认知心理学和认知神经科学/知识表示与半球特化

大多数人类认知能力依赖于或与我们所说的知识相互作用。人们如何驾驭世界？他们如何解决问题，如何理解周围环境，以及人们在什么基础上做出决定并推断？对于所有这些问题，知识，对世界的精神表征都是答案的一部分。

什么是知识？根据 Merriam-Websters 在线词典，知识是“一个人信息和理解的范围”以及“通过推理理解真理或事实的情况或条件”。因此，知识是信息的结构化集合，可以通过学习、感知或推理获得。

本章将探讨人类大脑和计算模型中代表世界知识的结构。首先，介绍了概念和范畴作为存储和分类信息的模型，然后是语义网络的概念，以及与这些概念密切相关的尝试解释人类存储和处理信息的方式。除了生物学方面，我们还将讨论人工智能系统中的知识表示，这些系统可以作为存储和访问知识以及进行快速推断的有用工具。

在考察了知识如何在人类大脑和人工智能系统中存储和获取之后，我们将更深入地研究人类大脑在半球特化方面的特点。这个主题不仅与知识表示相关，因为左右半球在存储的知识类型方面存在差异，而且与本书的许多其他章节相关。例如，记忆在哪里存储？大脑的哪些部分与情绪和动机相关？在本章中，我们将重点介绍左右半球的一般差异。我们考虑这样一个问题：它们在信息处理的内容和方式上是否不同，并概述了为该领域的科学进步做出贡献的实验。

大脑中的知识表示

概念和范畴

对于许多认知功能，概念是必不可少的。概念是精神表征，包括记忆、推理以及语言的使用/理解。概念的一个功能是知识的分类，这已经得到了深入的研究。在本章中，我们将重点关注概念的这个功能。

想象一下，你每天早上醒来，就开始思考你从未见过的所有事物。想想如果你看到一辆你从未见过的汽车停在你家门前，你会有什么感受。你已经见过数千辆汽车，但因为你从未见过这辆特定汽车在这个特定位置，所以你无法给自己任何解释。既然我们能够找到解释，那么我们需要问自己的问题是：我们如何能够从先前的知识中抽象出来，为什么当我们面对一个稍微新的情况时，我们不会从头开始？答案很简单：我们对知识进行分类。分类是指将事物归入称为范畴的组的过程。

范畴是所谓的“知识指针”。你可以想象范畴就像一个盒子，里面装着一组类似的物体，并贴有关于该范畴的共同属性和其他一般信息的标签。我们的大脑不仅会记住特定范畴成员的具体例子，还会存储所有成员共有的，因此定义了该范畴的一般信息。回到汽车的例子，这意味着我们的大脑不仅会存储你自己的汽车、邻居的汽车和朋友的汽车的外观，还会向我们提供大部分汽车都有四个轮子、需要加油等的一般信息。因为分类使我们能够立即通过识别新物体作为某个范畴的成员来了解场景的概貌，从而节省了我们在调查新物体时原本要花费的大量时间和精力。它帮助我们关注环境中的重要细节，并使我们能够做出正确的推断。为了说明这一点，想象一下你站在路边，想要穿过马路。一辆汽车从左边驶来。现在，你只需要知道这辆汽车的范畴提供的一般信息，即如果你不等到它过去就会被它撞倒。你无需关心汽车的颜色、车门数量等等。如果你无法立即将这辆汽车归类为“汽车”，并推断出需要退后一步的必要性，你就会被撞倒，因为你仍然忙于检查这辆特定且未知汽车的细节。因此，分类已被证明对进化过程中的生存非常有帮助，并使我们能够快速有效地驾驭周围环境。

Categories provide a lot of information about their members — 范畴提供了关于其成员的大量信息

定义性方法

看一看下面的图片！你将看到四种不同类型的汽车。它们在形状、颜色和其他特征方面有所不同，但尽管如此，你可能很确定它们都是汽车。

Four different objects but all are cars — 四个不同的物体，但都是汽车

为什么我们对这些物体的身份如此确信？也许我们可以尝试找到一个定义来描述所有这些汽车。它们都有四个轮子吗？不，有些只有三个。所有汽车都用汽油驱动吗？不，这也不适用于所有汽车。显然，我们无法找到一个定义。失败的原因是，我们必须概括才能做出定义。这对几何物体可能有效，但显然不适用于自然事物。它们在一个类别中不完全共享相同的特征，因此难以找到合适的定义。然而，一个类别中的成员之间存在相似之处，那么这种熟悉性如何呢？著名的哲学家和语言学家路德维希·维特根斯坦提出了这个问题，并声称找到了解决方案。他提出了家族相似性的概念。这意味着一个类别中的成员在几个方面彼此相似。例如，汽车在形状、颜色和许多其他属性上有所不同，但每辆汽车在某种程度上都与其他汽车相似。以下两种方法通过相似性来确定类别。

原型方法

原型方法由罗施在 1973 年提出。原型是特定类别中所有成员的平均情况，但它不是类别中实际存在的成员。即使是类别内成员的极端各种特征也可以通过这种方法来解释。不同程度的原型性代表了类别成员之间的差异。非常类似于原型的成员是高原型。与原型有很大差异的成员因此是低原型。似乎与家族相似性的概念有关，事实上，一些实验表明，高原型性和高家族相似性密切相关。典型性效应描述了这样一个事实，即高原型成员被更快地识别为一个类别的成员。例如，参与者必须判断“企鹅是一种鸟。”或“麻雀是一种鸟。”这两个陈述是否正确。他们对“麻雀”作为“鸟”类别的典型成员的判断速度比对“企鹅”这种非典型成员的判断速度快得多。当被要求列出类别的对象时，参与者也倾向于选择类别的典型成员。关于鸟类的例子，他们更倾向于列出“麻雀”而不是“企鹅”，这是一个相当直观的结果。此外，高原型对象受到启动的影响很大。

