像人类一样思考：人工智能能否发展出类比推理？

当面对新事物时，人类会本能地寻找比较。一个学习原子的孩子可能会听到电子像“行星围绕太阳”一样围绕原子核旋转。一个创业者可能会将他们的初创公司描述为“宠物美容的Uber”。一位科学家可能会告诉非专业人士，大脑处理信息的方式“像计算机一样”。

这种精神飞跃——看到一件事物如何在其深层结构中类似于另一件事物——被称为类比推理。它可能是区分人类智能和人工智能（在其当前形式）的关键因素。如果我们要开发出真正的通用人工智能——人工智能的圣杯，它迄今为止一直难以实现——我们必须弄清楚机器是否能够学习类比思考。赌注不可能更高。如果答案是“不”，那么即使是最复杂的AI系统也将永远只不过是华丽的计算器。它们将无法解决需要超过数据重新排列的训练问题。

理解的架构

类比推理在结构层面上起作用，而不是表面层面。例如，什么使心脏和水泵相似？当然不是它们的物理外观。是它们执行相同的功能，即在系统中循环流体。正是这种将一种背景下的关系映射到另一种背景下的能力，使人类的学习、创造力和问题解决能力如此独特。

现实世界中的例子数不胜数。拿奥古斯特·凯库勒（August Kekulé）这个例子，他是一位杰出的德国化学家，他通过一个梦境得到了关于苯的结构的提示，在梦中他看到了一条蛇咬住了自己的尾巴。今天，程序员在编写代码时应用了组织厨房的经验，教师通过比较电流和水流来解释电流。

然而，当前的AI系统却发现这种常见的认知技能非常困难。当被问及时，现代的大型语言模型（LLM）很乐意解释为什么“时间就是金钱”，或者完成语言推理谜题。但是，越来越多的证据表明，它们经常从事复杂的模式匹配，而不是真正的结构映射。当研究人员向这些模型提出新颖的类比问题时，偏离了它们的训练数据，性能往往会急剧下降。这是因为LLM在复制之前看到的类比方面表现出色，但在被要求锻造新联系时却会失败。

没有类比推理，就没有AGI

显然，类比推理是AGI的必要条件。没有它，AI系统将变得脆弱，无法将一个领域的知识适应到另一个领域来解决问题。例如，想象一个已经学会在加利福尼亚阳光灿烂的街道上行驶的自动驾驶汽车，但无法将这种学习经验推广到处理雪地条件。汽车的AI系统是一个昂贵的模式匹配器，而不是真正具有智能的系统。真正的智能需要认知灵活性，以便在表面特征不同的情况下识别驾驶在冰面上的情况与其他滑溜表面情况在结构上是相似的。

同样的原理也适用于自动驾驶以外的领域。类比思维也推动了科学、医学诊断、法律推理和创造性事业的进步。没有这种能力的AI系统就像一位学者，他已经记住了整个图书馆，但无法跨学科综合知识。令人印象深刻，当然，但仅仅是在狭隘的范围内。

构建类比思维

那么，什么条件和技术对于开发能够进行类比推理的AI系统是必要的？基于新兴研究和类比思维的基本性质，似乎有几种关键条件和技术是必要的。

结构丰富和多样的训练数据

第一个要求是让AI系统在超越表面层次文本模式的数据上进行训练。互联网是一个很好的起点，因为它拥有大量的科学论文、技术文档、创作作品和解释性内容。但并不是任何互联网数据都可以。所需的是结构多样性。换句话说，为了引导AI系统学习识别抽象模式，开发人员应该从训练的第一天开始向它们展示对比。它们的训练数据可能包括建筑蓝图、音乐乐谱、数学证明、诗歌、法律论证和烹饪配方。由于每个领域都体现了不同类型的关系结构，一个潜在的AGI系统将从这种练习中受益。

更重要的是，这些数据需要保留和突出结构关系，而不仅仅是统计相关性。 知识图、因果图和显式映射的概念之间的关系可以帮助AI系统学习“看到”结构，而不是机械地记忆关联。可以把它看作是教AI不仅要知道事物是什么，还要知道它们如何以原则性的方式相互关联。

超越训练集的测试

为了确保AI系统正在学习类比推理，而不仅仅是提高其模仿技能，我们需要工具来故意测试其将结构映射到以前从未遇到的情况的能力。这需要构建故意与训练数据不同的测试问题——研究人员称之为“反事实”任务。

例如，不要要求AI完成标准类比，如“小狗与狗的关系就像小猫与_____的关系”，我们可以向它提出使用虚构概念的问题，或者要求它在从未见过的领域之间映射关系。它能否认识到食谱中食材与法律论证中证据之间的关系，就像它从未遇到过这种特定的比较一样？这样的测试将揭示系统是否掌握了潜在的结构，还是只是回忆类似的例子。

衡量重要指标

对于AI开发人员来说，好消息是，有几十年的认知科学研究专门处理人类如何处理类比。他们可以利用这些研究来开发类比推理的强大基准。然而，这些基准必须超越简单地在类比测试中计数正确答案。真正需要的是能够捕捉AI系统是否能够识别哪些关系是相关的映射，同时忽略表面相似性并在其映射中保持一致性的指标。

这可能涉及评分系统，奖励识别高阶关系。例如，AI系统如果能够不仅认识到原子和太阳系都涉及轨道，还能理解支配这些轨道的因果关系，就会获得更高的评分。另一个需要评估的能力是AI系统是否能够自发地生成合适的类比来解释新概念，而不仅仅是完成预先结构化的类比问题。

通过提示进行支架

最近的研究表明，AI系统进行类比推理的能力在很大程度上取决于它们被要求这样做的方式。 类比提示——明确地引导模型通过结构映射的过程——可以比简单地提出问题更能引出更复杂的推理。这可能涉及首先要求系统识别源域中的关系，然后明确要求它将这些关系映射到目标域。

这种技术可以发挥双重作用：既可以提高当前AI系统的类比能力，也可以为未来的模型生成训练数据。通过记录成功的引导类比推理实例，可以创建示例来教导后续系统以更自然的方式进行这种过程。

混合架构

实现类似人类的类比推理可能需要超越纯粹的神经网络方法。将模式识别与符号推理相结合的混合系统——显式地表示和操作结构关系——可能会提供缺失的部分。虽然神经网络在学习隐式模式方面表现出色，但符号系统可以强制执行类比推理所需的结构一致性和逻辑映射。

混合架构仍处于初期阶段，但研究人员正在积极探索其潜力。一些研究人员认为，将神经网络与符号推理相结合可能会带来增强的类比能力。其他人则提倡混合模型，旨在解决AI模型倾向于肤浅地进行类比推理的趋势。

下一步是什么？

根据你问谁，类比推理要么已经出现，要么AI系统只是在其模仿方面变得更加复杂。不管哪种说法更接近真相，很明显，如果AGI的梦想要实现，就需要的不仅仅是更大的模型或更多的数据。还需要在我们结构化、训练和评估AI系统的方式上进行一些基本的创新。

随着AI的变革能力展开，类比推理代表了性能的关键基准和AI当前能力与真正的人类认知之间差距的令人清醒的提醒。当一个AI系统能够看到民主与公民的关系就像管弦乐队与音乐家的关系一样——认识到深层结构关系，而不是表面特征——并理解协调、代表和涌现和谐之间的关系时，它将跨越通往真正智能的关键门槛。