赫伯特•西蒙思想的传承（一）

 

 

 

西蒙的理论观点到现在，无论是在教育领域还是在人工智能领域，都在持续地产生影响。现在基于互联网的 “自适应学习”，可以更大程度提高学习效率。当下火爆的神经元网络理论，从联结这个角度来看，实际上是和西蒙最早建立的人工智能理论的观点是完全一致的

 

 

在教育领域里面，他的“自适应学习理论”现在是互联网教育的一个热点。说到互联网教育就会提到“自适应学习”，不过严格意义上来讲，现在的互联网教育领域里面所说的“自适应学习”，和西蒙当时与朱（新明）老师研究的这个“自适应学习”，其实还是有所不同的。最大的不同就在于，西蒙最早研究“自适应学习”的时候，强调的是学生的自适应行为，自适应的主体是学生，在接触到各种各样的具体的实例、各种各样的问题的时候，他会靠自己的这种主动的思考去发现蕴含在例题和问题里面的规则，然后自己去生成一些新的知识，所以这里所说的“自适应”其实强调的是一种学生的自主的、主动的学习的行为。

 

而现在的互联网教育所说的“自适应学习”，它其实是指计算机或者这个软件系统去适应学生的学习的状况，对学生的学习情况进行自适应的测验、诊断，然后根据不同的学生的情况，给他配不同的这个题目，所以这种“自适应学习”，它的重点是在计算机系统，而不是在学生。在某种意义上来讲，在现在的这个网络自适应学习的系统中，学生的学习反而是一种被动的学习，因为下一步学什么不是由他决定的，而是由电脑决定的。电脑测试他的情况，然后给他推送所谓的适合他的试题，最后的目的是为了达到电脑所规定的某一个知识点。在这样的一种情况下，学生其实是没有什么主动性和创造性可言的。

 

虽然用了相同的“自适应学习”的这样一个名字，但是目前的这个网络的“自适应学习”，和当时候西蒙和朱（新明）老师研究的“自适应学习”，还是有很大的不同的。当然也不是说完全没有关系，因为至少有一点是相同的，就是学生不再需要去阅读很多的知识的文字陈述，它其实就是强调通过分析例题、通过做题来让学生理解知识，而不是简单地去背诵那些知识的文字的表述，这一点是一致的。那么只不过就是原来，就是在讲到没有网络支持下学生的这种自适应学习，当时靠的是老师去编写的一些教材，包括朱（新明）老师做了很多这样的教材，都是为了帮助学生在课堂上进行自适应学习的。

 

现在，这些教材都会变成这种题库的方式，然后由计算机和学生进行更多的互动。在某种意义上来讲，计算机替代了原来的老师的这个角色，当然这也是越来越时髦的一件事情。因为人工智能系统，尤其是当网上的这个“自适应学习”，增加了越来越多的人工智能的算法之后，那么它的功能会越来越强大，对学生的了解也越来越准确，当然辅助学生学习的效率也越来越高，这实际上应该说还是一件好事。

 

所以，“自适应学习”就是从原来的基于这种纸笔的练习册的这样一种“自适应学习”的设计，到现在基于互联网的这种“自适应学习”的这种支持，对学生来说都是在提高学习效率的这么一个进程。

 

那时候，我和朱（新明）老师一起讨论这种“自适应学习”，或者叫“示例演练教学法”的这种深层次的这种心理机制，提出了一个概念，当时朱（新明）老师研究到这个“示例学习”的时候，他特别强调条件建构或条件识别，条件识别实际上是讲学生在做的问题越来越多的时候，他会非常快速地去提取问题里面的关键线索，并且很快的去完成这个问题的解决，又表现为解决问题的速度越来越快，准确性也越来越高。

 

但这样的一个从生手，从一开始不熟悉，到最后越来越熟练，在这个过程中，他会经历一系列的变化，我会倾向于把这个变化分为两个环节，第一个叫条件建构阶段，第二个阶段叫条件优化阶段。那么这个条件建构和条件优化其实是这两个环节不断地循环的进行的。当时我提出了这两个说法之后，我用的那个概念的英文的单词叫做Construction 和Elaboration，这显然是两个名词的结构。但是西蒙他有一个建议，他说应该改成Constructing和Elaborating，这就是一个动名词的结构。这个结构非常准确地表达了它的真实的含义，因为如果只是讲一个名词结构，它其实是一个静态的，当我们用一个动名词的结构的时候，建构是持续不断进行的，优化也是持续不断进行的。

 

所以就从这样的微小的、一个理论的概念的这种表述，那个时候西蒙已经80多岁了，他都能够这么敏锐地去发现这种学术的名词里面的这些微小的区别，并且能够去指导我，就是去为这样的一个理论的，一个名词来命名，这一点让我感觉到了特别大的收获。西蒙的思想体系非常庞大，但是从一个小的细节点里面也可以看到他的这种敏锐性。

 

最早的下象棋的这个人工智能软件是西蒙研究、开发出来的，但是他当时用的是“符号理论”来做指导。西蒙的“符号加工理论”，其实是整个人工智能理论的一个特别重要的起点、一个开端，所以他也是被称为人工智能之父。而他提出来的这种用产生式来表征知识的这么一个最基本的观点，而且这样一个观点贯穿到他的整个问题解决的理论和学习的理论中。

 

虽然现在用的算法越来越复杂，但是他的基本的一个观点，就是联结的观点是牢牢地建立起来的。只不过这种联结，如果比较规范或者说能够形成一定的结构，而且我们可以给结构命名的话，那个我们可以把它称为符号。当这种联结越来越复杂的时候，我们没有办法为每一个联结去命名，或者每一个这样的联结的一个系统去命名的时候，它就变成了一种我们说的神经元网络的复杂的状态。

 

所谓的深度学习，其实就是在描述这种复杂的联结，而且这种联结不是一层，是好多层，从输入到输出，中间有非常多的层次。原来是计算机的运算能力并没有那么大，它可能只能处理少数几层的这种联结，而且这些联结能够用一定的符号来给它命名、来给它定义。但是随着运算量越来越大，那么随着中间的这个层次，计算机可以自己去优化、自己去组织，那么这个复杂到一定的程度，就没有办法用符号命名了。但是，其实西蒙所说的符号也并不一定非得要命名的，所以在西蒙的最底层的理论里面，他认为大脑神经元的这种组织形式，你不命名它，它也可以称得上是某种符号。

 

所以从这个意义上来看，这个神经元网络理论，就从联结这个角度来看，实际上是和西蒙最早建立的观点是完全一致的，只不过就是在一种复杂状态下，不需要进一步去命名了。那么深度学习的这些算法，其实在本质上也是在不断地建立联结、优化联结，然后就是在现在强大的计算机的这个运算能力的支持下，能够表现出更高的智能而已。所以，应该说西蒙打下的基础是非常牢靠的。