示例方法

典型性效应也可以用第三种方法来解释，该方法与示例有关。与原型类似，示例是类别中非常典型的成员。示例和原型之间的区别在于，示例是某人过去遇到的类别中实际存在的成员。然而，它也涉及到一个物体与一个标准物体的相似性。只是这里的标准涉及许多例子，而不是平均值，每个例子都称为一个示例。

我们可以再次展示典型性效应：与我们遇到的许多示例相似的对象被更快地归类到与很少示例相似的对象。你一生中比企鹅更常看到麻雀，所以你应该更快地识别出麻雀。

对于原型方法和示例方法，都有一些实验的结果支持其中一种方法。有些人认为，示例方法在处理可变类别和类别内的非典型情况方面问题较少。例如，“游戏”类别用原型方法很难实现。你如何为足球、高尔夫、象棋等所有游戏找到一个平均情况？原因可能是使用了“真实”的类别成员，并且存储了每个示例的所有信息，这在遇到其他成员时可能会有用。两种方法可以比较的另一个方面是它们在不同大小的类别中表现如何。示例方法似乎在较小的类别中表现更好，而原型在较大的类别中表现更好。

一些研究人员得出结论，人们可能同时使用这两种方法：当我们最初学习有关类别的知识时，我们会将看到的示例平均成一个原型。如果我们在早期学习中就考虑到了类别中存在的例外情况，那将会非常糟糕。通过更详细地了解这些示例中的一些，信息会得到加强。

“我们通常知道猫是什么（原型），但我们最了解自己的猫（一个示例）。”（Minda & Smith, 2001）

类别的层次结构

现在我们已经了解了我们形成类别的不同方法，让我们看一下类别的结构以及类别之间的关系。基本思想是，更大的类别可以细分为更具体、更小的类别。

罗施指出，通过这个过程，创造了三个层次的分类

有趣的是，从基本到上位词的信息减少非常大，但从基本到下位词的信息增加却很低。科学家想要找出这些层次中是否有一个比其他层次更受欢迎。他们要求参与者尽快说出呈现的对象的名称。结果表明，受试者倾向于使用基本层次的名称，其中包含最佳数量的存储信息。因此，一只金毛猎犬的图片将被命名为“狗”，而不是“动物”或“金毛猎犬”。需要注意的是，这些层次因人而异，取决于专业知识和文化等因素。

影响我们分类的一个因素是知识本身。专家比非专家更关注他们领域中对象的特定特征。例如，在展示了一些鸟类图片之后，鸟类专家倾向于说出下位词的名称（黑鸟、麻雀），而非专家只会说“鸟”。专家感兴趣领域的基准水平低于外行人的基准水平。因此，人们的知识和经验会影响分类。

另一个因素是文化。想象一下，一个民族生活在与自然环境密切接触的环境中，因此比例如德国的学生对植物等有更多的了解。如果你问后者他们在自然界中看到了什么，他们会使用基本层次的“树”，如果你对更接近自然的人做同样的任务，他们会倾向于用较低层次的概念来回答，例如“橡树”。

类别在大脑中的表征

有证据表明，大脑中的一些区域对不同的类别具有选择性，但不太可能对每个类别都存在相应的脑区。神经生理学研究的结果表明，生物和非生物之间存在一种双重分离。fMRI 研究发现，它们确实在不同的脑区中得到表征。重要的是要注意，尽管如此，不同脑区对类别的激活之间仍存在很大的重叠。此外，当更深入地研究物理区域时，也会与心理类别有关。似乎存在对特定类别物体反应更好的神经元，即所谓的“类别特异性神经元”。这些神经元不仅对一个物体做出反应，而且对一个类别中的许多物体做出反应。这导致了这样一个想法，即如果一个人识别出一个特定的物体，那么可能许多神经元会发射，而这些发射神经元的组合模式可能代表了该物体。

语义网络

“语义网络方法”提出，思维中的概念被排列成网络，换句话说，是单词“含义”的功能存储系统。当然，语义网络的概念非常灵活。在语义网络的图形化说明中，我们心理词典中的概念由节点表示，这些节点以这种方式表示有关我们世界的知识。

一个概念的属性可以被放置或“存储”在表示该概念的节点旁边。节点之间的链接表示对象之间的关系。链接不仅可以表明存在关系，还可以通过其长度来表示关系的类型，例如。

网络中的每个概念都与其他概念之间存在动态的关联，这些概念可能具有原型上相似的特征或功能。

Collins 和 Quillian 的模型

根据 Collins 和 Quillian 的语义网络，带有节点、链接、概念名称和属性。

最早考虑可以运行在计算机上的结构化人类记忆模型的科学家之一是 Ross Quillian（1967）。他与 Allan Collins 共同开发了语义网络，其中包含相关的类别和层次结构。

在右侧的图片中，显示了 Collins 和 Quillian 的网络，并在每个节点添加了属性。如前所述，骨架节点通过链接相互连接。在节点上添加了概念名称。就像“类别的层次结构”段落中一样，一般概念位于顶部，更具体的概念位于底部。通过查看“汽车”的概念，可以获得以下信息：汽车有 4 个轮子，有发动机，有窗户，此外还会移动，需要燃料，是人造的。

