认知自治的四种能力：归纳、泛化、判断与自醒

认知自治要求人在利用外部知识与智能系统的同时，保持对自身认识与行动的主导。然而，仅仅要求学生独立思考、理性判断，还不足以形成明确的教育方案。教师需要知道应当组织怎样的学习，学生需要知道自己应当练习什么，课程也需要有可以观察和评价的培养结果。

红皮书为此提出归纳、泛化、判断与自醒四能力模型，将认知自治的教育目标落实为相互联系的能力要求。

一、为什么用四种能力理解认知自治

人的认知活动可以从几个相互联系的方面来理解：归纳、泛化、判断与自醒。

首先，人需要从接触到的材料与经验中形成认识。看到若干现象，发现其中的关系，建立类别，提出解释，这是归纳所承担的任务。

形成的认识还需要用于新的对象和问题。过去有效的方法，在今天是否仍然适用；从某些样本中发现的规律，能否推广到其他对象；已经学会的知识，能否帮助自己解决陌生的问题，这些都涉及泛化。

当认识进入实际生活，人还需要作出选择。相信哪一种解释，采用哪一种方案，使用什么工具，承担怎样的风险，都需要判断。

上述过程随时可能发生偏差。人需要觉察自己的理解是否充分、信心是否合理、判断是否受到无关因素的影响，并根据新的证据进行调整。这是自醒所承担的任务。

四种能力由此分别关注认识的形成、运用、选择与校正。它们在真实认知活动中相互配合，使人能够持续管理自己的认识过程。

需要强调的是，这里讨论的是人的能力，与人工智能无关。不论人工智能存在与否，这些都是人的基础能力，都是需要培养的。只不过人工智能的快速发展，使得认知环境更为复杂，这些能力的重要性越发凸显，成为认知自治的基础。

人工智能通识课能够培养这四种能力，关键在于人工智能是模拟人类智能行为的科学，学习、泛化和判断正是人工智能模型在这一过程中对人类这些能力的计算表达，从而为理解人的认知提供了参照。

在这样的观察、对照、分析中，学习者不仅了解了自身的认知特性，也理解了人工智能的基本原理，从而形成了对所处环境和自身认知状态的清醒定位，即“自醒”。

这是人工智能通识课得以培养认知自治能力的基础逻辑。

需要明确的是，四能力模型是一种面向课程设计和学习评价的教育模型。记忆、注意、演绎推理和创造等能力，同样参与认知活动。红皮书选择这四种能力，是为了明确人工智能通识教育的主要训练内容，并不意味着人的认知在心理学上只能划分为四个部分。

二、归纳：从有限经验中形成有证据的理解

人很少能够掌握全部事实以后再形成认识。我们总是在有限的时间里，依据有限的材料，逐步理解周围的世界。

学生比较几次实验的结果，发现变量之间的关系；阅读若干观点不同的文章，形成对一个问题的初步解释；观察几种动物的共同特征，建立分类。这些过程都包含归纳。

归纳使人能够从具体材料中形成超出材料本身的理解。它既是知识学习的重要方式，也是发现问题、提出新想法的重要基础。面对大量零散信息，只有能够识别关系、形成解释，材料才可能转化为自己的认识。

但归纳也天然带有不确定性。几个成功案例，未必能够代表一种方法的普遍效果；反复出现的现象，未必具有稳定的因果关系；自己经常接触到的人和事，也未必能够代表更广泛的群体。

在智能环境中，这个问题更加复杂。平台可以根据个人偏好反复推荐相近内容，使某种现象显得格外普遍；多个AI回答也可能依赖相似的资料，使重复出现的说法看起来像得到了多方面证实。信息出现的次数，与独立证据的数量并不相同。

因此，归纳能力包含两个相互支持的方面：积极形成理解，以及检查理解的依据。

一个具有归纳能力的人，能够从材料中发现模式，也能够说明自己看到了哪些材料、遗漏了哪些情况，现有证据能够支持多强的结论，以及还需要怎样的检验。他可以提出自己的解释，同时为反例和修正保留空间。

这也说明，归纳不能被简化为资料整理。把几篇文章压缩为一段摘要，可能只是重新组织已有表述。形成自己的理解，还需要比较不同材料之间的关系，识别分歧，提出解释，并说明解释为什么成立。

