脑启发AGI系统中的类比推理

Analogical Reasoning in Brain-Inspired AGI Systems

脑启发AGI系统中的类比推理

https://link.springer.com/article/10.1007/s43681-025-00785-7

摘要
“通用人工智能”（AGI）这一术语被科技作家、工程师、人工智能行业领袖以及哲学家广泛使用，但通常缺乏精确的定义。一种常见的描述此类系统的方式是：它们具备在大多数任务上达到人类水平的能力。在本文中，我们提出，某些基本的认知能力对于通用人工智能系统而言是必不可少的。这些系统之所以具有通用智能，是因为它们具备多种认知能力，使其能够进行推理、创造、理解世界，并执行其他高级认知任务，例如学习、规划、复杂决策等。我们的目标是探讨实现通用智能所必需的最基本能力，并提炼出构建通用人工智能系统的本质构成要素。基于此，本文的核心论点是：类比推理是一种核心能力，它支撑着上述每一项基本认知能力。文章最后提出了开发通用人工智能系统的指导原则，强调应将类比推理作为系统架构的一项基本设计原则。

关键词：通用人工智能 · 类比推理 · 创造力 · 学习 · 理解

1 引言
“通用人工智能”（AGI）这一术语被科技作家、工程师、人工智能行业领袖以及哲学家广泛使用，但大多情况下缺乏精确的定义。一些人将AGI描述为“在多种认知任务上达到或超过人类智能水平的人工智能系统”[20]。其他定义则从“一种具有广泛适用性、能够针对不同目标和情境进行广泛泛化的合成智能”（[33]：5），到简单地表述为“在大多数任务上至少具备与人类相当能力的人工智能系统”[56]。另一个例子是这本广具影响力的文章1，它曾受到多位人工智能安全领域知名人士的审阅，其中将AGI定义为“在总体上比人类更聪明的人工智能系统”。值得注意的是，这句话是整篇文章中唯一提供的（半）定义。

将“智能”和“聪明”视为大致同义，这一定义可以从以下两种方式之一进行解读：

(a) 智能是人类与人工系统之间可以直接比较的属性，暗示人类智能与人工智能属于同一类别。

(b) 尽管智能无法直接等同，但人类智能与机器智能可以通过评估其共享的基本能力水平来进行定量比较。

选项 (a) 暗示“人类水平的智能”这一术语在应用于人工系统时是有意义的。它认为智能在人类和机器中从根本上属于同一种性质——暗示人工智能与人类智能属于同一类别。在此观点下，智能是一个统一的概念，无论其出现在生物系统还是人工系统中，都可以用相同的尺度来衡量。

另一方面，选项 (b) 承认人类智能与机器智能在本质和实现方式上可能存在根本差异，但它提出我们仍可通过考察两者共有的特定能力来进行有意义的比较。这种方法承认，“智能”作为一个整体性概念可能无法直接在人类与机器之间转移，但我们能够识别并测量两者所表现出的离散认知能力。

关键区别在于：选项 (a) 将智能视为一种单一、统一的属性，以基本相同的方式体现在人类和机器中——这暗示它们是同一个抽象智能概念的两个实例。相比之下，选项 (b) 承认尽管人类智能与机器智能都可归于一个抽象的智能定义之下，但它们代表了具有可能不同基础的不同实现方式，只有某些核心能力才可在这些不同的表现形式之间进行有意义的比较。

在本文中，我们采纳选项 (b)，并提出某些基本的认知能力对于通用人工智能（AGI）系统而言是必不可少的。我们在下一节中详细阐述这一方法及其选择依据。这些系统之所以具备通用智能，是因为它们拥有多种认知能力，使其能够进行推理、创造、理解世界，并执行其他高级认知任务，如学习、规划、复杂决策等。我们的目标是探索实现通用智能所必需的最基本能力，并识别出构成这些能力的核心构建模块，从而为在AGI系统中实现这些能力提供一条有说服力的路径。本文的主要部分致力于论证类比推理是一种核心能力，支撑着上述每一项基本认知能力。我们所说的“类比推理”，是指依赖类比的一种思维形式，其中类比是两个对象或对象系统之间的比较，突出它们被认为相似的方面 [3]。

这一主张需要进一步阐述，因为它构成了本文的核心论点。将类比推理作为通用人工智能（AGI）系统核心架构组件的思路，有以下几个实质性理由予以支持：首先，这一思路延续了既有的理论传统，即从人类认知系统在结构和功能上的相似性中汲取洞见、灵感与直觉，以指导人工认知能力的开发。其次，从实现的角度来看，开发一个核心的、基础性的组件，可以为其他认知模块的系统性构建提供一个架构性的支撑框架。第三，正如第三节通过系统性分析所展示的那样，在考察实现通用智能所必需的各项能力——包括学习、创造力、理解以及各种形式的推理——时，类比推理都显现为一种核心机制。

上述理论思路在当前人工智能技术所采用的许多机制中已有明显体现。显著的例子包括：受人类选择性注意过程启发的“注意力机制”，它使系统能够在抑制无关输入的同时优先处理相关信息——如今已成为自然语言处理和语言模型架构的基础。通过卷积神经网络实现的计算机视觉系统，模拟了人类枕叶皮层的分层信息处理结构。语音识别系统则模仿人类听觉处理系统和语言中枢，利用循环神经网络来类比人类听觉处理方式，以处理序列信息。而神经网络这一概念本身，正是人工智能设计中仿生学思路的典型例证。

因此，本文的结构安排如下：在第二节中，我们讨论两种理解、概念化和描述通用人工智能（AGI）的方式：一种是将其视为“人类水平的智能”，另一种是将其视为“人类水平的能力”，并探讨这两种思路之间的差异。在第三节中，我们考察AGI研究应重点关注的基本认知能力，并论证这些能力都高度依赖于一个特定的核心组件——即类比推理。在第四节中，我们总结全文，并反思这些发现对未来AGI系统实现的启示。

2 人类水平的智能，还是人类水平的能力？

在上述引言之后，两点变得清晰起来。第一，许多使用“AGI”这一术语的人并未对其做出精确的定义。第二，许多人将AGI概念化为一种能够在广泛认知任务中达到人类表现水平的系统。