这些信息必须存储在某处。如果每个级别的每个细节都需要存储，那么将会占用太多空间。因此，汽车的信息存储在基本级别，而关于特定汽车（例如宝马）的进一步信息存储在较低级别。在那里，你不需要知道宝马也有四个轮子，因为你已经知道它是一辆汽车。这种在较高级别节点存储共享属性的方式被称为认知经济。

为了避免冗余，Collins 和 Quillian 认为这是一种信息继承原则。由多个概念共享的信息存储在包含该信息的最高父节点中。因此，所有位于信息载体下方的子节点也可以访问有关属性的信息。然而，也存在例外。有时，一辆特殊的汽车并非四个轮子，而是三个轮子。这种特定属性存储在子节点中。

网络的逻辑结构是令人信服的，因为它可以表明检索概念的时间与网络中的距离是相关的。这种相关性通过句子验证技术得到证明。在实验中，受试者必须用“是”或“否”回答关于概念的陈述。实际上，如果承载节点的距离更远，说“是”的时间就更长。

相邻概念被激活的现象被称为扩散激活。这些概念更容易被记忆访问，它们被“启动”。这由 David Meyer 和 Roger Schaneveldt (1971) 在一个词汇决策任务中进行研究和证实。受试者必须判断词对是词还是非词。如果两个词的概念在目标网络中相邻，他们更快地找到真实的词对。

尽管该模型能够解释许多问题，但它也存在一些缺陷。

典型性效应就是其中之一。众所周知，"对一个类别中更典型成员的反应时间比对不太典型成员的反应时间更快"。（MITECS）这与 Collins 和 Quillian 模型的假设相矛盾，该模型认为网络中的距离是反应时间的决定因素。实验表明，某些属性存储在特定节点，因此认知经济受到质疑。此外，还有一些例子表明，尽管网络中的距离更长，但概念检索速度更快。

这些观点导致了语义网络方法的另一个版本：Collins 和 Loftus 模型。

Collins 和 Loftus 模型

Collins 和 Loftus (1975) 试图通过使用更短或更长的链接来解决这些问题，这些链接取决于以前没有直接链接的概念的相关性和相互关联性。以前的分层结构也被一个人更个体的结构所取代。仅举几个扩展的例子。如右图所示，新模型表示人际差异，例如在人类一生中获得的差异。它们体现在布局和相同概念链接的各种长度中。

例如，概念“车辆”通过短链接连接到汽车、卡车或公共汽车，而通过长链接连接到消防车或救护车。

经过这些改进，该模型变得无所不能，以至于一些研究人员批评它过于灵活。在他们看来，该模型不再是一个科学理论，因为它无法证伪。此外，我们不知道这些链接在我们体内有多长。它们应该如何衡量，以及它们是否真的可以衡量呢？

连接主义方法

语义网络中的每个概念都与其他概念动态相关，这些概念可以具有原型上相似的特征或功能。大脑中的神经网络也类似地组织。此外，在这样的语义网络的概念中包含“扩散激活”和“并行分布式活动”的特征有助于解释非常复杂的环境的复杂性。

连接主义的基本原则

连接主义者通过模仿神经系统中的神经网络来建模他们的网络。图中的每个节点都代表一个类似神经元的处理单元。这些单元可以分为三个子组：**输入单元**，它们被环境的刺激激活；**隐藏单元**，它们接收来自输入单元的信号并将其传递给输出单元；**输出单元**，它们显示出代表初始刺激的激活模式。单元之间类似于大脑中突触的兴奋性和抑制性连接允许对“输入”进行分析和评估。为了计算此类系统的结果，将“权重”附加到连接主义系统输入是有用的，这模仿了人类神经系统刺激的强度。

需要强调的是，连接主义网络不是神经系统工作方式的模型。连接主义网络的方法是一种假设方法，用于在网络模式中表示类别。连接主义方法的另一个名称是并行分布式处理方法，简称 PDP，因为处理是并行进行的，输出分布在许多单元上。

连接主义网络的操作

首先，将刺激呈现给输入单元。然后，链接将信号传递给隐藏单元，隐藏单元通过进一步的链接将信号分布到输出单元。在第一次尝试中，输出单元显示错误的模式。经过多次重复，模式最终会变得正确。这是通过反向传播实现的。错误信号被发送回隐藏单元，并且信号被重新处理。在这些重复的尝试中，信号的“权重”根据错误信号逐步校准，以便最终获得正确的输出模式。在为一个刺激获得正确的模式后，系统就可以学习新的概念了。

评估连接主义

PDP 方法对于知识表示研究非常重要。它远非完美，但正在朝着完美的方向发展。学习过程使系统能够进行泛化，因为相似的概念会产生相似的模式。在认识了一辆汽车之后，系统可以识别类似的模式作为其他汽车，甚至可以预测其他汽车的外观。此外，系统免受完全破坏。单个单元的损坏不会导致系统的完全崩溃，而只会删除使用这些单元的一些模式。这被称为优雅退化，常见于脑损伤患者。这两个论点引出了第三个论点。PDP 的组织方式类似于人脑。并且在此基础上开发了一些有效的计算机程序，这些程序能够预测人脑损伤的后果。

另一方面，连接主义方法也并非没有问题。以前学习的概念可能会被新的概念叠加。此外，PDP 无法解释比学习概念更复杂的过程。它也无法解释快速学习现象，快速学习不需要大量的学习。据推测，快速学习发生在海马体，而概念学习和逐渐学习发生在皮层。

