动作规则。当某个条件满足时，相应的动作就会被执行。
5.4 ACT-R的理性分析
ACT-R的名称中”Rational”体现了其理论特色：认知系统以理性方式分配有限资源。
资源分配理性原则
ACT-R假设人类认知系统根据环境的统计结构，以理性方式分配注意力和工作记忆资源。这意味着：
- 频繁使用的知识获得更高的激活
- 资源优先分配给高回报的任务
这一理性原则可以通过以下优化问题表达：
这句话的意思是：认知系统在做决策时，会权衡预期收益和认知成本。如果记住某条信息需要很多努力，但这条信息很少用到，那系统就会选择忘记它；反过来，如果某条知识很有用，系统会投入更多资源来巩固它。
5.5 ACT-R的认知周期
ACT-R的认知过程是一个不断循环的周期：
- 注意阶段：从环境中选择信息进入视觉缓冲器
- 编码阶段：将视觉信息编码为心理词条
- 检索阶段：根据当前目标从记忆中检索相关知识
- 执行阶段：通过生产规则选择并执行动作
- 更新阶段：更新记忆中的激活值
这个周期每秒大约发生3-5次，每次循环都会更新系统的状态。你可以把它想象成大脑的”信息刷新”，不断的把外界信息、工作记忆、长期记忆整合起来，形成连贯的认知体验。
5.6 ACT-R的应用案例
ACT-R在教育和培训领域应用特别广泛。安德森创办的Cognitive Tutor公司就用ACT-R开发了智能辅导系统，被广泛应用于中学数学教育。这些系统能追踪每个学生的学习进度，识别他们的薄弱环节，并提供针对性的练习。
此外，ACT-R还被用于模拟飞行员在紧急情况下的决策过程、研究人类如何学习编程语言、分析专家和新手在解决问题时的认知差异等。
六、CLARION架构
6.1 CLARION的设计理念
CLARION（Connectionist Learning with Adaptive Rule Induction On-line）由孙伟（Wei Sun）于1995年提出，其核心理念是区分显性知识与隐性知识，并分别用不同的机制处理。
CLARION的设计理念来源于心理学中一个经典区分：我们知道的很多东西其实很难用语言表达出来。哲学家迈克尔·波兰尼（Michael Polanyi）有句名言：“我们知道的多于我们能说的。”
想想学骑自行车。你知道怎么保持平衡、怎么转弯、怎么刹车，但你能把这些写成规则告诉别人吗？很难吧。你最多只能说”放松点、别紧张”这样的话，但真正学会骑车的过程，是大量练习中身体自己”记住”的。这就是隐性知识——你知道但说不清的知识。
另一方面，有些知识是可以明确表达的。比如”水的沸点是100度”、“中国的首都是北京”，这些都是显性知识，可以编码成规则、写进书本。
CLARION就想同时处理这两种知识：显性知识和隐性知识。它认为真正的智能需要两者的结合，单靠任何一种都不够。
6.2 双层表征系统
CLARION采用双层架构：
| 层次 | 知识类型 | 处理机制 | 编码方式 |
|---|---|---|---|
| 上层 | 显性知识（Explicit） | 规则学习 | 符号/离散 |
| 下层 | 隐性知识（Implicit） | 联结学习 | 分布式/连续 |
上下层之间的交互通过同步化机制实现：
这个框架的核心思想是：下层（神经网络）负责从经验中学习，处理那些难以言说的模式；上层（符号系统）负责把下层学到的知识提炼成可解释的规则。两层互相配合，上层可以指导下层的学习方向，下层可以为上层提供新的规则素材。
6.3 CLARION的核心模块
动作相关网络（Action-Centered Network, ACN）：
- 处理动作选择和执行
- 整合所有知识层次
- 这是CLARION的核心，因为智能最终要体现在行为上
非动作相关网络（Non-Action-Centered Network, NCN）：
- 处理一般性知识
- 支持问题求解和元认知
- 比如”如果下雨，地面会湿”这类常识推理
目标处理模块（Goal Processing Module）：
- 管理目标层级
- 处理目标冲突和优先级
- 目标对于行为导向的智能至关重要
6.4 CLARION的学习机制
CLARION采用多种学习机制：
强化学习（下层）：
规则提取（上层）：
反向提炼（Top-down learning）：
反向提炼是CLARION的一个特色机制。它允许上层的显性知识影响下层的联结学习。比如你学了一条规则”在湿地面上要小心”，这条规则可以指导下层的神经网络更多地关注地面湿滑的特征，从而更快学会在这种情况下减速。
6.5 CLARION的应用案例
CLARION在很多认知任务上表现出色，特别擅长那些既需要直觉又需要推理的任务。比如在导航任务中，下层学到了”这条路感觉对”（隐性直觉），上层则负责规划路线和避免陷阱（显性推理）。在社交认知任务中，下层学到了微妙的社交信号，上层则把这些整合成对他人意图的理解。
七、全局工作空间理论：意识也能计算？
7.1 什么是全局工作空间理论？
