22 四维框架¶

本章主线 · AI导读

四维框架分别检查知识的来源、渐构起点、执行主体和复用方式。本书随后聚焦人类继承学习中的下上材料及其加工，而非穷尽四维所有组合。

四维框架¶

本书对学习的标准定义是渐构可泛化模型的行为，因此我们对学习的划分也将围绕渐构模型的不同方式来展开。

需要明确的是: 任何分类都只能描述学习的一个侧面^注, 所提供的指导既有独特性, 又有片面性。因此, 为更全面地分析和描述学习的现象和规律, 我们将引入四个视角: 创继维度、下上维度、主体维度与复用维度。

创继维度

创继维度关注模型的渐构是创造还是继承，可分为：

◎ 创验学习：创造并验证可泛化模型。

◎ 继承学习：重建他人的可泛化模型。

创验学习是从无到有的探索，需要学习者自己搜集经验，挖掘因果变量，并设法验证。

继承学习虽省去了创验过程，但却涉及理解他人的语义、材料组织等环节。

区分和掌握这两种学习方式，有助于我们选择各自的对应流程。

下上维度

下上维度关注模型的渐构是自下而上还是自上而下的，可分为：

◎ 自下学习：自下层出发、向上层连接的渐构。

◎ 自上学习：自上层出发、向下层连接的渐构。

自下学习和自上学习都有其特殊的学习材料、学习方式和优势 / 劣势。

区分和掌握这两种学习方式，有助于我们正确运用手上的既有材料和分析日后所需的新材料。

主体维度¶

主体维度关注渐构过程的实施者是谁，以及该实施者具有什么特性，可分为：

☐ 机器学习：由机器作为实施者的渐构。

◎ 人脑学习：由人脑作为实施者的渐构。

人脑学习又可进一步细分为内隐学习和外显学习。

◎ 内隐学习：由人脑自主系统作为实施者的渐构。

◎ 外显学习：由人脑意识系统作为实施者的渐构。

由于不同实施者具有不同的结构和特性，在进行学习时必须采用不同的方式。

例如，虽然机器学习和人脑学习都是在渐构可泛化模型，但机器学习能运用梯度下降法，甚至能将一个模型的参数直接复制到另一个模型上继续训练，而这些操作并不能运用在人脑学习上。

又如，人脑的意识系统可用语言将中间处理过程显示于外部，使得外显学习可以进行有意识的拆分和重组，但却因工作记忆容量有限，使得外显学习无法处理因素量庞大和反应速度要求高的学习。相对地，人脑的自主系统虽能处理因素量庞大和需要快速反应的学习，但却因不被意识感知而无法直接通过语言来渐构模型，需要设计专门的训练方案。

区分和掌握不同主体的学习，有助于我们顺应主体的机制来学习。

机学 - 人学¶

有一个误区需要注意，不要误以为涉及变量、映射、输入 / 输出等概念的就是机器学习。

首先要明白一点：人类从未在某个星球上发现一群会学习的机器，然后归纳总结它们的学习方式，将其命名为“机器学习”。事实恰恰相反——所谓“机器学习”，本质上是将人脑学习要完成的任务交由机器去执行。因此，在学习的行为目标上，机器学习和人脑学习完全一致，都是在渐构可泛化模型。正因为目标相同，对于机器学习和人脑学习来说，都可以用变量、映射、输入 / 输出等数学语言来描述其任务目标。

不过，由于在求学期间大家都没见过用数学语言来描述学习行为，第一次接触这种描述是在机器学习领域，于是很容易误以为这些概念是机器学习独有的。但实际上这些概念只是数学语言的描述，是所有注重量化的学科都会运用的语言。例如，物理学也用函数和变量来描述运动。此外，这些数学语言所描述的东西也不是机器学习独有的，是在哲学、逻辑学、编程语言、语言学中早就存在的概念。

机器学习和人脑学习的不同之处在于技术实现。机器学习依靠的是人们编写的算法，人脑学习依靠的是先天演化出来的大脑机制。在技术实现上，二者也无法参照彼此。例如，怎么让人脑像机器那样利用梯度下降法修改模型参数？哪怕做开颅手术都办不到。

所以，要分清楚机器学习和人脑学习的任务目标和技术实现。^注

在任务目标上，二者完全一致。机器学习本身就是在完成人脑学习所要完成的任务。在任务目标的描述上，本书提供了两套语言，一套是概念的外延、内涵、规律等这类自然语言描述，一套是变量、空间、模型等这类数学语言描述。

在技术实现上，二者完全不一致。本书也并不涉及任何机器学习的技术实现，因为这些内容需要以微积分、线性代数、概率统计和编程等知识为基础。想要在这方面继续深入的读者，请自己寻找学习材料。

AI早教¶

这里顺便说一下 AI 幼龄早教的问题。

机器学习的技术实现对于幼龄孩子而言严重超纲，孩子最后只能不知其所以然地执行固定流程。此类早教的形式大于实质。

机器学习的任务目标不依赖高等数学和编程，因此幼龄孩子可以掌握。但这部分内容不需要专门从机器学习领域入手来学，从逻辑学、语言学领域开始学习，受益更多。

复用维度¶

接着讨论四维框架中的最后一维——复用维度。

复用维度关注模型的渐构是否以及如何复用既有模型，可分为：

◎ 零基学习：不复用既有模型的渐构。

◎ 迁移学习：复用既有模型的渐构。

迁移学习又可进一步细分为正迁移学习和负迁移学习。

正迁移学习：通过改造和重组既有模型从而导致进度变快、难度降低、成本更低的渐构。

☐ 负迁移学习：复用既有模型（多为无意识行为）从而导致进度变慢、难度增加、结果错误的渐构。

正迁移学习的核心在于识别可复用结构，并通过合理地拆分、重组、改造既有模型来加速目标模型的渐构。

负迁移学习的挑战在于识别旧知识何时成为阻碍、如何屏蔽和替换。

区分和掌握这些学习类型，有助于我们加快学习速度和降低学习成本。

四维充分¶

尽管还可以从更多视角对学习加以划分，但这四个维度相对独立（尽管没有完全独立），通过组合即可构成一个十分全面的分析框架。其他重要的分类视角，其实都能在此框架中找到对应的位置。

语言划分¶

例如，我们可以根据是否使用语言材料将学习分为基于语言材料的学习与基于非语言材料的学习。但基于非语言材料的学习所指涉的各种情境，基本上已由主体维度中的内隐学习，以及下上维度中的自下学习所涵盖。

重点讲解¶

若将四个维度充分展开讲解，内容量会非常庞大，极易“劝退”读者。因此，为了用尽量少的篇幅呈现最实用的学习方法，浆果在本书中将重点聚焦于继承学习下的下上维度^注。

主干提要¶

本书以四个维度对学习进行了细致的类别划分。
创继维度关注模型的渐构是创造还是继承。
下上维度关注模型的渐构是自下而上还是自上而下。
主体维度关注渐构模型的实施者是谁。
人脑学习和机器学习在任务目标上一致，在技术实现上不一致。
复用维度关注模型的渐构是否以及如何复用既有模型。
通过四个维度的组合，可构成一个较为全面的分析框架。
因体量限制，本书的重点放在继承学习下的下上维度。

概念提要¶

◎ 四维框架：划分学习类型的四个维度——创继、下上、主体、复用。