总之，PDP 方法可以很好地解释知识表示的一些特征，但在一些复杂过程中失败。

心理表征

关于生物，尤其是人类如何将信息编码为知识，存在不同的理论。我们可以想象同一个物体的多种心理表征。当阅读书面词“car”时，我们称之为离散符号。它与所有可以想象的汽车相匹配，因此不绑定到特定的车辆。它是一个抽象的，或非模态的，表征。这与我们看到一辆汽车的照片不同。它可能是一辆红色的跑车。现在我们谈论的是一个非离散符号，一个出现在我们脑海中的可想象的图像，它只适用于外观足够相似的某些汽车。

命题方法

命题方法是为人类大脑中的心理表征建模的一种可能方式。它使用相互之间紧密联系的离散符号。使用离散符号需要对每个符号进行明确定义，以及有关符号使用中语法规则和上下文依赖性的信息。符号“car”只有对于理解英语并且以前见过汽车并因此知道汽车是什么的人才能理解。命题方法是一种解释心理表征的明确方式。

命题的定义在不同的研究领域有所不同，并且仍在讨论中。一种可能性如下：“传统上，在哲学中，句子与其所包含的思想之间存在着区别，这种思想被称为命题。一个命题可以用几乎无限数量的句子来表达。然而，命题并非原子性的；它们可以分解成称为“概念”的原子概念。”

此外，心理命题涉及信息在人脑中作为知识的存储、检索和相互连接。关于大脑是否真的使用命题工作，或者大脑是否以其他方式或可能以多种方式处理信息，存在着激烈的讨论。

意象方法

命题方法的一种可能替代方案是意象方法。由于这里知识的表示被理解为我们所看到的图像的存储，因此它也被称为类比或感知方法。与命题方法相比，它使用非离散符号并且是特定于模态的。它是一种关于心理表征的隐式方法。跑车的图像隐含地包含了各种座椅。如果另外提到它们是米白色的，图像就会变成更具体的图像。两个非离散符号如何组合并不像离散符号那样预先确定。米白色座椅的图像可以存在于没有红色汽车的环境中，就像红色汽车在没有米白色座椅的情况下存在一样。意象方法和命题方法也在第 8 章中进行了讨论。

计算知识表示

计算知识表示关注的是如何以符号方式表示知识以及如何以自动化的方式操作知识。几乎所有上述理论都与计算机科学协同演进。一方面，计算机科学以人脑为灵感，构建计算系统；另一方面，人工模型被用来进一步加深我们对知识表示生物基础的理解。

知识表示与许多其他与信息处理相关的领域有关，例如逻辑、语言学、推理以及这些领域的哲学方面。特别是，它是人工智能的关键主题之一，因为它涉及到认知计算模型的信息编码、存储和使用。

在计算知识表示方面，需要解决三个主要问题：知识工程的过程、形式化和应用。

知识工程

开发计算知识库系统的过程称为知识工程。该过程包括评估问题、开发知识库的结构以及将实际知识实施到知识库中。知识工程师的主要任务是确定合适的概念词汇。

存在不同类型的知识，例如游戏规则、物体属性和时间关系，每种类型都最好用其自身的特定词汇来表达。能够描述物体及其关系的相关概念词汇称为本体。这些概念词汇高度正式，每个词汇都能够表达特定知识领域的含义。它们被用于对知识库进行查询和断言，并使知识共享成为可能。为了在一个框架中表示不同类型的知识，Jerry Hobbs（1985）提出了本体混杂性原则。由此，将多个本体混合在一起，以涵盖各种不同的知识类型。

对一个代表由日常物品组成的世界的系统进行的查询，该系统可以在这个世界上执行操作，可能如下所示：“从桌子上拿走立方体！”。该查询可以按照以下方式处理：首先，由于我们生活在一个时间世界中，因此该操作需要以一种可以分解成连续步骤的方式进行处理。其次，我们对系统的规则做出一般性陈述，例如重力有某种影响。最后，我们尝试执行从桌子上拿走立方体所需的连串任务。1）用手伸向立方体，2）抓住它，3）举起握着立方体的手等等。逻辑推理是完成此任务的完美工具，因为逻辑系统也可以识别该任务是否可行。

上述程序存在一个问题，称为框架问题。示例中的系统处理状态的变化。发生的行动会改变环境。也就是说，立方体改变了位置。然而，该系统到目前为止并没有关于桌子的任何命题。我们需要确保，在从桌子上拿起立方体后，桌子不会改变其状态。它不应该消失或损坏。这可能会发生，因为桌子不再需要了。系统表明立方体在手中，并省略了关于桌子的任何信息。为了解决框架问题，必须陈述一些特殊的公理或类似的东西。框架问题尚未完全解决。存在多种解决方法。有些方法将对象的时空边界添加到系统/世界中（Hayes 1985）。另一些方法尝试更直接的建模。他们对状态描述进行转换。例如：转换之前，立方体在桌子上，转换之后，桌子仍然存在，但与立方体无关。

知识表示形式化

知识表示形式化的类型决定了信息如何存储。大多数知识表示应用程序都是为特定目的而开发的，例如机器人导航的数字地图或用于可视化故事的类似于图表的事件描述。

每个知识表示形式化都需要严格的语法、语义和推理过程，以确保清晰和可计算性。大多数形式化具有以下属性，以能够更清晰地表达信息：语义网络方法、概念层次结构（例如车辆->汽车->卡车）和属性继承（例如红色汽车有四个轮子，因为汽车有四个轮子）。存在提供以下可能性的属性：在不创建任何不一致的情况下向系统添加新信息，以及创建“封闭世界”假设的可能性。例如，如果省略了关于地球上有重力的信息，那么封闭世界假设对于我们的地球/世界必须是错误的。