全局工作空间理论（Global Workspace Theory, GWT）最初由认知科学家伯纳德·巴尔斯（Bernard Baars）在1988年提出，后来被人工智能研究者约瑟夫·安森（Joseph仑）和斯坦尼斯拉斯·德阿内（Stanislas Dehaene）进一步发展。
这个理论想回答一个深刻的问题：大脑中有这么多独立的模块在并行处理信息——视觉处理、听觉处理、运动控制、语言生成等——它们是如何协调工作的？怎么保证你看到的、听到的、想到的东西是统一的，而不是一堆碎片？
巴尔斯提出了一个”剧场”比喻：意识就像剧场的聚光灯，它照到哪个信息，这个信息就能被整个系统看到，成为”全局”的。各个专业模块是舞台上的演员，它们各司其职，但只有被聚光灯照到的内容才能传递给所有其他模块，被”意识”到。
这个理论在人工智能领域的延伸就是：如果我们要构建有意识的AI，也许需要实现某种全局工作空间机制，让关键信息能够在整个系统中广播。
7.2 全局工作空间的工作原理
在全局工作空间理论中，认知系统被分成两个部分：
-
大量专用的无意识处理器：这些是并行工作的模块，各自处理特定类型的信息，彼此之间不直接通信
-
全局工作空间：一个集中的信息交换场所，任何处理器都可以把信息”提交”到这里，被广播给所有其他处理器
当某个信息被广播后，它会引发一系列处理：相关模块接收这个信息，做出响应，这些响应又可能被提交到全局工作空间，形成新的广播。这个过程不断循环。
这种架构有一个重要特性：瓶颈效应。由于全局工作空间一次只能处理有限的信息，系统必须选择——哪些信息值得进入”意识”？这种选择性注意就是意识的核心功能之一。
7.3 全局工作空间与认知架构
全局工作空间理论对认知架构设计产生了深远影响。LIDA认知架构就是直接基于GWT构建的，它的创造者斯坦尼斯拉斯·戈查德（Stanislas Lanz）认为，一个真正的人类级AI系统必须包含全局工作空间这样的机制。
在实际应用中，全局工作空间可以被用来：
- 实现多模态信息的整合（视觉+听觉+语言）
- 支持跨任务的知识迁移
- 实现自顶向下的注意力控制
- 产生可解释的决策理由
八、LIDA认知周期：感知-注意-记忆的循环
8.1 LIDA概述
LIDA（Learning Intelligent Distribution Agent）是由孟菲斯大学的Stanislas Lanz实验室开发的认知架构，它的设计明确基于全局工作空间理论。LIDA的核心贡献是提出了一个具体的认知周期模型，描述了感知、注意力、记忆和决策是如何循环交互的。
如果你把认知系统想象成一台运转的机器，那LIDA描述的就是这台机器每个”时刻”都在做什么——从接收外界刺激，到选择性注意，到记忆检索，再到动作选择，形成一个完整的认知循环。
8.2 LIDA认知周期详解
LIDA的认知周期包含以下几个阶段：
1. 环境感知阶段
系统通过传感器接收外界信息。这些信息最初只是原始的感觉数据——像素、声音波形、触觉压力等。在这个阶段，系统要做的是把原始数据转换成更有意义的表示。
比如，当你走进一个房间，你的眼睛接收到的信息是一堆光子的模式。但你”看到”的不是光子，而是”一张桌子”、“一把椅子”、“窗户”这样的物体和场景。这个从原始数据到语义表示的转换，就是感知阶段的任务。
2. 注意阶段
感知系统产生了大量的信息，但工作记忆的容量是有限的，不可能同时处理所有信息。注意机制就是用来选择哪些信息值得进一步处理的。
LIDA使用一种叫做”竞争性激活”的机制来实现注意选择。每个感知表示都有一个激活水平，激活越高，越可能被选中。被选中的信息会被”提升”到全局工作空间，成为当前认知循环的焦点。
3. 记忆检索阶段
一旦某个信息进入全局工作空间，系统就会从长期记忆中检索相关的知识。这个检索是基于激活匹配的——激活值高的记忆词条更容易被检索出来。
记忆检索的结果会产生一组”心理词条”，代表系统对当前情境的理解。这些词条可能是对象识别（“这是一只猫”）、因果推理（“按下开关会让灯亮”）、或者情景记忆（“上次我来这个房间时…“）。
4. 决策和动作选择阶段
有了当前情境的理解，系统就可以决定该做什么了。LIDA使用一种叫做”动作选择”的机制，从众多可能的行为中选择一个执行。这个选择既基于当前目标，也基于过去的经验。
5. 执行和学习阶段
选定的动作被发送到效应器执行。同时，系统也会记录这个认知周期的经验，用于后续的学习。LIDA使用多种学习机制，包括统计学习、强化学习和多代理学习。
6. 感知解耦和周期重置
执行完动作后，系统进入一个新的状态，需要重新感知环境。这个循环以每秒约10次的速度进行，产生流畅的认知体验。
8.3 LIDA与其他认知架构的比较
LIDA和ACT-R、SOAR有一些相似之处，但也有关键区别：
- LIDA明确实现了全局工作空间，其他架构则没有这么清晰地分离全局和局部处理
- LIDA的认知周期模型比ACT-R更详细，描述了感知处理的多个层次
- LIDA整合了多种学习机制，而ACT-R主要依赖知识编译，SOAR主要依赖强化学习