对于认知自治，归纳的意义在于使人参与并监控结论形成的过程。即使借助AI整理材料、发现线索和提出假设，学习者仍然能够检查结论从何而来，并决定自己有理由接受什么。

三、泛化：把所学用于新情境，同时掌握适用边界

归纳帮助人形成理解，泛化使这种理解能够用于新的问题。

一个学生掌握了某种数学方法，能够在题目形式变化以后继续运用；一个人理解了抽样偏差，能够用这一知识分析社会调查和网络投票；一个团队总结了项目经验，能够据此处理不同条件下的新任务。这些都体现了泛化能力。

泛化使学习具有持续价值。人不可能为未来遇到的每一个问题预先准备答案，需要从已经掌握的知识中提炼关系和方法，在新情境中发现可以借鉴的结构，再作出必要调整。

但知识的运用始终受到条件约束。

一种学习方法在某个班级有效，可能依赖学生的基础、教师的组织和投入时间；一个模型在测试中表现良好，可能依赖特定的输入和任务；一种管理经验取得成功，也可能与当时的资源和制度有关。条件发生变化，原有结论的有效性就需要重新检验。

泛化能力因此同时包含运用知识与识别边界。前者使人能够积极解决新问题，后者使这种运用保持合理。

在具体过程中，学习者需要比较新旧情境：哪些条件相同，哪些条件发生了变化，哪些差异会影响结果。他还需要尝试应用，观察反馈，并据此调整原有方法。能够说明知识何时适用、怎样调整，同样是深入理解知识的表现。

归纳与泛化可以作一个简要区分：归纳关注理解怎样形成，泛化关注已有理解怎样进入新的情境。两者又经常交织在一起。新情境中的成功与失败，会反过来帮助人修正原来的认识。

对于认知自治，泛化使人能够有条件地采用外部建议。面对专家经验、成功案例或AI给出的方案，学习者能够结合自己的处境判断其适用性，既不机械照搬，也不因为存在差异就放弃借鉴。

这种能力还需要有意识地培养。学生知道模型可能因数据变化而失效，并不意味着他会自然地运用这一认识分析现实生活。课程需要安排不同情境之间的比较，帮助学生把在AI学习中形成的认识方法用于更广泛的问题。

四、判断：在不确定条件下作出有理由的选择

人对一个问题形成理解以后，还需要决定怎样行动。理解提供依据，判断则将依据、目标和后果联系起来，形成具体选择。

判断包含事实辨别，但范围远不止于此。信息是否可靠，工具是否适合，目标是否合理，风险能否承受，不同人的利益如何兼顾，以及决定由谁负责，都属于判断需要处理的问题。

这些问题经常无法通过单一指标解决。

例如，一份AI摘要可能足以帮助读者了解文章的大意，但当其中的内容将被写入公开报告时，就需要进一步核对原文、数据和引用。相同的输出，在不同用途下需要接受不同程度的审查，因为使用目标和错误后果发生了变化。

判断也经常发生在信息不完整的条件下。人无法总等到证据完全齐备以后再作出决定，需要根据现有依据和任务要求，选择接受、修改、暂缓或者拒绝某个方案。判断能力体现为能够说明这些选择的理由，并知道什么新信息可能使自己改变决定。

人工智能扩大了人可以调用的分析能力，也增加了选择的复杂性。一个任务可以由人独立完成，可以交给AI，也可以采用多种协作方式。学习者需要对建议、结论、选择给出信任度，并结合实际场景做出决定。

判断能力本身有积极的创造作用。人可以借助AI寻找更多材料、比较替代解释、生成多种方案，再依据目标和证据作出选择。保持判断主导，并不要求亲自完成每一个操作步骤。

对于认知自治，判断使人能够把外部能力组织进自己的认知过程，同时理解采用这些能力的理由和后果。

五、自醒：看见自己的认知状态，并及时调整

归纳、泛化和判断都可能发生偏差。而人在出现偏差时，往往并不知道自己已经偏离。

读懂一段流畅的解释，可能使人高估自己的理解；看到一个精确的分数，可能使人高估评价的可靠性；得到与自身立场一致的答案，也可能使人降低对证据的要求。

自醒所关注的，正是人能否觉察这些情况，并作出调整。

首先是觉察理解程度。一个人能够复述某个结论，仍可能无法解释结论的依据。自醒要求学习者发现自己的知识缺口，知道哪些部分已经理解，哪些部分还需要学习。

其次是觉察信任的变化。人的信心可能来自新证据，也可能来自表达方式、权威身份、群体意见或个人情绪。自醒使人能够检查自己的信任是否有充分依据，并在必要时提高或降低信心。