知识表示形式化的一个问题是，表达能力和演绎推理是相互排斥的。如果一个形式化具有强大的表达能力，它能够描述各种（不同的）信息，但不能从（给定的）数据中进行出色的推断。命题逻辑限制于 Horn 子句。Horn 子句是最多包含一个肯定文字的文字析取。它有一个非常好的决策过程（推断），但不能表达泛化。一个例子是在逻辑编程语言 Prolog 中给出的。如果一个形式化具有很高的演绎复杂性，它能够进行出色的推断，即得出结论，但它所能描述的范围很差。一个例子是二阶逻辑。因此，形式化必须根据 KR 系统的应用进行定制。这是通过在表达能力和演绎复杂性之间进行折衷来实现的。为了获得更高的演绎能力，牺牲了表达能力，反之亦然。

随着知识库领域的增长，已经开发了许多不同的标准。它们都具有不同的语法限制。为了允许相互转换，创建了不同的“交换”形式化。一个例子是知识交换格式，它基本上是一阶集合论加上 LISP（Genesereth 等人 1992）。

知识表示的应用

计算知识表示大多不作为认知模型使用，而是为了使信息池可访问，即作为数据库技术的扩展。在这种情况下，不需要通用规则和模型。随着存储介质的不断增长，人们能够创建简单地陈述所有特定事实的知识库。信息以句法知识的形式存储，即以类似于命题和程序代码的句子形式保存的知识。知识被视为一个有用的信息库，而不是支持认知活动模型。最近，可用内存容量的增加使得使用“计算密集型”表示成为可能，这种表示只需列出所有特定事实，而不是陈述一般规则。这些允许使用统计技术，如马尔可夫模拟，但似乎放弃了对心理合理性的任何主张。

人工智能

人工智能，或添加到系统中的智能，可以在科学背景下进行安排，或者人工智能（英文：Artificial Intelligence，简称为 AI）被定义为科学实体的智能。该系统通常被认为是计算机。智能被创建并整合到机器（计算机）中，以便能够像人类一样工作。使用人工智能的几个领域包括专家系统、电脑游戏（游戏）、模糊逻辑、人工神经网络和机器人技术。许多事情对于人类智能来说似乎很难，但对于信息学来说却相对容易。例如：转换方程、求解积分方程、下棋或西洋双陆棋。另一方面，对于人类来说似乎需要一点智力的东西，到目前为止，在信息学中仍然难以实现。例如：物体/面部识别、踢足球。

虽然 AI 具有强烈的科幻色彩，但 AI 是计算机科学中一个非常重要的分支，涉及机器的行为、学习和智能适应。AI 研究涉及制造机器来自动执行需要智能行为的任务。例如：控制、规划和调度、回答客户诊断和问题的能力，以及手写识别、语音和面部识别。这些事物已经成为独立的学科，专注于为现实生活问题提供解决方案。AI 系统现在经常用于经济学、医学、工程学和军事领域，如已经内置在几个家用电脑和视频游戏软件应用程序中。这种“人工智能”不仅想要理解什么是智能系统，而且还想要构建它。对于“智能”没有令人满意的定义：1. 智能：获取知识并使用知识的能力 2. 或者智能是由“智力测试”衡量的

从广义上讲，AI 被分为两个概念，即传统 AI 和计算智能（CI，Computational Intelligence）。传统 AI 主要涉及现在归类为机器学习的方法，这些方法的特点是形式化和统计分析。也被称为符号 AI、逻辑 AI、纯粹 AI 和 GOFAI，即传统人工智能。这些方法包括：1. 专家系统：应用考虑的能力得出结论。专家系统可以处理大量已知信息，并根据这些信息提供结论。 2. 基于案例的考虑 3. 贝叶斯网络 4. 基于行为的 AI：一种用于手动建立 AI 系统的模块化方法计算智能涉及迭代开发或学习（例如，在连接主义系统中调整参数）。这种学习基于经验数据，与非符号 AI、不规则 AI 和软计算相关联。主要方法包括：1. 神经网络：具有非常强大的模式识别能力的系统 2. 模糊系统：在不确定性下进行考虑的技术，已广泛应用于现代工业和消费产品控制系统。 3. 进化计算：应用生物启发的概念，例如种群、突变和“适者生存”，以产生更好的问题解决方法。这些方法主要分为进化算法（例如遗传算法）和群体智能（例如蚁群算法）混合智能系统通过实验将这两组结合起来。专家推理规则可以通过神经网络或统计学习（如 ACT-R）中的产生式规则生成。一种很有前景的新方法指出，增强智能试图在进化发展的过程中实现人工智能，作为通过技术增强人类智能的副作用。