例如，本·戈策尔（Ben Goertzel）就通过指出：“‘人类水平的AGI’这一概念若按字面理解，是令人困惑且定义不清的。很难将所有可能系统的智能置于一个简单的层级结构中，从而能够将任意智能系统的‘智能水平’与人类的‘智能水平’进行比较。”（2014：6）戈策尔强调，将人工系统的“智能”与“人类智能”进行比较是模糊不清且可能毫无意义的。人类智能是一种经过数十万年进化形成的一般性能力，它具有多个层面，其中大多数层面与我们的具身存在（embodied existence）以及与环境和他人的互动密切相关。即使不接受加德纳（Gardner）[27]的“多元智能”理论，也很明显，人类智能涵盖了多种方面：身体能力、社交能力、数学逻辑能力、语言能力等等。

其中一些方面是人类独有的；人类智能在许多根本且相互交织的方面，与人类的身体和心智密切相关。这包括社交技能、对环境的空间与视觉理解，以及自我认知能力。这些能力体现在个体能够进行内省，并意识到自己的身体、身体的运动以及其在空间中的位置。尽管未来基于生物启发的具身系统或全脑仿真项目或许能够复制这些方面，但本文的其余部分将聚焦于“能力导向”的AGI发展路径。

我们称之为“人类水平的能力”（Human-level Capabilities）的方法并非全新。许多理论家通过系统所具备的能力来定义AGI：例如执行认知任务的能力[20]，或在不同情境中解决复杂问题的能力（[34]：前言）。然而，这些定义往往对具体的能力和任务描述得较为模糊。在一篇关于AGI层级的近期立场论文中，DeepMind的研究人员宽泛地将AGI系统描述为“在大多数任务上至少具备与人类相当能力的人工智能系统”[56]。早期人工智能先驱尼尔斯·尼尔森（Nils Nilsson）则将标准设定为通用系统：“能够学习并被教导执行人类所能完成的成千上万种工作……系统从具备最少但广泛的内置能力开始。”[57] 戈策尔[33]也持相同观点，指出“将通用智能与人类能力进行比较，是描述它的最佳实践方式”。

与上述许多研究者和理论家一致，我们认为，能力导向的方法为理解AGI提供了最有前景的路径，原因有多个且相互关联。首先，正如戈策尔所观察到的，试图直接比较人类与机器之间的“智能水平”会遭遇根本性的概念难题。人类智能源于我们特定的进化历史、具身认知以及社会背景——这使得直接声称“等同”在理论上值得怀疑，且对AGI的发展在实践上并无帮助。其次，尽管基准测试和性能指标对于评估仍然重要，但它们体现的是底层能力的具体实现，而非“智能”本身。一个在国际象棋或语言翻译方面表现出色的系统，展示的是特定的认知能力，而不一定意味着在任何有意义的层面上具备“人类水平的智能”。第三，能力导向的方法为系统开发提供了更清晰的路径。与其追求“复制人类智能”这一定义模糊的目标，我们不如识别、分离并系统性地实现那些支撑智能行为的离散认知能力。这种方法与成功的工程实践相一致：通过将复杂系统分解为基本组件来理解它。最后，这种方法更好地容纳了这样一种可能性：即AGI系统可能展现出在性质上不同于人类智能的智能形式，但依然可被明确地视为“智能”。通过聚焦于能力而非“类人性”，我们为真正新颖的智能形式保留了可能性。

在下一节中，我们将探讨并识别AGI研究应优先关注的最关键能力。

3 人工通用智能的关键要素

“纯粹基于关系相似性的感知与运用能力，是我们人类惊人心智能力的主要贡献者——甚至可以说是最重要的贡献者。”——根特纳与史密斯（Gentner and Smith）[32]

许多研究者和理论家将通用人工智能（AGI）定义为能够在广泛认知任务中达到或超越人类水平表现的自主系统。这一总体性陈述可进一步展开为以下非穷尽的能力清单：

• 能够在极少或无人类干预的情况下独立运行

• 能够规划并适应环境变化

• 能够持续学习并不断改进

• 能够在多种不同情境下进行复杂决策

• 能够有效沟通

• 能够应用多种类型的推理

• 能够展现创造力

• 能够解释和分析复杂的感官输入

• 能够进行抽象思维

• 能够反思并监控自身的认知过程

值得注意的是，其中一些能力已在当前的人工智能系统中得到部分实现：

• 学习：这或许是最被广泛认可的能力（[20, 34]：前言VI；[13, 24, 33, 71]）。人们普遍认为，先进的人工智能系统需要能够更动态地学习和适应，实现跨领域的实时学习，且无需依赖人类指导的训练。

• 沟通：语言模型能够处理、解释和生成文本，通过语言与人类交流，并具备一定的“心智理论”（Theory of Mind）能力[42, 69]。然而，学界普遍认为，它们仍缺乏理解复杂概念和语境所需的深层理解能力[18, 26, 55, 74]。

• 推理：尽管当前系统在应用某些推理形式上已取得一定成功，但其他形式——例如类比推理——以及相关能力——如抽象思维和高阶创造力——仍需加强。

• 感官输入：计算机视觉系统能够识别图像和视频中的物体、人脸和场景。机器人中的传感器融合技术实现了对环境的多模态感知[48, 60]。然而，若缺乏深层理解，这种感知往往仅停留在模式识别层面，缺乏上下文和意义。

基于上述分析，并遵循Firt[24]及其他学者的观点，我们识别出四项构建AGI系统所必需的核心能力：学习、理解、推理和创造力。如前所述，我们认为类比推理是支撑这四项能力的基础。需要说明的是，尽管这四项能力在AGI文献中被广泛视为核心组成部分——我们主张它们构成了通用智能的基本底线——但我们的论点并不要求该清单是穷尽性的，也不要求这些能力彼此独立。我们的观点在于：类比推理是这些被普遍认可的能力背后的一个根本性组成部分。本文的核心主张——即在AGI开发中应优先考虑类比推理——正是源于其在这些已确立的认知功能中的普遍支撑作用，无论是否还存在其他能力，或这些能力之间是否存在相互依赖。