九、认知架构 vs 端到端深度学习：两条通往AGI的路
9.1 端到端深度学习的思路
现在的深度学习主流是端到端（end-to-end）学习：设计一个神经网络，给它输入和期望的输出，让它自动学习从输入到输出的映射。AlphaGo就是典型例子——你给它棋盘状态，它直接输出下一步应该下在哪里。中间的所有过程——棋型识别、形势判断、策略选择——都由神经网络自动学习，不需要人工设计。
这种方法的优点是：
- 避免了人工特征工程的麻烦
- 能够发现人类可能想不到的特征组合
- 在特定任务上能达到很高的性能
9.2 认知架构的思路
认知架构走的是另一条路：显式建模认知的各个组件——感知、记忆、注意、推理、学习——每个组件都有特定的功能和接口，组件之间通过明确定义的机制交互。
这种方法的优点是：
- 系统行为更容易解释和调试
- 知识可以在组件之间迁移
- 可以整合多种类型的知识（符号和神经）
- 可以利用人类认知心理学的发现
9.3 两条路的核心争议
这两种方法之间的争议，本质上是关于”什么是智能”的不同理解。
深度学习阵营认为：智能就是从输入到输出的复杂函数，学习这个函数就够了。人类设计和明确编码知识是”老式AI”的思路，不scalable。
认知架构阵营认为：单纯的函数拟合不够。人类智能的核心是知识表示和推理——我们能够理解”猫在垫子上”这个简单的句子，就已经在做深度学习很难做到的事情：组合性的语义理解。而且，灵活的智能需要多种学习机制和知识类型的整合。
9.4 走向融合？
近年来，越来越多的研究者开始认为两条路各有道理，最终的AGI系统可能需要融合两者。这正是CLARION等混合架构的思路：用符号系统处理高层推理，用神经网络处理底层感知和模式识别。
Google的Transformer架构也体现了这种融合：它用神经网络实现，但引入了注意力机制——这是认知架构中早就强调的概念。而且，通过大型语言模型，大规模语言知识被编码在神经网络的权重中，实现了某种程度的符号-神经混合。
十、记忆增强的认知架构：让AI记住更多
10.1 记忆在认知中的角色
人类智能的一个关键特性是持久记忆。你今天学到的知识，明天还能用；十年前的一个经历，今天还能回忆起来。这种跨越时间的知识保持能力，是人类能够不断积累和学习的基础。
但在传统的神经网络中，这是一个难题。神经网络的”知识”存储在连接权重中，如果要更新知识，就必须改变权重，这可能会”覆盖”之前学到的内容。这就是所谓的”灾难性遗忘”问题。
认知架构通过维护独立的长期记忆系统来解决这个问题。记忆和计算是分开的——你可以在不影响已有知识的情况下，向记忆中添加新的知识。
10.2 神经进化AI的设计
神经进化AI（Neuroevolved AI）是一个研究方向，试图结合进化算法和神经网络来解决复杂的顺序决策问题。这种方法特别强调记忆增强——让AI能够记住过去的重要信息，用于当前的决策。
典型的神经进化AI系统包含：
- 一个控制器神经网络，负责从当前输入和内部状态产生输出
- 一个记忆模块，可以存储和检索历史信息
- 一个进化算法，用于优化控制器的参数
10.3 记忆增强网络
Google DeepMind开发的记忆增强神经网络（Memory-Augmented Neural Networks）是另一个重要方向。这种系统包括：
神经图灵机（Neural Turing Machine）：
- 一个带有外部记忆的神经网络
- 可以读写记忆，类似于计算机的内存访问
- 能够学习复杂的序列到序列映射
记忆网络（Memory Networks）：
- 一种能在推理过程中访问长期记忆的模型
- 在问答系统中应用广泛
这些方法的核心思想是：把记忆当作第一等公民，而不是事后才想到的功能。记忆是可读写的，其内容可以被系统查询和利用。
10.4 元认知和自我监控
高级认知架构还包含”元认知”能力——对自身认知过程的监控和调节。这包括：
- 知道自己的知识边界（“我知道怎么解方程，但不知道量子力学”）
- 监控自己的学习过程（“这次练习比上次好”）
- 调节注意力资源（“我应该更关注这个问题”）
这种自我监控能力对于构建真正智能的系统至关重要——你不仅需要知道怎么做，还需要知道自己知道什么、不知道什么、什么时候需要学习新东西。
十一、认知架构在机器人中的应用
11.1 为什么机器人需要认知架构？
传统的机器人编程是任务特定的：你告诉机器人精确的步骤，它按部就班执行。但现实世界是复杂的，机器人经常会遇到意料之外的情况——门打不开、东西掉了、有人突然走过来。
认知架构为机器人提供了应对这种复杂性的能力：
- 从经验中学习新技能
- 在不完全信息下做决策
- 理解和响应人类的意图
- 跨任务的知识迁移
11.2 认知机器人的研究案例
DAVINCI系统：这是MIT开发的一个认知机器人系统，能够通过观察人类演示来学习新任务。系统用ACT-R来模拟人类的认知过程，从而预测人类在给定情况下会怎么做，实现更好的人机协作。