人工智能的历史在 17 世纪初，勒内·笛卡尔认为动物的身体不过是复杂的机器。布莱兹·帕斯卡在 1642 年发明了第一台机械数字计算器。在 19 岁时，查尔斯·巴贝奇和艾达·洛芙莱斯致力于可编程机械计算器。伯特兰·罗素和阿尔弗雷德·诺斯·怀特黑德出版了《数学原理》，彻底改变了形式逻辑。沃伦·麦卡洛克和沃尔特·皮茨在 1943 年发表了“活动中剩余思想的逻辑演算”，为神经网络奠定了基础。20 世纪 50 年代是 AI 积极努力的时期。第一个运行的 AI 程序是在 1951 年编写的，用于运行曼彻斯特大学（英国）的 Ferranti Mark I 引擎：克里斯托弗·斯特拉奇编写的剧本程序和迪特里希·普林茨编写的象棋游戏程序。约翰·麦卡锡在 1956 年为这个问题举行的第一次会议上创造了“人工智能”一词。他还发现了 Lisp 编程语言。艾伦·图灵提出了“图灵测试”作为对智能行为测试进行操作化的一种方式。约瑟夫·魏岑鲍姆创建了 ELIZA，这是一种聊天机器人，应用了罗杰斯式心理疗法。在 20 世纪 60 年代和 70 年代，乔尔·摩西斯展示了符号考虑在 Macsyma 程序中解决问题的能力，这是一个知识库程序，首先在数学领域取得成功。马文·明斯基和西摩尔·派珀特出版了《感知器》，展示了简单神经网络的边界，艾伦·科尔莫耶开发了计算机语言 Prolog。特德·肖特利夫展示了基于规则的系统在诊断和医疗治疗中表示知识和推理的能力，有时被称为第一个专家系统。汉斯·莫拉维克开发了第一辆计算机控制的车辆，以独立地处理混乱的、有星形的道路。20 世纪 80 年代，神经网络通过反向传播算法得到广泛应用，该算法最初由保罗·约翰·韦尔博斯在 1974 年解释。1982 年，霍普菲尔德等物理学家使用统计技术来分析存储特性和网络优化神经。心理学家大卫·鲁梅尔哈特和杰夫·辛顿继续进行神经网络模型在记忆中的研究。1985 年，至少有四个研究小组重新发现了反向传播学习算法。该算法已成功应用于计算机科学和心理学。20 世纪 90 年代，AI 的各个领域取得了巨大进步，并展示了各种应用。更具体地说，深蓝，一台象棋电脑游戏，在 1997 年的一场著名的 6 局比赛中击败了加里·卡斯帕罗夫。DARPA 表示，通过将 AI 方法应用于第一次海湾战争中部队的调度而节省的成本，已经取代了美国政府自 1950 年以来对 AI 研究的所有投资。DARPA 于 2004 年开始并持续至今的一项重大挑战，是一场争夺 200 万美元奖金的比赛，其中车辆在没有与人类通信的情况下自行驾驶，使用 GPS、计算机和复杂的传感器，穿过数百英里的具有挑战性的沙漠地区。

半球分布

在讨论了知识如何在脑中存储之后，我们现在转向一个问题，即大脑是否专门化，以及如果专门化，哪些功能位于哪里，以及哪些知识存在于哪个半球。这些问题可以归入“半球专门化”或“加工的侧化”主题，该主题考察了人类大脑两个半球之间的加工差异。

两个半球之间的差异可以追溯到 350 万年前。这方面的证据是南方古猿（智人的古代祖先）的化石。由于差异存在了这么久，并且在选择压力下存活下来，它们一定对我们的认知过程有所帮助。

解剖学和化学方面的差异

虽然乍一看两个半球看起来相同，但它们在很多方面都不同。

关于解剖学，一些区域更大，一个半球的组织包含更多的树突棘，而不是另一个半球。一个例子是以前称为左半球的“布罗卡区”。这个区域——除其他事项外——对言语产生很重要，在左半球的分支比相应的右半球区域更多。由于左半球对语言的重要性，我们将在后面讨论，可以得出结论，解剖学差异对功能的侧化有影响。

神经化学是两个半球不同的另一个领域：左半球以神经递质多巴胺为主，而右半球显示出更高的去甲肾上腺素浓度。理论表明，专门针对认知过程的模块根据所需的 neurotransmitter 分布在整个大脑中。因此，依赖多巴胺的认知功能将位于左半球。

胼胝体

两个半球通过胼胝体相互连接，胼胝体是主要的皮质连接。它有 2.5 亿根神经纤维，就像连接两个半球的神经数据的“高速公路”。实际上，两个半球之间存在较小的连接，但与之相比，这些只是小路。所有详细的高级信息在从一个半球传输到另一个半球时，必须通过胼胝体。传输时间可以用 ERP 测量，介于 5 到 20 毫秒之间。

历史方法

大脑半球特化一直是人们关注的焦点，从 19 世纪 60 年代保罗·布罗卡和卡尔·韦尼克发现左半球对语言的重要性开始。布罗卡检查了一些无法说话但语言理解能力没有受损的患者，而韦尼克则检查了一些症状相反的患者（即可以说话但无法理解任何内容）。布罗卡和韦尼克都发现，这些患者的大脑左半球特定区域都受到了损伤。

由于当时人们认为语言是所有认知过程中最优越的认知过程，因此人们认为左半球优于右半球，这在由 J.H. 杰克逊提出的“大脑优势理论”中得到了体现。右半球被视为“备胎[...] 几乎没有自己的功能”（班尼奇，S.94）。这种观点直到 20 世纪 30 年代才受到挑战。在这个十年以及之后，研究彻底改变了这种观点。斯佩里对展示右半球的作用至关重要，他在 1974 年进行了几项实验，并因此获得了 1981 年的诺贝尔生理学或医学奖。

裂脑患者实验

斯佩里的实验对象是患有“裂脑综合征”的人，因为他们接受了胼胝体切断术。在胼胝体切断术中，胼胝体被切断，因此这些患者两个半球之间的沟通被切断。斯佩里通过他的开创性实验，想弄清楚左半球在语言处理中是否真的像布罗卡和韦尼克所暗示的那样重要。

斯佩里在研究中使用了不同的实验设计，但所有此类实验的基本假设是，身体一侧接收到的感知信息是在大脑的对侧半球中处理的。在一个实验中，受试者必须通过仅用一只手触碰物体来识别物体，同时蒙着眼睛。然后他要求患者说出他们所触碰的物体的名称，发现患者用左手触碰物体时（与右半球相连）无法说出物体的名称。由此产生的问题是，这种无力是由于右半球可能作为“备胎”发挥功能，还是由于其他原因。斯佩里现在改变了实验设计，让患者通过正确使用物体来证明他们识别出了这些物体。例如，如果他们认出了铅笔，他们会用它来写字。通过这种改变的设计，发现两手之间在表现上没有差异。