接下来，我们将先提供一些初步的直觉性说明，以阐明类比推理的基础性地位，随后通过更详细的分析，展示我们所提及的每一项能力如何依赖于类比推理。

首先值得注意的是，类比推理使我们能够使用符号（如语言和数字）来表征思想与概念，并通过在不同情境或概念之间建立类比，基于已知的关系来理解新信息。

“因为没有概念就无法思考，而没有类比就无法形成概念……我们头脑中的每一个概念，都源于多年来无意识进行的一系列类比，这些类比最初催生了该概念，并在我们一生中持续丰富它。” [39]:3）

类比推理构建了我们的概念——这些概念本身就是抽象的产物——并通过不断提炼出概念所有实例所共有的本质相似性，来不断丰富这些概念。这些相似性是概念的支柱，是从其所有实例中抽象而来的。

在本节余下部分，我们将探讨学习、理解、推理和创造力如何依赖于类比推理。需要明确的是，我们在此使用“依赖”一词并非指还原意义上的“等同”，也不主张“学习就是类比推理”，或学习的每一个方面都可以用类比推理的某个方面来解释。我们的目标是论证：类比推理在实现这些基本能力的每一个方面中都发挥着重要作用。我们并不认为类比推理在所有能力中具有同等的重要性、核心地位或层级位置。相反，它在不同的认知功能中扮演着不同的角色，具体如下各小节所述。

在确立了类比推理在人类认知中的基础作用之后，我们现在旨在展示它对每一项我们认为对通用智能至关重要的能力所做出的具体贡献。需要强调的是，尽管我们从人类认知过程中汲取洞见，但这并不意味着在人工系统中必须采用完全相同的实现方式。这一方法的哲学、功能和实现层面的考量，将在结论部分进一步讨论。

3.1 创造力

玛格丽特·博登（Margaret Boden）[9–11]将创造力定义为生成创造性思想或产物的能力，其中创造性思想是指新颖、令人惊讶且具有价值的想法。她区分了三种类型的创造力：组合型（combinational）、探索型（exploratory）和转化型（transformational）。第一种涉及熟悉思想的新颖组合——出人意料，但已知是可能的；第二种涉及对个体概念空间的探索，产生新颖的结果，但仍受限于现有思维结构；第三种即转化型创造力，涉及对个体概念空间的真实改变——从结构化思维的角度看，这是一种“不可能”。这种情况发生在个体移除或修改了先前固有的限制，或引入了新的限制，从而形成此前无法产生的新结构，进而催生出此前不可能出现的想法。

在本小节中，我们聚焦于创造力与联想思维之间的关系。Firt [24: 1000] 指出，创造力与“许多其他认知能力相关，例如思想的关联、记忆、感知、类比思维和反思”。这一观点与比蒂（Beaty）和凯内特（Kenett）[5]的近期研究相一致，他们指出联想思维是创造力的基础，并指出：“长期以来，创造性思维被认为涉及记忆中的联想过程，即通过概念的组合形成新颖且有效的想法”（第671页）。

比蒂和凯内特[5]主要致力于为梅德尼克（Mednick）[51]长期存在的创造力理论提供实证支持，并借鉴了计算建模和认知神经科学的最新进展（第672页）。为了理解创造力、联想思维和类比思维之间的联系，我们首先考察梅德尼克的理论及其提出的实现创造性思维的方法，并分析类比推理如何支撑其中每一种方法。这一分析将进一步支持我们的观点：在人工系统中实现类比推理能力，可以为创造性过程奠定基础，从而发展出跨领域的联想机制，用于生成、维持和比较新颖的连接。

3.1.1 偶然的联想是难以察觉的类比

梅德尼克提出的第一种方法被称为“偶然发现”（serendipity）：通过意外而幸运的发现来获得创造性解决方案。这种情况发生在不同的思想或元素（梅德尼克称之为“必要的联想元素”）因偶然因素结合在一起，通常由建立这些元素之间联系的环境因素所触发。梅德尼克举了X射线和青霉素等著名发明和发现作为例子。

可以从偶然发现中识别出几个关键特征，这些特征表征了联想元素之间的连接：a) 它们出人意料且令人惊讶，涉及通常不相关的思想或概念之间的关联；b) 它们常常跨越不同领域或知识范畴；c) 它们具有转化性，可能催生彻底的新思想或解决方案，从而改变我们对问题的理解或处理方式。

值得注意的是，这些连接通常不是通过常规、系统的思维方式建立的。相反，它们源于一种更开放、灵活、有时甚至是混乱的认知过程，这种过程允许在看似无关的元素之间形成新颖的联想。

注意，上述特征（a）与博登对创造力的定义密切相关：新颖性、令人惊讶和价值。事实上，描述偶然发现的这三个特征与博登提出的三种创造力类型——组合型、探索型和转化型——完全对应。我们可以看到，偶然发现的三个特征如何分别对应这三种创造力类型。其中，出人意料、惊讶、跨领域知识的连接以及转化性（即彻底改变我们对问题的理解或处理方式的新思想）尤其对应于转化型创造力，这种创造力涉及对一个群体概念空间的改变。

梅德尼克第一种方法的本质在于：联想元素之间的连接看似随机、无关且此前无法想象。然而，我们认为，在这种“偶然”的过程之下，存在着更根本的机制。我们提出，这些看似随机的连接实际上基于潜在的相似性——无论是跨领域的隐藏模式、共享的原理、机制、属性还是关系。这些相似性通常存在于更抽象的层面，只有从新的视角观察时才会显现。尽管文化、心理或其他限制可能最初掩盖了这些相似性，但一旦被识别，类比推理就能帮助我们利用它们，在联想元素之间建立有意义的连接。

一个著名的例子是维可牢（Velcro），一种广泛使用的钩环搭扣系统，由瑞士工程师乔治·德·梅斯特拉尔（George de Mestral）在散步时发现苍耳粘在他的衣服和狗的毛发上而受到启发。在显微镜下，他看到苍耳上有微小的钩子，能勾住织物中的环状结构。这启发了维可牢的设计：它由两部分组成，一部分带钩，另一部分带环。当两者压合时，形成牢固但易于分离的连接。

