情感机器:人类的19大思维方式

摘自:《情感机器》 作者:马文·明斯基 湛庐文化出品,浙江人民出版社出版

人类的19 大思维方式

想让别人认为你很卓越时,可以先设想一下自己能做的最糟糕的事情,然后反其道而行之就可以了。 ——内奥米· 贾德 Naomi Judd

不论对于人工智能还是心理学,寻找某些系统的方法对我们克服不同类型障碍的方式进行划分,都需要一个核心目标。但因为非常好的方案并未出现,我们只能列举思维方式的一些例子,并从以下两个极端的例子开始。

(1)知道解决方式。解决问题的最好方式就是已知问题的一个解决方法。然而,我们可能检索不到这些知识,通常情况下,我们甚至不知道自己是否已经掌握了它。

(2)广泛搜索。当人们没有更好的选择时,可能会尝试搜索所有可能的动作链,但是,这种方法通常不实用,因为这样的搜索是以指数级速度扩张的。

然而,我们都知道在这两种方案之间有许许多多其他思维方式,而其他每一种思维方式都会使搜索变得更为可行。

(3)类比推理。当某个问题使你想起曾经解决的其他问题时,如果你有好的方法来说明过去和现在的问题最大的相似性是什么,那么你就可能将过去成功的案例应用到现在的情况上。

(4)分解攻克法。如果你无法解决某个问题,那么就将此问题分解成更小的部分,例如,我们所能识别的每一个差异都提出了需要解决的子问题。

(5)改述法。寻求能够突出更多相关信息的不同描述。我们经常这样使用这种方法:先通过口头描述,然后以某些不同的方式来“理解”它。

(6)规划法。考虑一下你想要实现的子目标集,并检测各子目标之间是如何影响的,然后再考虑这些限制,提出一个实现这些子目标集的有效顺序。

我们都知道能够首先解决不同问题的其他一些技术:

(7)简化法。通常来说,对于复杂问题,好的解决方法应该首先解决忽略问题某些特性的简化版问题。然后,任何一个此类解决方案都可以作为解决原问题的一系列垫脚石。

(8)升华法。如果因问题细节繁多而陷入僵局,就更广义地描述这种情况吧。但如果描述过于含糊不清,那就切换到一个更加具体的描述上。

(9)转移主题法。无论你现在正在研究什么,如果自己变得过于沮丧,那就先放弃当前的工作,转移到其他不同的任务上。

以下是一些更发人深省的思维方式:

(10)理想化思维法。幻想你拥有无限的时间以及想要得到的所有资源。如果你仍想象不到这个问题的解决之法,那么就该重新描述这个问题。

(11)自我反思法。想想是什么使这个问题变得难以解决,或者是什么让你更易犯错而不是进一步追究这个问题,这样就可以提出某些更有效的技巧,或者相反,想出度过这段时间的更好方法。

(12)模仿法。对自己的想法信心不足时,你可以想象某些人的想法更胜一筹,并试着去做这个人所做的一切。就我本人而言,我经常模仿我的印刻者和老师。

我也会使用许多其他思维方式:

(13)逻辑矛盾法。尝试证明自己面对的问题是无法解决的,然后找出论证中的缺陷所在。

(14)逻辑推理法。我们经常试着去做一连串的演绎推理,然而,当我们的假被证明毫无根据的时候,就会导致错误的结论。

(15)外部表示法。如果你发现大脑正在丧失对细节的记忆,可以通过做记录、记笔记或绘制简图来维持。

(16)想象。人们通过已构建的思维模型模拟可行的行为。如果人们能够预测出“假设之后所发生的事情”,那么就可以避免承担实际的风险。

当然,如果你并非独自一人,可以试着拓展自己的社会资源:

(17)求救。你可以采取某些行为方式来获得同伴的同情。

(18)寻求帮助。如果地位足够高,你就可以采取说服或命令某些人的方式来帮助自己,你甚至可以接受别人的有偿帮助。

因此,人人都有多种思维方式,然而,每个人总有“最后的选择”,即干脆放弃并退出。

(19)放弃。发现自己深深地陷入困境时,你可能会关闭正在使用的所有资源,然后放松、躺下、退出并停止使用它们,那么“大脑的其他资源”就会作出其他选择,或认为你根本不必继续进行。

人类思维的组织方式

如果儿童之间无法互相了解,这是因为他们认为彼此之间已然互相了解……讲解员从一开始就认为,听众会掌握一切,事先知道了应该知道的一切……这种思维习惯首先解释了儿童思维缺乏精确度的原因。 ——让· 皮亚杰(1923)

人类思维要怎样发展下去?众所周知,婴儿天生就已具备了对各种声音类型、气味、特定的亮暗样式图案以及各种触觉和感觉的反应方式。然后,经年累月,孩子经历了多个阶段的心理发展。最终,每个正常的孩子都学会了识别、表征及反思他们内心的一些状态,同样开始对自己的某些意图和情感进行自我反思,并最终学会对他人行为的方方面面进行辨识。

我们能够使用什么类型的结构来支撑这类活动?之前的一些章节已经讨论过关于人类思维组织方式的几个观点。起初,我们对思维的描述(或大脑)是基于这样一种体系:激活特定类型的资源集以处理各种不同的状况,这样每种选择都会作用于一种略显不同的思维方式(见图9-9)。

为决定选择哪一类资源集,这样的系统可以从简单的If Do规则分类出发,并在以后再开始使用多功能的批评家-选择器模型来取代它(见图9-10)。

成年人的思维具有多种层级,每一层级都有附加的批评家、选择器和其他资源。我们也注意到,这种想法似乎与弗洛伊德早期的观点一致,他认为,思维是用来处理我们本能和后天想法之间冲突的系统。知识和技能的各种表征方式可能同样被安排为多种层次,而这些层次具有与日俱增的象征性表现。

每一种想象的思维方式都具有各种优缺点,因此,与其问哪一个模型最好,还不如形成批评家,以学习选择何时和怎样使用每一个模型。然而,我们讨论过的任何一个模型都不能很好地表征全人类的思维结构,每个结构仅有助于我们思考特定类型的精神活动。

在任何情况下,我们都需要具有足够存储空间的模型,以此来存放我们甚至尚未思考过的问题的答案。从这一点来看,我发现,将大脑想象成一团分散的过程,且这个过程以仍未指定的方式相互作用,会大有裨益。例如,除了如图9-11中充满较高层次的系统之外,人们可以想象的云资源。

把我们的精神活动当作典型的人类社会来描述可能非常具有吸引力,就像用于居住的村庄、城镇或产业公司的组织那样。

每当工作量超过人们力所能及的范畴时,我们往往就会构造“管理树状图”,然后将工作划分成部分,分配给下属。管理树状图会使我们轻松地识别一个人的自我与公司CEO 的关系,而公司CEO 控制着一个向下分化的“指挥系统”。

然而,这却并不是人类大脑的一个好模型,因为公司员工可能会去学习做几乎所有新任务,然而,大脑的许多部分对此也太过专业化了。同样,当公司变得足够富有时,它会雇用更多员工来展开许多新活动。而人们却没有实际方法来扩展自己的个体大脑。事实上恰恰相反:每当你努力处理多任务时,你的每一个子过程都可能遇到新障碍。也许我们应该将其作为一个总的原则来加以说明。

并行悖论:如果你将一份工作分成好几部分,并努力一次处理所有部分,那么从通道缺乏到其所需的资源,每一个过程中都可能会丧失某些竞争性。

流行观点认为,大脑的能量和速度来自它同时处理很多事情的能力。诚然,我们的一些感觉系统、运动系统和其他系统能够同时处理很多事情,这是显而易见的。然而,更明显的似乎是,我们在处理更棘手的问题时,会逐渐需要将这些问题分成部分并关注其顺序,这意味着我们较高的反思性思维往往更喜欢连续性操作。这也部分导致我们具有(或一直拥有)“意识流”的感觉。

