每日一书：《智能的结构》。“多元智能” 不应该是也绝不是教育的目标。教育目标必须反映人类自身的价值观，而这个价值观绝不可能简单地来自于科学理论。聪明与否， 主要不体现在具体任务上， 而是体现在大脑学习如何学习，决策和思考 - 或者说元认知和元学习能力上，这点要从元认知和元学习能力的本质 - 神经网络的层次谈起：相比机器，人脑擅长快速的跨任务学习和泛化推理， 或者说叫做卓越的元学习能力。我们说人类站立在这个迅速变化的危险世界面前，快速适应新任务的元学习能力事关生死。 这种能力是目前的深度学习人工智能所完全不具备的。 元学习概念解析： 机器学习围绕一个具体的任务展开， 然而生物体及其一生， 学习的永远不只是一个任务。 与之相对应的叫做元学习， 元学习旨在掌握一种学习的能力， 使得智能体可以掌握很多任务。 这种伟大的能力建立的基础是什么呢？深入大脑，我认为可以分为以下几方面认识元认知能力，同时它们也是聪明人和不聪明人的区别所在：1， 可以灵活的切换认知模式， 选择如何选择， 决策如何决策。3， 强大的抽象 / 表征能力 。抽象之后，概念，以及概念与概念之间的结构关系能够支撑具体任务的学习 4， 强大的层级组合能力，迅速将已有的技能组合成新技能。5， 因果 6， 意识这些基础，也是不同人的聪明程度区别的根基。　我们一个个从 AI 和神经网络的视角来看看：1. 切换认知模式的能力不同聪明的人往往更加理性，　理性的程度高低，实际体现了人切换认知模式的能力：人的元认知能力，被被称为一种能够根据所具有的计算资源来灵活选择认知系统的能力。 比如我们熟知的系统 1 和系统 2，一个负责直觉有关的决策，一个负责更加理性更加逻辑的决策。 这种选择的本质是根据现有的认知资源来计算进一步计算需要的成本是否可以 cover 收益来看是否切换认知模式。就好比当我们在危急时刻或者大脑已经十分疲惫，都倾向于用直觉思考，只有在认知有盈余的时候才会进入更深层的思考状态。这也可以让我们反思我们所经常犯的错误，也就是自己匆忙因为本能做的决定事后后悔。你会发现当你经常处于认知资源匮乏的状态，就会经常犯错误。 人的这种切换决策，学习等相关的认知模式的能力，是快速适应不同环境的一个基础。 我们可以如下的计算图表示这个计算过程，我们的大脑一边进行 C0，C1，C2.. 一个序列的计算， 用以更新我们的认知 B0, B1, B2， 另一方面，计算每个计算步骤的成本收益，当这个计算的成本大于收益，就停下来。 这就是所谓的有限理性，不要冥思苦想，对一个问题适可而止交给上帝。我们来一个一个看这些点。与人工神经网络相比，生物神经网络一个显著的特征是自发活动非常频繁。这些自发活动表明，人脑在没有外界输入的时候， 也在自发的演绎着自己的 “主旋律”。与其认为这些活动是一些无意义的发放， 更加多的生物实验基础指出的是， 这些活动反应了某种大脑的对世界或任务的” 先验假设”，犹如一些认知的模板。 心理学家认为人脑中大部分的意识或想法都在意识之下 ，我们是看不到的， 或许也有一定道理 ，本质上，这些想法就如同不同先验组成的假设空间， 最终能够胜出进入到我们的决策区间的仅仅是极少的一部分。不同的先验可能来自于进化，也可能来自于早期学习。 不同种族的人有着深层相通的语法结构，或者类似的谚语，都反应了这些潜在于大脑内部的原始先验，不禁让人想到荣格的集体无意识。 这一点也在被机器学习界所认知：Meta-learning of Sequential Strategies Ortega, Pedro A., et al. "Meta-learning of sequential strategies."arXiv preprint arXiv:1905.03030 (2019). 这篇文章从通用的序列建模的角度描述了不同的先验假设结合贝叶斯框架如何构成了序列学习的通用方法.。 首先，元学习的本质就是如何高效的从多个任务（环境）的混合数据里获取供不同任务使用的 inductive bias。所有的元学习方法，都可以看做是如何从数据中获取这种最具一般性的先验假设（模板）。常见的元学习方法 Mamal， 从不同任务的混合数据中学习一个恰当的初始参数，可以看作是学习一个离每个具体任务都不远的先验当然， 以人类日常任务的多样性， 和环境的复杂多变，这些先验模板一定不是一成不变，甚至有可能互相矛盾。 我们经常纠结，且时时处于矛盾之中，就是反应了这个事实。事实上，我们大脑处理不同的先验假设有两个基本的原则：聪明的人本质具有更强的对某个领域预测编码的能力，除了具有先天或早期学习到的某个领域的强大先验， 更有极强的在这些领域的快速学习能力，这些都具有大脑先天的结构性基础。聪明的人往往具有更高的抽象能力。我们还是来看神经网络。 抽象之后， 概念，以及概念与概念之间的结构关系能够支撑具体任务的学习 。 世界是复杂的，大脑的神经元再多， 表达能力都有限。 那么，如何用有限的神经资源表达无线的假设？ 抽象，就是必经之路。 经过一定量的抽象， 很多看似不同的事物就归结到一个东西上，所需要表达的假设就大大减少。 抽象可以看做分成两层， 一层是如何从具体感知中获得符号。符号对应某种不变性，比如一个人 A 的脸可以有不同的侧面， 不同的光影效果， 但是最终可以抽象成为一个符号 - 就是 A。或者一个地点在不同的时间角度看场景都不一样，但是你走的多了，就理解那是一个地点而已。 这是当下的人工神经网络，尤其是 CNN 非常擅长做的事情。 符号和概念息息相通， 某种程度能从感知信息里抽取符号，就是具有概念学习的能力。而另一层较少被提及的抽象就是对某种结构性知识的抽象，或者是说有了符号后，对符号之间的关系的抽象，结构的抽象。 比如说刚刚说的人脸， 如果有了不同人的脸，那么我们可能会把同一人种，性别放到一个区域，而不同人种，性别放在不同区域。 或者刚刚说的地点的抽象， 对于不同的地点， 我们可能会把近的能够直接到达的地点放在能够直接联通的区域， 远的不相通的地点放在较远区域。 仔细看你会发现对于人脸和地点， 我的描述是相似的，都是一种类似空间关系。 这种关系本身就是我说的另一类抽象， 对关系或者结构性知识的抽象， 在这个层次上，符号是什么本身已经不重要，重要的是符号和符号之间的关系。