再次是觉察外部系统在认识中的作用。借助AI完成任务时，学习者需要清楚哪些材料由系统提供，哪些解释受到系统启发，哪些判断经过了自己的核验，以及哪些重要环节尚未得到充分理解。

这种觉察也应当包含对AI实际贡献的认识。系统可能帮助人发现遗漏、摆脱原有思路、接触不同观点。能够识别这些增益，并据此改善学习方式，同样属于自醒。

最后，觉察需要落实为调整。发现证据不足以后补充材料，发现方法不适用以后改变方案，发现自己受到先入之见影响以后重新比较解释，才使自醒进入实际的认知管理。

红皮书使用“自醒”，强调的是一种主动、及时的觉察与校正。它包含事后反思，也发生在认识与行动进行的当下。它所针对的主要是理解、信任和判断的状态，并非简单的自我批评。

自醒贯穿其他三种能力。归纳时检查材料是否充分，泛化时检查条件是否匹配，判断时检查理由是否可靠，都需要自醒的参与。认知自治由此获得持续修正的可能。

六、四种能力怎样共同构成认知自治

为了说明四种能力的关系，可以设想一个具体任务：学校准备使用AI作文评分系统，需要判断它适合承担什么工作。

首先，教师与学生依据明确的评价标准，比较一组作文的AI系统评分、反馈意见和人工评阅结果。他们可能发现，AI系统对某些语言问题的识别较为稳定，对另一些表达特点则处理不足。这些观察还需要通过更多材料进行检验。这一过程主要体现归纳。

接下来，将系统用于不同年级、不同文体和不同写作风格的作文，观察原有理解能否继续成立。如果系统在新的条件下表现变化，就需要分析变化的原因，重新界定适用范围。这一过程主要体现泛化。

在此基础上，学校需要决定怎样使用系统。用于日常练习反馈，与用于正式成绩评定，会导致不同的后果和要求。是否需要人工复核，是否让学生了解评价依据，出现争议时如何处理，都需要明确安排。这一过程主要体现判断。

自醒则贯穿整个任务。教师和学生需要留意自己的评价是否被AI分数牵引，是否因为系统提供了详细解释就过度相信其结论，也需要认识到系统是否帮助自己发现了原来忽视的问题。

四种能力在这一任务中的作用，可以概括如下。

这些活动应反复练习。新的作文、新的使用条件和实际反馈，都可能促使参与者重新形成解释、检验边界并调整方案。自醒也可以在任何环节介入。

因此，四能力具有相互衔接的关系，但并不是一套只能按固定顺序执行的程序。它们共同构成有反馈的认知过程，使人在不断变化的条件下，持续掌握自己的认识与行动。

七、人工智能通识课四能力训练的特殊性

值得说明的是，数学、语文、科学、历史等学科对这些能力都有所训练，而且一些训练已经相当系统。

然而，人工智能通识课的训练更为系统、切合。

首先，这四种能力的训练要面向人工智能所导致的认知环境变化。AI通识课提供的专门知识，使已有的认知能力能够有效作用于人工智能参与的认识过程。这部分知识不能单靠其他学科的一般思维训练来替代。

更为关键的是，AI提供了一种直接分析智能过程的原型化训练方式。人工智能用模型来模拟人的智能行为，在归纳、泛化、推理上有共通性，为分析、理解、训练人的相关能力提供了参照。

结语

归纳、泛化、判断与自醒，使认知自治获得了可以理解和训练的能力结构。归纳支持认识的形成，泛化支持认识的运用，判断支持有理由的选择，自醒支持持续的觉察与校正。

这些能力与人工智能无关，是人的基础能力，只不过智能时代的到来让这些能力更为重要。

人工智能通识课以其独特的方式提供了对这些能力的训练方法：将归纳、泛化、判断这些能力镜像为模型的能力，使学习者在理解AI的同时理解自身，从而实现“自醒”与“自治”。