尽管偶然发现看似由偶然或意外联想促成，但其本质是由识别跨领域抽象相似性的能力所实现的。类比推理使我们能够在更高抽象层次上识别出共享的模式、原理或关系，这些可能并不明显，但通过识别更深层的关系相似性，将原本分离的概念空间连接起来。

3.1.2 相似性是类比的基础

梅德尼克提出的第二种方法是通过“相似性”建立联想元素之间的连接。他将这种相似性定义为：“联想元素之间的相似性，或引发这些联想元素的刺激物之间的相似性”（1962：222）。他通过创造性写作中的例子来说明这种方法，例如利用“同音异义、押韵、词语在结构和节奏上的相似性，或词语所指代对象之间的相似性……”；他也提到了“那些对符号操作依赖较少的创造性领域”，例如绘画、雕塑、音乐创作和诗歌等（同上）。

识别相似性的能力——无论是符号操作、同音词、押韵，还是结构模式上的相似性——都体现了类比推理的作用。这种基本的认知能力使我们能够发现不同元素之间的对应关系，并从中推断出更多的相似性。诗人的创作过程很好地说明了这一点：通过识别押韵模式之间的相似性，借助类比推理，可以发现新的诗句结构，最终创造出全新的诗歌形式。

3.1.3 中介作用作为关系类比

根据梅德尼克的观点，实现创造性解决方案的第三种方式是通过他称之为“中介”（Mediation）的过程。在这种情况下，联想元素之间的连接是“通过共同元素的中介作用”建立的（同上）。这些中介因素可以包括符号（如数学或语言符号）、关系、结构或其他元素。为了说明这一概念，梅德尼克引用了一个心理学领域的例子：“将反应性抑制与皮层饱和联系起来的想法，可能是通过‘疲倦’或‘疲劳’这两个共同的联想词作为中介而实现的。”（同上）这个例子表明，看似无关的概念可以通过共享的属性或观念连接起来。

“中介”这一概念尤为重要，因为它使我们能够将类比推理的理解从表面相似性扩展到更深层的关系层面。事实上，梅德尼克的“中介”概念与创造性问题解决中常用的多种类比推理形式高度契合，包括关系类比、跨领域结构映射和系统类比。在接下来的段落中，我们将探讨这些类比类型，说明它们如何通过中介连接促进创造性问题解决的过程。

关系类比（Relational Analogy）涉及将一个领域（源域）的关系结构映射到另一个领域（目标域），强调元素之间的关系而非其个体属性。这使得抽象思维成为可能，并实现知识在不同领域之间的迁移。它还可能涉及高阶关系（即“关系之间的关系”），有时甚至映射整个关系系统（例如部分-整体、因果、时空、层级、功能等关系）。一个经典例子是将太阳系与原子进行类比。该类比将太阳系的结构关系映射到原子结构上，突出两者在“环绕运动、中心力作用、组件尺度”等方面的相似关系，尽管其物理现实截然不同。在这个例子中，一个高阶关系可能是：“距离太阳越远，轨道周期越长”，这一关系被映射为“距离原子核越远，电子能级越高”。这展示了关系类比如何捕捉不同领域之间复杂且多层次的关系。

结构映射（Structure Mapping）与关系类比密切相关。结构映射理论（Structure Mapping Theory, SMT）由根特纳（Gentner）[29]提出，强调关系类比和高阶关系的重要性，并已在诸如“结构映射引擎”（Structure Mapping Engine）[21]等计算模型中实现。这种类比分析有时被称为“系统类比”（Systemic Analogy），涉及将一个领域的整个关系系统映射到另一个领域。这种方法与根特纳和史密斯（Gentner & Smith）[32]的观点一致，他们指出：“人们在类比中隐含寻求的，是一种具有深层关联关系系统的共同结构。”（第3页）为了说明这一点，作者使用了“熔岩灯”类比：热对流的因果模式可以在不同领域间进行映射。在熔岩灯中，蜡的加热与冷却产生循环运动；类似地，地球地壳也在更大尺度上表现出热对流模式。在这两个案例中，尽管尺度和背景差异巨大，但其底层的关系系统（加热、膨胀、上升、冷却、收缩、下沉）是类比的。

在“中介”过程中，类比推理作为明确的机制，通过共享的元素、关系或结构，将看似无关的概念连接起来，从而在可识别的共同元素基础上跨越概念领域。这一过程通过有目的的类比机制实现创造性，旨在识别并利用连接不同概念空间的共同要素。

尽管梅德尼克的框架为理解创造性思维的机制提供了有价值的洞见，但当代研究揭示出，创造力比他最初提出的理论更为复杂。这些进展表明，没有任何单一机制能够完全解释人类创造力的丰富性。然而，我们对梅德尼克三种路径的分析表明，类比推理是支撑联想式创造力的一种基本认知过程。尽管类比推理本身无法解释创造力的所有方面，但我们的目标是展示它在创造性思维的联想基础中所起的核心作用，从而为在AGI系统中实现创造力能力提供一个至关重要的基础——即使它只是整个创造性拼图中的一部分。

3.2 学习

如上所述，许多著名的研究者和理论家都将高级学习能力与通用智能联系在一起，尤其强调迁移学习（Transfer Learning）和自主学习（Autonomous Learning）。

通常，迁移学习指的是一种机器学习方法，即利用在一个情境中获得的知识来提升在另一个情境中的泛化能力。然而，在本文中，我们将其更广泛地理解为：将先前学到的知识进行泛化和再利用的能力。而自主学习则指的是人工智能系统通过与环境互动，在无人类干预的情况下独立学习和适应的能力。

迁移学习对于实现从狭义人工智能系统向更通用系统的期待已久的转变至关重要。狭义AI系统被设计用于在有限领域内执行特定任务，而通用系统则能在多个不同领域中成功运行。迁移学习涉及将某一任务中获得的知识应用于其他不同但相关的任务。本质上，系统利用已有知识来解决新问题。这一过程与类比推理密切相关：通过在不同任务或领域之间建立类比，人工智能系统能够识别出可应用于新情境的模式和关系。通过在不同任务或领域之间建立联系，这些系统能够识别底层的结构模式和关系，察觉情境之间的相似性，并将一个领域的知识用于指导其在新领域中的行为方式。

