类比是人类最省力的推理方式。看到一个新问题,找一个结构相似的旧问题,把解法搬过来。这套动作能不能被训练进模型,答案是可以,但训练出来的东西和人的类比不太一样。
人的类比在做什么?
做结构映射。把源问题的关系网抽出来,套到目标问题上。水面波纹和声波传播,共享的是同心扩散这个关系,不是水或空气。
关键是抽关系,不是抽表面。人能做到,是因为有抽象层级。
模型学到的类比是什么?
多数是表面相似。词面接近、语境接近,就被判为相似。这导致它在同领域内很强,跨领域就弱。
要它跨领域,得给它结构化的中间表示,不能只喂文本对。
训练能让它跨领域吗?
能,条件是训练数据里有跨领域配对。比如给大量「A 像 B」的标注,且标注的依据是关系而不是外观。
这类数据稀缺,因为标注成本高。人工标注一个跨领域类比,要先想清楚共享的是哪条关系,比标一张图贵得多。
类比错了会怎样?
会产生看起来很聪明的错误。模型把两个领域的相似性放大,忽略关键差异,给出的方案在源领域成立,在目标领域崩。
这类错误最难查,因为它逻辑通顺,只是前提错。
怎么提高类比的可靠性?
三步。第一,要求它显式说出共享的关系,不许只说像。第二,要求它列出至少两条不相似的地方。第三,要求它给出可验证的预测:如果类比成立,目标领域应该出现什么现象。
第三步最硬。能被验证的类比,才有资格当推理;不能被验证的,只是修辞。
这对内容生产有什么用?
用处很大。好的选题往往来自跨领域类比:把制造业的良率管理搬到内容生产,把客服的工单分级搬到需求管理。
这类内容有稀缺性,因为大多数人只在同领域内找参照。
训练之外还需要什么?
需要一个库。类比不是每次现算,是从一个沉淀好的案例库里检索。库里存的不是结论,是结构:源问题的关系、目标问题的关系、映射的桥、已知的失败点。
库越厚,类比越快越准。这也是知识管理真正的价值:不是存文档,是存结构。
会做类比的组织,学得更快。这不是天赋,是资产。
同簇还有哪几篇值得一起看?
想就这个话题接着到论坛聊吗?
前往 ziyuanagi.com 论坛 参与讨论