相反,当公司将工作细分为各部分时,这些部分通常会被派发给下属,使他们能够同时工作。然而,这也导致了各种开销的产生:

品尼高悖论(The Pinnacle Paradox):随着一个组织变得日益复杂,组织的CEO 就会越来越难以理解它,这就日益需要他信任更多的下属,让他们来进行决策。

当然,许多人类团体比公司划分的层次更少,且在决策和解决争论的过程中也更能合作,更易达成共识和妥协。这样的协商可能比专政或“少数服从多数原则”更加受用。(事实上,尽管参与者做的许多改变都因此被取消了,但少数服从多数的原则仍给每个参与者一种虚假的“发挥作用的”感觉。)这也提出了我们人类的“子人格”能够在多大程度上学会合作,从而完成更大型的工作的问题。

节选自《情感机器》

作者:马文·明斯基

译者:王文革,程玉婷,李小刚

湛庐文化出品,浙江人民出版社出版

原文发布于微信公众号 - 大数据文摘(BigDataDigest)

原文发表时间:2016-01-24

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏大数据文摘

实例解剖一个牛 B 的融资 PPT

45770
来自专栏CDA数据分析师

这16个数据可视化案例,惊艳了全球数据行业

本文转自网络,如涉侵权请及时联系我们 数据可视化可以帮你更容易的解释趋势和统计数据。 数据是非常强大的。当然,如果你能真正理解它想告诉你的内容,那它的强大之处就...

35960
来自专栏新智元

【315 AI技术追踪】人脸识别一夜躺枪?支付宝、商汤、云从等回应

【新智元导读】 2017年的“315”落下帷幕,人脸识别技术公司纷纷躺枪。16日一大早,大家纷纷发表声明,表示自家的人脸识别技术还是相当安全的。本文整理了各家的...

57960
来自专栏PPV课数据科学社区

有哪些惊艳全球数据行业的16个数据可视化例子?

数据是非常强大的。当然,如果你能真正理解它想告诉你的内容,那它的强大之处就更能体现出来了。   通过观察数字和统计数据的转换以获得清晰的结论并不是一件容易的事。...

29760
来自专栏腾讯社交用户体验设计

QQ默认表情优化背后的故事 - 腾讯ISUX

20850
来自专栏CSDN技术头条

谷歌Principal Scientist谈AI:知识表示为何重要

如今人工智能(AI)的焦点与90年代时期时有很大的区别。20年前,人工智能关注的重点在于基于逻辑的AI,通常属于知识表示,即KR(Knowledge Repre...

21270
来自专栏钱塘大数据

惊艳全球数据行业的16个数据可视化例子

数据是非常强大的。当然,如果你能真正理解它想告诉你的内容,那它的强大之处就更能体现出来了。 通过观察数字和统计数据的转换以获得清晰的结论并不是一件容易的事。必须...

38470
来自专栏AI科技评论

开发丨数据整理太繁琐?MIT 发布能化零为整的分析系统

2016年美国CrowdFlower公司从业内80位数据科学家那里得到的调查结果显示,他们平均花费在数据收集和整理上的时间占到整个数据分析过程的80%,而只有余...

35280
来自专栏灯塔大数据

惊艳全球数据行业的16个数据可视化例子

数据是非常强大的。当然,如果你能真正理解它想告诉你的内容,那它的强大之处就更能体现出来了。 通过观察数字和统计数据的转换以获得清晰的结论并不是一件容易的事。必须...

39730
来自专栏量子位

Uber开源深度概率编程语言Pyro,AI实验室蛰伏一年首现身

安妮 编译整理 量子位 出品 | 公众号 QbitAI 昨天,Uber AI实验室与斯坦福研究团队共同开源了概率编程语言Pyro。Pyro是一个深度概率建模工具...

39650

扫码关注云+社区

领取腾讯云代金券