一个完整的迁移学习过程包括以下几个关键步骤：结构对齐（识别不同领域之间的共享关系结构）、推理投射（将源领域中的原理应用于目标领域）、重新表征（将概念抽象化以实现跨领域应用）、适应调整（修改源领域的概念以适应目标领域的具体需求），以及评估（测试并优化所迁移的知识）。在这一过程中，类比推理促进了知识在不同领域之间的迁移。它帮助系统识别哪些知识成分可以转移，以及这些成分需要如何转化，才能在新的领域中保持其有效性。这种能力使人工系统在面对新问题时无需从零开始，而是能够通过识别深层的结构相似性，建立在已有经验的基础之上。

自主学习——即人工智能系统在无需明确人类编程或干预的情况下进行学习的能力——虽然不像迁移学习那样明显依赖类比推理，但也与类比推理密切相关。这两种方法的共同目标是开发能够适应新情境、应对复杂且动态环境的人工智能系统。需要注意的是，并非所有当前的自主学习方法都可以归约为类比推理的原则，但两者之间存在显著关联：

• 迁移学习 ：如前所述，明确依赖类比推理。
• 少样本学习（Few-shot learning）：一种让AI模型仅通过少量示例就能识别新类别或执行新任务的方法，通常通过利用先前任务或领域中的知识来实现。这种方法也明确使用了类比推理。
• 其他方法：例如强化学习和无监督学习，若能更明确地引入类比推理机制，也有望增强其泛化和适应能力。

此外，我们还应指出，类比推理通过多种机制在学习过程中发挥着基础性作用，这些机制包括促进跨领域的知识迁移、概念形成以及意义的丰富与深化。

3.3 理解

与学习一样，理解也被视为通用人工智能（AGI）系统的一项核心能力：

“在系统需要在一个未知领域中、在不确定条件下运行和行动的情境下，成功的学习与理解之间并无明确界限。”（[24]：998）

马库斯（Marcus）[49]指出，那些缺乏对外部世界及其动态的内部表征和知识的系统，“可能会凭借庞大的相关性数据库在某些事情上得出正确结果，但它们并不真正理解正在发生的事情，因此我们无法信赖它们——尤其是当现实世界的情况偏离训练数据时（这种情况经常发生）。”

为了澄清我们所说的“理解”的含义，我们采纳了格里姆（Grimm）[35]关于“理解即对原因的知识”这一“传统观点”的扩展版本，该观点在Firt [26]中有图示说明。这种扩展观点将理解视为对关系和依赖性的知识——而不仅仅是因果关系这一种关系类型。根据这一视角，理解包含两个基本方面（[26]：1656）：

• 对所要理解的事物相关的现象与实体之间的依赖关系和关系的知识；

• 能够以某种方式对这些关系进行 模态表征 （modal representation），从而允许理解者操作这些关系，并考察其他相关可能性；换句话说，即具备针对这些依赖关系进行 反事实推理 （counterfactual reasoning）的能力。

后一方面涉及构建某些关系结构的表征（例如依赖图、因果链等），这些结构导致了X（即所要理解的对象），或X是其中的一部分，并且具备对这些表征进行操作或调整的能力。这种操作能力使得系统能够检验和评估推理结果，从而采取行动。因此，要理解X，就必须通过反事实推理来思考：如果X所处的关系和依赖关系略有不同，X会受到怎样的影响。

为了说明理解如何依赖于类比推理，我们将展示反事实推理是如何依赖类比推理的。考虑以下例子：

假设你是一名研究人员，因航班取消而错过了一个重要会议。你可能会想：“要是我早一点搭上航班，我就能参加会议，并与同事们建立联系。” 这种推理依赖于两个前提：

(a) 此前当你参加类似会议时，你建立了有价值的人际联系，并促成了合作研究项目；
(b) 这次错过的会议在参会人员和建立人脉的机会方面与以往会议相似。

因此，你得出结论：如果你参加了这次错过的会议，你很可能也会建立类似的重要联系，并启动新的合作项目。在这个例子中，我们识别出过去经历与这次错过的会议之间的相似性，并通过类比推理推断出另一种相似性（即成功建立人脉）也存在。于是，我们假设在其他情境下（即前提条件不同），反事实的结论部分也会成立。

这构成了我们关于类比推理与反事实推理之间紧密关系分析的核心。对于人工理解的实现而言，类比推理将为系统提供一种机制，使其超越简单的模式识别和统计相关性。它将使系统能够操作关系结构的内部表征，推理假设性情境，并理解依赖关系的变化将如何影响结果。这种能力正是区分单纯预测与真正理解的关键所在——即能够推理“某事为何发生”、“它本可能如何不同”以及“在条件改变时会发生什么”。所有这些能力都依赖于类比推理所提供的结构映射和知识迁移功能。

3.4 推理

本小节旨在说明类比推理在推理这一广义认知功能中的基础性作用。与前文类似，我们并不主张所有形式的推理都可以还原为或等同于类比推理。相反，我们的重点是探讨类比思维在某些特定类型的、基于知识的不确定性推理中的重要性——即归纳推理（inductive reasoning）和溯因推理（abductive reasoning），而非经典的演绎逻辑。

我们将考察类比推理在三种归纳推理子类型（枚举归纳、统计-概率推理和因果推理）以及溯因推理（又称“最佳解释推理”）中的作用。

归纳推理高度依赖于基于相似性的分类过程。这一过程使我们能够将某一类别的属性赋予新归类的成员。在以下例子中，我们考察不同类型的归纳推理，首先从枚举归纳开始：

在一个随机抽取的10,000只乌鸦样本中，每一只都是黑色的。这一观察支持“所有乌鸦都是黑色的”这一结论。

在这个例子中，源域是这10,000只乌鸦的样本，目标域是“所有乌鸦”。共享的类别是“乌鸦”，被观察到的属性是“黑色”。我们推断：未被观察到的乌鸦，由于它们属于乌鸦这一类别（即与已知乌鸦足够相似），也将具有这一属性，因为它们具备所有使我们将其归类为乌鸦的其他特征。换句话说，我们假设任何与乌鸦类别足够相似的个体也应该是黑色的。通过这种方式，我们利用分类和相似性，从具体观察中得出更广泛的结论。在此过程中，类比推理为从有限观察中做出合理泛化提供了必要的架构——这正是枚举归纳所需的核心能力。如果没有这种类比基础，系统或许能收集统计数据，但将缺乏机制，无法基于有意义的相似性关系，从已观察样本推断到未观察案例。