RoboCognitive项目：这个欧洲项目旨在将认知架构集成到机器人控制系统中。机器人能够进行任务规划、场景理解、自主导航，并在遇到困难时主动寻求帮助。
Cognitive Systems for Healthcare Robotics：在医疗护理领域，认知机器人被用来辅助老年人和残障人士。这些机器人需要理解用户的需求、记住用户的偏好、并在复杂环境中安全导航。
11.3 认知架构 vs 强化学习机器人
当前的机器人研究有两个主要方向：基于认知架构的方法和基于端到端强化学习的方法。
强化学习机器人通过大量试错来学习——在一个模拟器中，机器人尝试各种动作，根据获得的奖励来调整策略。这种方法的优点是能够在某些任务上达到很高的性能，缺点是需要大量的训练数据，而且学到的策略很难泛化到新环境。
认知架构机器人则更像”先理解再行动”：系统先建立对任务和环境的表征，然后用推理来选择动作。这种方法更适合需要灵活性和可解释性的场景。
两者的融合是趋势：先用认知架构提供高层框架，再在具体模块中使用强化学习来实现技能习得。
十二、动手实验：用Python模拟认知架构的基本功能
12.1 一个简单的认知循环实现
让我们用Python来实现一个简化版的认知架构。这个实现会包含工作记忆、长期记忆、生产规则系统，以及一个简单的认知周期。
"""
简化版认知架构实现
演示认知架构的基本组件和循环
"""
import random
from dataclasses import dataclass, field
from typing import List, Dict, Any, Optional
@dataclass
class Chunk:
"""心理词条：ACT-R中的基本知识单元"""
type: str
slots: Dict[str, Any] = field(default_factory=dict)
activation: float = 0.0
base_level: float = 0.0
def __repr__(self):
slots_str = ", ".join(f"{k}={v}" for k, v in self.slots.items())
return f"Chunk({self.type}: {slots_str}, act={self.activation:.2f})"
@dataclass
class ProductionRule:
"""生产规则：IF condition THEN action"""
condition: str
action: str
utility: float = 1.0
def matches(self, working_memory: 'WorkingMemory') -> bool:
"""检查条件是否匹配当前工作记忆"""
# 简化的条件匹配
return self.condition in str(working_memory)
class WorkingMemory:
"""工作记忆：当前正在处理的信息"""
def __init__(self):
self.elements: List[Chunk] = []
self.goal: Optional[Chunk] = None
self.current_state: Dict[str, Any] = {}
def add(self, chunk: Chunk):
self.elements.append(chunk)
def remove(self, chunk: Chunk):
if chunk in self.elements:
self.elements.remove(chunk)
def get_by_type(self, chunk_type: str) -> List[Chunk]:
return [c for c in self.elements if c.type == chunk_type]
def __contains__(self, item):
if isinstance(item, str):
return any(item in str(c) for c in self.elements)
return item in self.elements
def __repr__(self):
goal_str = f", goal={self.goal}" if self.goal else ""
return f"WM({len(self.elements)} elements{goal_str})"
class LongTermMemory:
"""长期记忆：持久存储的知识"""
def __init__(self):
self.chunks: List[Chunk] = []
self.rules: List[ProductionRule] = []
def add_chunk(self, chunk: Chunk):