在斯佩里等人进行的另一项实验中，患者在一个视觉视野中看到了“天空”这个词，在另一个视觉视野中看到了“刮板”这个词。他们现在必须用一只手画出他们所看到的整个单词。患者无法将这两个词合成“摩天大楼”，而是画了一块被一些云覆盖的刮板。因此，人们得出结论，每个半球都控制着手中的动作，画出它所看到的图像。

其他脑损伤患者的实验

为了获得更多关于半球特化的知识，人们还进行了其他实验。这些实验是在即将接受手术的癫痫患者身上进行的，这些患者即将接受手术，其中一个半球的部分将被切除。在手术开始之前，重要的是要弄清楚哪个半球负责该患者的语言功能。这可以通过Wada 技术来完成，该技术将巴比妥酸盐注入到供应大脑血液的一条动脉中。注射后不久，身体的对侧会出现瘫痪。如果此人此时还能说话，则说明大脑的麻醉半球不负责此人的语言产生功能。通过这种技术的结果，人们估计 95% 的所有成年右撇子都使用他们的左半球来进行语言功能。

对患有脑损伤甚至接受过胼胝体切断术的人进行的研究有一些主要的弊端：他们不得不接受这些手术的原因通常是癫痫发作。因此，他们的脑部可能并不典型，或者在手术过程中可能受到了其他区域的损伤。此外，这些研究是针对非常有限的受试者进行的，因此其统计可靠性可能不高。

神经完整个体的实验

除了对大脑切断患者的实验之外，人们还对神经完整个体进行了研究，以测量感知不对称性。这些研究通常采用三种方法中的一种：即“分割视觉视野技术”、“双触觉呈现”和“双耳听觉呈现”。每种方法都以感知信息在一侧接收并在对侧半球中处理这一基本假设为基础。

分割视觉视野技术基于这样一个事实，即视觉视野可以分为右侧视野 (RVF) 和左侧视野 (LVF)。每个视觉视野都在对侧半球中独立处理。分割视觉视野技术包括两种不同的实验设计：实验者可以在一个视觉视野中展示一幅图像，然后让受试者对该刺激做出反应。另一种可能性是，在每个视觉视野中显示两幅不同的图像。

使用视觉视野技术可能会出现一个问题，即刺激的呈现时间必须小于 200 毫秒，因为这是眼睛在视觉视野发生偏移之前可以注视一点的时间。

在双触觉呈现技术中，受试者同时用两只手分别接触两个物体。（参见斯佩里的实验）

双耳听觉呈现技术使研究人员能够研究听觉信息的处理方式。在这种技术中，不同的信息会同时呈现给两只耳朵。使用这些技术的实验发现，当感官刺激最初被引导到执行该任务的特化半球时，其处理速度比引导到非特化半球快 20 到 100 毫秒，并且响应准确率高出 10%。

对这种现象的解释包括三种假设，即直接访问理论、胼胝体中继模型和激活-定向模型。直接访问理论假设信息是在最初被引导到的半球中处理的。如果最初的半球是非特化半球，这可能会导致响应精度降低。胼胝体中继模型指出，如果信息最初被引导到错误的半球，则会通过胼胝体传递到特化半球。这种传递很耗时，是信息在传递过程中丢失的原因。激活-定向模型假设给定的输入会激活特化半球。这种激活会将额外的注意力集中在被激活半球的对侧，从而“使该侧的感知信息更加突出”。（班尼奇）

常见结果

上面提到的所有实验都有一些基本发现：左半球在语言任务方面优于右半球，例如语言处理、语言产生和字母识别，而右半球在非语言任务方面表现出色，例如面部识别或涉及空间技能的任务，例如线的方向或区分不同的音调。这证明了大脑优势理论是错误的，该理论认为右半球是“备胎”！事实上，两个半球都非常独特，在不同的任务中都表现出色，任何一个半球都不可或缺，缺少任何一个半球都会对认知能力产生重大影响。

尽管两个半球如此独特，并且在其指定的功能方面都是专家，但它们在执行另一个半球特化的任务时也能力有限。上图概述了哪个半球会产生什么能力。

处理方式的差异

关于半球特化的研究有两种方法。一组理论是通过“每个半球擅长什么任务？”这个问题来探讨这一主题。属于这组的理论将不同程度的处理感官信息的能力与更高认知技能的不同能力联系起来。属于这组理论的其中一个理论是“空间频率假设”。该假设指出，左半球对于视觉图像中的精细细节分析和高空间频率很重要，而右半球对于低空间频率很重要。我们在上面已经探讨过这种方法。

另一种方法并不关注每个半球处理的信息类型，而是关注每个半球如何处理信息。这组理论认为，左半球以分析、细节和功能为中心的方式处理信息，并且更重视信息之间的时序关系，而右半球则被认为以整体的方式处理信息，关注空间关系，以及外观而非功能。

上面的图片展示了一个关于全局和局部处理的实验中对不同目标刺激的典型反应，实验对象是右半球或左半球受损的患者。右半球受损的患者通常会对全局形式缺乏关注，但可以毫无问题地识别细节。对于左半球受损的患者，情况则相反。这个实验支持了这样一个假设：大脑两个半球在处理信息的方式上存在差异。