现在，考虑一个简单的统计推理例子：

假设你有一个装有100颗弹珠的袋子。你知道其中60颗是红色的，40颗是蓝色的。你闭眼伸手从袋中取出一颗弹珠。统计推理会引导你得出结论：抽到红弹珠的概率是60%（60/100），抽到蓝弹珠的概率是40%（40/100）。如果你持续抽取弹珠，并在每次抽取后将弹珠放回袋中，那么在10次抽取中，你预期大约会抽到6颗红弹珠和4颗蓝弹珠。根据大数定律，抽取次数越多，结果就越接近这些预期概率。

当我们运用统计推理来理解事物时，实际上是在依赖类比推理的基本模式。让我们通过弹珠的例子来说明这一点是如何运作的。

首先，注意其中隐含的相似性假设：所有弹珠都被视为足够相似，可以互换。这使我们能够将每一次抽取视为与其他任何一次抽取是类比的（这是概率论和统计学中的一个基本假设），并假设过去的抽取结果可以预示未来的抽取结果。

其次，我们假设未来的抽取结果将与假设的过去抽取结果相似，这一假设源于另一个前提：抽取的条件（例如袋子中弹珠的组成）在时间上保持一致。

第三，我们在频率与概率之间建立了一种关系类比。也就是说，我们将概率的概念建立在多次试验中结果出现的频率之上，并利用这种频率来计算未来某次试验中某一结果出现的可能性。

最后，我们将这些关系类比的特征推广到更复杂的场景中（例如选举结果预测、天气预报）。这假设其他不确定性事件与“从袋子中抽取弹珠”是类比的，并且适用于弹珠抽取的原则也可以应用于这些其他情境。

在此，类比推理为超越单纯计算提供了必要的机制。如果没有这种类比基础，系统或许能够计算概率，但将缺乏能力：在条件足够相似时，将统计模型应用于不同情境；也无法在不同领域之间映射抽象的概率概念。

最后，考虑一个因果推理的例子：

研究人员正在研究一种新药对降低血压的效果。在受控的测试过程中，服用该药物的参与者持续表现出血压下降。同样，在相同条件下给药的多个患者组，也在服药后表现出相同的血压降低。研究人员尽最大努力排除其他潜在原因，如饮食、锻炼或其他药物，确保观察到的效果完全归因于该药物本身。基于这些观察，他们得出结论：该药物（原因）导致了血压降低（结果）。

分析上述例子，可以揭示类比推理的几个关键方面：

(a) 模式识别：研究人员观察到一种一致的模式——服用药物的参与者都表现出血压下降。这本质上是类比推理：我们在不同实例之间建立类比，这些实例中我们都观察到潜在的因果关系。

(b) 条件的相似性：研究人员确保药物在不同患者组中的使用条件相似。这通过建立一致的情境加强了类比。他们排除了其他可能性（如饮食、锻炼、其他药物），并观察到重复性和一致性。在不同群体和个人中获得的一致结果强化了相似性，从而加强了类比。

(c) 类比推理的跃迁：研究人员从大量相似的观察案例中，通过类比推理得出一个普遍性结论。他们推断：由于该药物在所有观察案例中都持续降低血压，因此在未来的类似情况下也可能如此。这导致了一个因果性结论：研究人员认为，由于在多个类比情境中，结果（血压降低）始终紧随原因（服药）之后，因此二者之间很可能存在因果关系。

在这种情况下，类比推理为从相关性检测迈向真正的因果理解提供了必要的架构。系统需要能够识别何时情境足够相似以支持因果关系的迁移，识别多个实例中的相关因素，并基于结构相似性（而非单纯的统计关联）泛化因果关系。因果推理从根本上依赖类比过程来弥合观察与因果知识之间的鸿沟，因此类比推理是任何试图实现因果能力的人工系统所必需的核心组成部分。

另一个需要考虑的重要方面是因果推理与反事实推理之间的关系。根据一种观点，这两者可以等同看待，正如门齐斯和比比（Menzies and Beebee）[52]所言：“因果陈述的意义可以用反事实条件句来解释，例如‘如果事件c没有发生，事件e也不会发生’。” 正如我们之前所论证的，比较实际与假设情境的反事实推理过程，本身就是类比推理的实例。

在此需要强调的是，本节的目的并非断言类比推理是所有归纳推理形式的核心，或我们所举的例子能完全代表相关推理形式。本节的目的是说明类比推理如何成为多种推理类型中的一个关键核心组成部分。

接下来，我们将考察溯因推理（abductive reasoning）[19]，也称为“最佳解释推理”。

这种推理旨在为观察到的现象寻找最简单、最可能的解释。它在日常生活和科学研究中都发挥着重要作用，使我们能够基于有限的信息、世界经验以及常识，得出最合理的结论。

考虑一个简单的例子：你回到家，发现你的猫躲到了床底下，这是一种不寻常的行为。可能的解释有多种：响亮的可怕噪音、生病、家里来了陌生人，或窗外有其他动物等。通过溯因推理，你可能会得出结论：最可能的解释是发生了响亮的噪音，吓到了猫。这个结论基于你已有的知识：猫通常会被响亮的噪音吓到。此外，这类事件足够常见，可能在你不知情的情况下发生，且无需假设任何异常情况或健康问题。

我们认为，溯因推理与各种形式的归纳推理一样，高度依赖类比推理。在形成和评估假设时，我们依赖于与过去经验的相似性、已识别的模式以及知识的迁移。上述例子中，类比推理的这些方面体现在以下几个方面：