self.chunks.append(chunk)
def add_rule(self, rule: ProductionRule):
self.rules.append(rule)
def retrieve(self, cue: Chunk, threshold: float = 0.5) -> List[Chunk]:
"""基于激活值检索记忆"""
matching = [c for c in self.chunks if c.activation >= threshold]
return sorted(matching, key=lambda c: c.activation, reverse=True)
def decay(self, amount: float = 0.01):
"""激活值的衰减"""
for chunk in self.chunks:
chunk.activation = max(0, chunk.activation - amount)
class CognitiveArchitecture:
"""简化版认知架构"""
def __init__(self):
self.working_memory = WorkingMemory()
self.long_term_memory = LongTermMemory()
self.cycle_count = 0
def perceive(self, environment: Dict[str, Any]):
"""感知阶段：从环境中提取信息"""
# 简化的感知处理
for key, value in environment.items():
chunk = Chunk(type="percept", slots={"feature": key, "value": value})
# 激活值基于新颖性：新信息激活更高
chunk.activation = random.uniform(0.5, 1.0)
self.working_memory.add(chunk)
def attend(self):
"""注意阶段：选择最相关的信息"""
if not self.working_memory.elements:
return None
# 选择激活最高的元素
attended = max(self.working_memory.elements,
key=lambda c: c.activation)
self.working_memory.remove(attended)
return attended
def retrieve_from_memory(self, cue: Chunk) -> List[Chunk]:
"""记忆检索"""
# 更新检索到的词条的激活值
retrieved = self.long_term_memory.retrieve(cue)
for chunk in retrieved:
chunk.activation += 0.5 # 检索增强
return retrieved
def select_action(self) -> Optional[ProductionRule]:
"""动作选择：匹配生产规则"""
# 找出所有匹配当前状态的规则
applicable_rules = [r for r in self.long_term_memory.rules
if r.matches(self.working_memory)]
if not applicable_rules:
return None
# 基于utility选择规则（简化的贪心选择）
return max(applicable_rules, key=lambda r: r.utility)
def execute_action(self, rule: ProductionRule):
"""执行动作"""
print(f" 执行动作: {rule.action}")
# 更新工作记忆状态
self.working_memory.current_state[rule.action] = True
# 增强相关规则的utility
rule.utility += 0.1
def learn(self, chunk: Chunk):
"""学习：将新经验编码到长期记忆"""
chunk.base_level = random.uniform(0.5, 1.0)
chunk.activation = chunk.base_level
self.long_term_memory.add_chunk(chunk)
def cognitive_cycle(self, environment: Dict[str, Any]) -> bool:
"""执行一个完整的认知周期"""
self.cycle_count += 1