半球间的相互作用

如果两个半球在功能、解剖结构、化学成分以及信息传递导致的信息质量下降和时间消耗方面都如此不同，为什么它们之间还需要信息传递呢？原因是两个半球尽管差异很大，但它们之间确实存在相互作用。这种相互作用具有重要的优势，因为正如 Banich 和 Belger 的研究表明的那样，它可以“在高需求条件下提高整体处理能力”（Banich）。（在低需求条件下，信息传递的意义就不那么大了，因为将信息传递到另一个半球的成本高于并行处理的优势。）

两个半球可以通过胼胝体以不同的方式相互作用。首先计算每个半球的单独表现，然后测量整个大脑的整体表现来衡量这种相互作用。在某些任务中，一个半球在整体表现上可能比另一个半球更占优势，因此整体表现与单个半球的表现一样好或一样差。令人惊讶的是，占主导地位的半球很可能是专业性较低的那个，这又是另一个例子，表明并行处理不如大脑一侧的处理有效。

两个半球相互作用的另一种方式是，整体处理是两个单个半球表现的平均值。

两个半球相互作用的第三种，也是最令人惊讶的方式是，当两个半球一起执行一项任务时，它们的行为与单独执行同一任务时完全不同。这可以比作人们的社会行为：个人在群体中表现出的行为与单独行动时不同。

影响侧化的个体因素

在从一般角度考察了半球特化之后，我们现在想要关注个体之间在半球特化方面的差异。年龄、性别或用手习惯等因素可能会影响侧化。

年龄可能是决定每个半球在特定任务中使用程度的一个因素。研究人员提出，侧化随着年龄的增长而发展，直到青春期。因此，婴儿的大脑不应该具有功能性侧化。以下是四项反对这一假设的证据：

婴儿已经显示出与成年人相同的脑部解剖结构。这意味着新生儿的大脑已经侧化。遵循解剖结构与功能相关的假设，这意味着侧化不是在生命中后期才发展的。

在 5 至 13 岁的儿童中，无法观察到感知不对称的差异，这意味着在不同半球处理言语材料和非言语材料方面的优越表现，即 5 岁的儿童处理材料的方式与 13 岁的儿童相同。

对 1 周大的婴儿进行的实验表明，当言语材料呈现在右耳时，他们会表现出更大的兴趣，而当言语材料呈现在左耳时，他们的兴趣就会降低，当非言语材料呈现在左耳时，他们的兴趣会增加。婴儿的兴趣通过安抚奶嘴的吸吮频率来衡量。

虽然接受了半球切除术（切除一个半球）的儿童确实会发展出缺失半球的认知技能（与成年人或青少年相比，他们只能部分弥补缺失的脑部部分），但他们不会像接受另一个半球切除术的儿童那样发展这些技能。例如：右半球被切除的儿童会发展出空间技能，但不会像左半球被切除的儿童那样，因为他们仍然拥有右半球。

用手习惯是另一个可能影响大脑侧化的因素。有统计证据表明，左撇子的脑部组织与右撇子不同。10% 的人口是左撇子。虽然 95% 的右撇子在左半球处理言语材料方面表现更优越，但在左撇子中，一个半球在言语方面的优势却没有那么高：70% 的左撇子在左半球处理言语材料，15% 的左撇子在右半球处理言语材料（两个半球的功能只是对调了），剩下的 15% 没有侧化，这意味着他们在两个半球都处理语言。因此，作为一个群体，左撇子似乎侧化程度较低。但是，一个左撇子个体可能与平均右撇子一样侧化。

性别也被认为会影响半球特化。在动物研究中，发现激素会造成性别之间与生殖功能相关的脑部差异。在人类中，很难确定导致差异的真正是激素还是文化和教育。

观察到性别之间存在差异的一个脑区是胼胝体。虽然一项研究发现女性的胼胝体比男性的更大，但这些结果无法重复。相反，发现女性的胼胝体后部比男性更膨大。然而，这可能与女性平均脑容量比男性平均脑容量更小有关，因此胼胝体后部的膨大可能与脑容量有关，而不是与性别有关。

在测量不同性别在各种任务中表现的实验中，文化因素非常重要，因为男性和女性可能由于教育的原因而使用不同的解决问题策略。

总结

虽然两个半球乍看起来像是彼此的镜像，但这是一种误导。仔细观察就会发现，两个半球不仅在结构和化学成分上有所不同，更重要的是在功能上也有所不同。虽然两个半球都能执行所有基本认知任务，但对于特定的认知需求来说，它们存在专业化。在大多数人中，左半球擅长言语任务，而右半球则在非言语任务方面能力更强。尽管功能上有所区别，但两个半球通过胼胝体相互沟通。

史佩里对裂脑患者的实验利用了这一事实。这些实验在其他测量感知不对称的实验中非常突出，因为它们是第一个反驳半球优势理论的实验，并通过诺贝尔生理学或医学奖获得了认可。

年龄、性别或用手习惯等个体因素对半球功能没有影响或影响很小。

参考文献

编辑：Robert A. Wilson 和 Frank C. Keil。（编辑）（2006 年 7 月在线版）。麻省理工学院认知科学百科全书 (MITECS)，布拉德福德图书

知识表示

Goldstein, E. Bruce。（2005）。认知心理学——连接、思维研究和日常生活经验。汤姆森，沃兹沃斯。第 8 章知识，265-308。

Sowa, John F.（2000）。知识表示——逻辑、哲学和计算基础。布鲁克斯/科尔。

关于知识的幻灯片：http://www.cogpsy.uos.de/，知识：命题和图像。知识：概念和范畴。

Minda, J. P. & Smith, J. D. (2001). Prototypes in category learning: The effects of category size, category structure, and stimulus complexity. Journal of Experimental Psychology: Learning, Memory, & Cognition, 27, 775–799.