当你考虑猫为何躲在床下时，你很可能调用了过去与猫或其他动物相处的经验。你可能曾见过猫或其他动物对响亮噪音的反应，或者自己也曾被突然的声音惊吓过。这使你能够在过去的情境与当前情境之间建立类比。即使你从未见过自家的猫躲到床下，你仍可以从其他猫的行为，甚至其他宠物对压力的反应中进行类比。将熟悉情境中的知识迁移到新情境中，正是类比推理的关键特征。此外，我们利用对猫或宠物行为的这种已识别模式来指导推理过程。通过将当前情境与宠物行为的一般模式进行类比，我们得出了最合理的解释。

在评估不同解释的合理性时，我们常常将其与我们经历或听说过的类似情境进行比较。我们倾向于认为更常见的事件更合理，推理认为：如果类似事件在过去频繁发生，那么现在也很可能发生（反之，如果过去罕见，则现在可能性小）。在上述例子中，我们可能回忆起响亮的噪音经常发生，而入室盗窃则很少见。我们在这一过程中使用了多种形式的类比推理：

(a) 相似性映射：我们将当前情境的特征映射到过去情境的特征上。(b) 结构对齐：我们考虑结构性的类比，例如因果结构（如“响亮的噪音导致恐惧，恐惧导致躲藏”）作为一般模式。(c) 抽象与泛化：我们将一般性理解（如“意外刺激常导致动物躲藏”）应用于这一具体案例。(d) 反事实推理：如前所述，这也基于类比推理。我们用它来评估并排除其他解释。

所有这些类比机制共同作用于我们的溯因推理过程，使我们能够基于庞大的过往经验与一般知识库，快速评估并排序不同解释的合理性。

在人工系统中实现溯因推理时，类比推理将为生成和评估“最佳解释”提供机制。如果没有这种类比基础，系统或许能提出随机假设，但将缺乏机制来判断哪些解释最合理——即基于与过往经验的相似性、已识别的模式以及跨领域知识的迁移。

最后需要指出，上述分析表明，类比推理是支撑关键形式的归纳推理和溯因推理的基础机制。尽管类比推理本身是一种归纳推理，有些人可能认为它不如统计或因果推理可靠。然而，鉴于类比推理深深嵌入于归纳和溯因过程之中，这些推理形式可能具有相似的可靠性水平。尽管对此问题的全面探讨超出了本文范围，但认识到这些联系对于理解类比推理作为核心认知能力的中心地位至关重要。

3.5 通过实例说明类比推理

为了进一步阐明类比推理如何作为上述讨论的各项认知能力的核心组成部分发挥作用，我们提供几个具体实例。这些情境展示了类比推理如何为人工智能系统带来关键优势，并体现其作为一种统一的认知机制的有效性，使系统能够在不同领域和挑战中实现复杂而高效的表现。

首先，考虑在新情境中的迁移学习：一个人工智能系统学会在某一领域（如流体动力学）解决复杂的物理问题，并将这些知识迁移到一个完全不同的领域（如结构工程）以解决新问题，而无需专门针对这两个领域之间的联系进行训练。例如，系统可以将“水流绕过河流中的障碍物并形成涡流”的知识，应用于理解城市环境中气流绕过建筑物的模式，并预测这些气流在强风条件下如何影响建筑结构的稳定性。这种知识迁移要求系统识别流体动力学方程与结构振动方程之间的结构相似性，尽管它们的表面表现形式和应用场景完全不同。具备强大类比推理能力的系统能够识别流体力学与固体力学之间的共享关系结构，将“力、阻力与形变”之间的因果模式在不同领域间进行映射，并系统性地迁移问题解决策略，同时根据目标领域的独特约束进行调整。

其次，考虑建筑设计中的创造力：一个AI系统被要求为一个温度波动剧烈的城市环境设计一座可持续的高层建筑。一个不具备类比推理能力的系统可能会从数据库中现有的可持续建筑中组合特征，本质上只是在已知设计之间进行复杂的插值。而一个具备强大类比推理能力的系统则会从自然界中结构相似的系统中汲取灵感——例如注意到某些仙人掌如何通过其形状调节温度，或白蚁丘如何在外部温度剧烈变化的情况下维持内部环境的稳定。通过将这些生物冷却系统映射到建筑设计原则，该系统将生成真正新颖的设计方案，而这些方案无法通过简单重组现有建筑方案得到。

最后，考虑一个AI面对理解新情境的任务：“太阳风暴过后，许多自动驾驶车辆同时失去了导航能力，而家用电器却仍正常运行。” 具备强大类比推理能力的系统会将这一情境映射到已知概念上，例如商业-工业设备与消费电子产品在电磁屏蔽标准上的差异。系统可以推断：车辆的GPS系统之所以脆弱，是因为它们需要接收外部信号；而家用电器由于采用封闭式电路系统，因此仍受到保护——即使该系统此前并未接受过关于太阳风暴及其对不同技术影响的专门训练。

这些例子说明了类比推理如何作为一种基本的认知机制，使人工智能系统能够实现复杂智能所必需的关键性推理跃迁。通过构建能够有效实现类比推理过程的人工智能架构，我们将更接近于开发出具备通用智能所特有的灵活性、适应性和创造性洞见的系统。

4 结语

类比推理的重要性长期以来在认知科学、心理学和哲学等多个学科中得到广泛认可。本文旨在强调其在基于能力的通用人工智能（AGI）研究路径中的关键作用。我们主张，类比推理不仅仅是一种重要的认知技能，更是一种核心能力，支撑着创造力、理解、学习和推理等多项实现AGI所必需的基本能力。通过对这些能力的逐一深入分析，我们已阐明类比推理过程如何构成它们的基础，从而实现定义通用智能的复杂认知功能。

这一观点引导了我们对AGI发展的整体思路：与其试图直接实现这些高层级能力，我们更应主张AGI研究聚焦于构建强大且灵活的、以类比推理为基础的系统。

本文主要侧重于理论与哲学层面的探讨。在接下来的段落中，我们将强调这一技术所带来的一些重要哲学意涵，包括与心身问题（mind–body problem）以及计算与思维关系相关的议题。尽管对这些意涵的全面讨论超出了本文的范围，我们将重点阐述两个核心问题：非人类的人工系统实现类比推理等认知能力可能对心身问题带来的影响，以及相似性关系的规范性问题。