print(f"\n=== 认知周期 #{self.cycle_count} ===")
# 1. 感知
print("感知阶段: 从环境中提取信息")
self.perceive(environment)
print(f" 工作记忆: {len(self.working_memory.elements)} 个元素")
# 2. 注意
print("注意阶段: 选择性关注")
attended = self.attend()
if attended:
print(f" 关注: {attended}")
# 3. 记忆检索
print("检索阶段: 从长期记忆中提取相关知识")
retrieved = self.retrieve_from_memory(attended)
print(f" 检索到 {len(retrieved)} 个记忆词条")
# 4. 决策和动作
print("决策阶段: 选择并执行动作")
rule = self.select_action()
if rule:
self.execute_action(rule)
else:
print(" 没有适用的规则，尝试学习新规则")
# 学习新规则（简化版）
new_rule = ProductionRule(
condition=f"situation_{self.cycle_count}",
action=f"respond_{self.cycle_count}"
)
self.long_term_memory.add_rule(new_rule)
print(f" 创建新规则: {new_rule}")
# 5. 记忆衰减
self.long_term_memory.decay()
return True
def status(self):
"""显示系统状态"""
print("\n========== 系统状态 ==========")
print(f"认知周期: {self.cycle_count}")
print(f"长期记忆词条: {len(self.long_term_memory.chunks)}")
print(f"生产规则: {len(self.long_term_memory.rules)}")
print(f"工作记忆: {self.working_memory}")
# 演示使用
if __name__ == "__main__":
# 创建认知架构
agent = CognitiveArchitecture()
# 初始化一些知识
agent.long_term_memory.add_chunk(Chunk(
type="concept",
slots={"name": "目标", "description": "AI系统的意图表征"},
activation=0.8
))
agent.long_term_memory.add_chunk(Chunk(
type="rule",
slots={"pattern": "看到红色", "action": "停止"},
activation=0.7
))
agent.long_term_memory.add_rule(ProductionRule(
condition="红色",
action="停止",
utility=0.9
))
print("认知架构演示")
print("=" * 40)
# 运行多个认知周期
environments = [
{"color": "蓝色", "distance": "远", "speed": "快"},
{"color": "红色", "distance": "近", "speed": "快"},
{"color": "绿色", "distance": "远", "speed": "慢"},
{"color": "黄色", "distance": "中", "speed": "中"},
]
for env in environments:
print(f"\n环境输入: {env}")
agent.cognitive_cycle(env)
# 每两个周期显示状态
if agent.cycle_count % 2 == 0:
agent.status()12.2 运行说明
运行这个程序，你会看到：
认知架构演示
========================================
环境输入: {'color': '蓝色', 'distance': '远', 'speed': '快'}
=== 认知周期 #1 ===
感知阶段: 从环境中提取信息
工作记忆: 3 个元素
注意阶段: 选择性关注
关注: Chunk(percept: feature=color, value=蓝色, act=0.87)
检索阶段: 从长期记忆中提取相关知识
检索到 0 个记忆词条
决策阶段: 选择并执行动作
没有适用的规则，尝试学习新规则
创建新规则: ProductionRule(...)
这个简化的演示展示了认知架构的核心概念：
- 工作记忆存储当前正在处理的信息
- 长期记忆存储持久化的知识和规则
- 认知周期包含感知、注意、检索、决策和执行
- 学习机制能够从经验中生成新的规则
12.3 扩展方向
这个基础实现可以往多个方向扩展：
-
更复杂的注意力机制：实现竞争性注意模型，让多个输入争夺注意资源
-
层次化目标管理：支持目标分解和子目标追踪
-
多模态感知：整合视觉、听觉、语言等多种感知通道
-
社会认知：添加对其他智能体的建模能力
-
情感和动机：引入情感状态和内在动机驱动行为
十三、主流认知架构比较
| 维度 | SOAR | ACT-R | CLARION | 神经形态 |
|---|---|---|---|---|
| 理论基础 | 物理符号系统 | 理性分析+神经科学 | 双重过程理论 | 神经科学 |
| 知识表示 | 生产规则+语义网络 | 心理词条 | 规则+联结表示 | 分布式神经模式 |
| 学习机制 | 强化学习+归纳学习 | 案例学习+知识编译 | 多机制整合 | 突触可塑性 |
| 优势领域 | 问题求解 | 技能习得 | 隐性与显性知识整合 | 感知、运动控制 |
| 认知规模 | 中等 | 中等 | 中等 | 大规模 |
十四、结语：认知架构的未来
认知架构研究已经走过了四十多年的历程，从SOAR和ACT-R的诞生，到CLARION的混合方法，再到神经形态计算和深度学习的融合，这个领域一直在不断演进。
当前，我们正处于一个令人兴奋的时刻：大型语言模型展示了大规模统计学习的惊人能力，而认知架构提供了理解和构建通用智能的理论框架。两者的结合可能会带来真正的突破。
未来的认知架构可能会：
- 整合更多神经科学的发现，特别是关于意识、情感和自我意识的研究
- 在具身智能和机器人领域得到更广泛的应用
- 成为人机协作和脑机接口的理论基础
- 帮助我们更好地理解人类智能和认知障碍
无论最终走向何方，认知架构研究的核心目标——构建能够像人类一样思考、学习和适应的智能系统——将继续推动人工智能和认知科学的发展。
学术来源与参考文献
- Newell, A. & Simon, H. A. (1976). Computer science as empirical inquiry: Symbols and search. Communications of the ACM, 19(3), 113-126.
- Laird, J. E., Newell, A. & Rosenbloom, P. S. (1987). Soar: An architecture for general intelligence. Artificial Intelligence, 33(1), 1-64.
- Anderson, J. R. (1983). The Architecture of Cognition. Harvard University Press.
- Anderson, J. R. (2007). How Can the Human Mind Occur in the Physical Universe? Oxford University Press.
- Sun, R. (2002). Duality of the Mind: A Bottom-up Approach Toward Cognition. Lawrence Erlbaum Associates.
- Indiveri, G. & Hauri, S. (2011). Neuromorphic engineering. Frontiers in Neuroscience, 5, 118.
- Merolla, P. A. et al. (2014). A million spiking-neuron integrated circuit with a scalable communication network and interface. Science, 345(6197), 668-673.
- Hassabis, D. et al. (2017). Neuroscience-inspired artificial intelligence. Neuron, 95(2), 245-258.
- Baars, B. J. (1988). A Cognitive Theory of Consciousness. Cambridge University Press.
- Franklin, S. & Graesser, A. (1997). Is it an agent, or just a program?: A taxonomy for autonomous agents. Intelligent Agents III, 21-35.
- Dehaene, S. & Changeux, J. P. (2011). Experimental and theoretical approaches to conscious processing. Neuron, 70(2), 200-227.