有两个值得注意的重要观点：多重实现性（multiple realizability）以及将思维还原为计算过程的可能性。

在讨论“认知能力路径”时，我们并不试图复制人类大脑及其具体运作过程，而是致力于实现其认知功能的角色或作用。如果我们成功实现了类比思维、创造力和学习等认知能力，那么这将在一定程度上为“多重实现性”理论以及功能主义（Functionalist）和计算主义（Computational）关于心身问题的立场提供支持。例如，如果AGI系统通过与人类完全不同的物理机制展现出类比推理能力，这将支持功能主义的观点：心理状态应由其功能角色来定义，而非由其实现的物理基质决定。此外，如果类比推理能够在多种不同的计算架构（如神经网络、符号系统、混合方法）中实现，并保持相似的输入-输出模式，这将进一步证明“功能比具体实现方式更为重要”的观点。

这种支持的力度取决于若干因素：第一，类比推理的质量与性质。要主张“多重实现性”，我们需要证明人工系统的类比推理在质量上与人类的类比推理相当。第二，一般而言，认知能力——尤其是类比推理——可能与具身性（embodiment）密切相关（即“具身认知”理论）。真正的多重实现性可能要求将这些认知能力实现在一个物理身体之中。

关于计算与思维之间的关系，成功地在人工系统中实现此类认知能力，重新引发了这样一个问题：无论这些计算过程多么复杂和多样，它们是否可以被完全还原为计算？换句话说，思维是否本质上就是计算？这一问题仍未有定论，但本文所提出的以类比推理为核心的设计路径，为这一长期争论提供了新的思考维度。

在某些（较简单）的情况下，可以提出这样的论点。某些实现架构也可能使这个问题更容易处理；值得注意的是，当代最先进的实现推理能力的系统已经使用“涌现”这一概念来描述硬件 - 软件系统与由此产生的认知能力之间的关系。关于相似性关系，为了可靠且系统地使用类比推理，我们必须能够评估并证明类比推理的合理性。这可以通过使用常识、经验或形式标准，并寻求逻辑 - 演绎或归纳 - 统计证明来完成。一个基于常识标准的著名建议是穆勒提出的，他著名地建议计算事物的相似和不同属性的数量，使得它们之间的相似性越大，差异越小，类比推理就越强。一个更复杂的统计证明，考虑了相关性，是由罗素提供的，他描述了一种计算类比推理强度的方法：一个源由 m 对属性及其值描述，目标在其中的 d 对属性上与之不同。在 m 个属性中，r 表示与推理和背景相关的属性数量。相似性 S 因此被定义为 m - d。鉴于 S，我们推断目标具有源中存在的一个额外的（未被观察到的）属性 - 值。罗素提供了一个基于部分相似属性 m - d 中 r 的排列组合数量来计算这种类比推理概率（即强度）的公式。量化推理强度的能力将使人工智能系统能够提升其类比推理能力。然而，这些概率计算严重依赖于两个因素：系统对源的精确描述的表示能力，以及属性组 m 是否包括所有与推理相关的属性——这是一个几乎不可能满足的要求。尽管存在这些理论挑战，人类在日常生活和科学思维中广泛使用类比推理。尽管我们在表示世界的能力上也受到限制，我们的推理并不总是准确的，但类比推理对人类认知仍然至关重要且非常有效。

接下来的重大挑战应该是找到一种方法，将类比推理整合到一个更广泛的系统架构中。具体来说，我们建议探索一种神经 - 符号系统架构的潜力，该架构利用神经网络的模式识别和学习能力，同时纳入复杂类比推理所需的结构化、符号表示。当然，当代最先进的系统已经在一定程度上能够进行类比推理。我们相信，尽管基于统计的方法已经展示了相当的能力，但结合统计和符号组件的综合方法可能提供额外的优势。

将类比推理整合到神经 - 符号架构中将利用创造力、联想思维和类比推理之间的紧密联系，这一点在本文中得到了证明。一个潜在的起点可能是使用包含关联实体的复杂数据结构来建模关联（以下简称为关联结构）。这些结构将成为许多不同过程的目标：实时的、异步的以及批处理 / 离线过程。实时过程可能包括简单的搜索（例如，通过搜索关联结构来识别关联实体）、添加（例如，添加新的关联）和更新（例如，更新现有的关联）。批处理过程可能包括离线扫描不同的关联结构，这可能导致离线发现的关联的合并。此外，批处理过程可以实现实际的学习转移，通过在不同的关联结构中发现共同的关系结构。异步过程可能包括创造性过程，其中扫描不同的关联结构以发现新的变革性关系。另一种异步过程可能围绕推理展开，其中使用更审慎的、与系统 2 相关的思维来搜索明确的类比。

这种方法有几个关键优势。为类比处理专门设计的知识库的整合将使系统能够以更强大的方式存储和操作符号信息。这些知识库将促进跨领域的关系模式的提取——这对于有效的类比转移至关重要——同时保持纯粹的神经方法通常缺乏的可解释性。这种架构将支持开发明确的推理机制，这些机制可以与更具联想性的过程一起运作，解决大型语言模型目前面临的局限性，尽管它们具有令人印象深刻的能力，但在面对新的领域时，它们在系统性类比推理方面仍存在困难。

总之，本文提出了几个有说服力的论点，将类比推理定位为通用人工智能架构的一个基本组成部分。我们的方法通过将人类认知的见解适应于人工系统，与已建立的认知科学原则保持一致。我们提出的实现策略提供了一个可以支持开发其他认知能力的结构化基础。最重要的是，我们在第三部分的分析已经证明了类比推理是如何作为通用智能所需的基本能力——从学习和创造力到理解和各种推理过程——的一个底层机制发挥作用的。上述概述的神经 - 符号架构是将这些理论原则转化为能够利用类比推理的力量的实用通用人工智能系统的有希望的途径。

原文链接：https://link.springer.com/article/10.1007/s43681-025-00785-7