--- tags: - 認知科學 - 相關性 - 約翰・麥卡錫 - 弗雷德里克・海耶斯 - 大型語言模型 --- ## 框架問題 🖼️⏱️ {#sec-frame-problem} `框架問題`（Frame Problem）是人工智慧與認知科學的核心挑戰，它探討智能生物或系統在面對世界變化時，如何區分「會改變的相關事物」與「維持不變的不相關事物」。無論是傳統**符號邏輯**系統還是當代的**大型語言模型**應用，都必須有效解決這個框架問題，否則智能體將無法應對現實世界的複雜性與不確定性： > 🖼️⏱️ 當外在世界（或我們對它的理解）改變時，什麼得保持穩定？ ## ㉄ 當下，啥才重要？ 「以不變應萬變」在中文語義及哲思指的是一種動態能力，用恆常不變的基礎（框架），去應對萬千變化，相當於問： > 「_當下，啥才重要？_」　 這個問題的本質是 **如何有效地「框架」現實**，以處理 **「相關性」** 這個關鍵概念。簡言之，如何保持一貫的以不變來應萬變。 **框架問題**可以粗分為經典與現代兩種觀點，前者點出形式邏輯的技術瓶頸，後者則捕捉智能系統或智能生體面對的認知與情境挑戰，利用有限認知資源面對無限可能。 ### 🏛️ 經典觀點：用符號邏輯定義「不變」{#sec-relevance-classic} 古典觀點起源於 1969 年，由約翰・麥卡錫（John McCarthy）與弗雷德里克・海耶斯（Frederic Hayes）提出，旨在揭示為什麼讓機器人對一個複雜世界的變化進行推理如此困難。他們指出，最直接的邏輯方法（使用框架公理）會導致一個在計算上無法處理的難題——「公理爆炸」。 具體用形式邏輯表達世界動態變化時，他們發現，要描述一個行動（如「開燈」）所導致的變化，不僅需要**行動公理**（Action Axioms）來陳述燈會亮，還需要無數條**框架公理**（Frame Axioms）來證明所有其他事物（如房間裡書的位置）都保持不變。這導致了「公理爆炸」的問題，凸顯出單純依賴靜態邏輯來定義世界動態是計算上不可行的。換句話說，機器無法「想太多」。 框架問題經典觀點因此展示了**[符號式人工智慧]()**的計算實現難點，也引導出一些應對的方法，如使用 **環界化**（Circumscription）與 **預設邏輯** （Default Logic）。這些方法在**特定任務或領域**內透過規則和假設進行限縮，有效地迴避了這個問題。然而，這也意謂著以下： 1. **限制範圍**：問題範圍限縮到已知且有限的世界模型。例如，一個已知房間，或一套簡單的機器人任務。 2. **明確定義例外**：為避免「公理爆炸」的困境，若不試圖證明所有事物都保持不變，則需明確定義會改變的例外情況。 3. **封閉世界假設**：假設模型中未被明確陳述的資訊都是假的。 簡言之，框架問題經典觀點表明，在某些「狹窄」的 AI 領域中，框架問題是可管控且可被克服的。有效地用符號邏輯定義「不變」及計算例外，系統能框架現實並做出適切反應。 ### 🏙️ 現代觀點：用情境篩選「相關性」{#sec-relevance-modern} 現代觀點源於**認知科學**家對框架問題再詮釋，如丹尼爾・丹內特（Daniel Dennett）與傑瑞・福多（Jerry Fodor），把核心挑戰轉換為深層的「知識論問題」：從海量資訊中，一個智慧系統如何能即時有效地篩選，來完成當前目標而不陷入無止盡的運算迴圈？這問題也引導出，我們如何解釋人類具備的資訊篩選能力：僅憑與當前情境相關的事物做出決策，而無需明確地排除不相關的事物？ 在現代人工智慧中，斯圖爾特・羅素（Stuart Russell）與彼得・諾維格（Peter Norvig）等學者也將此挑戰納入考量，他們的著作《人工智慧：現代方法》（1995）推廣**理性代理人**（rational agent）的設計理念，並將框架問題的解決方案從符號邏輯轉向基於**機率與學習**的方法。該教科書介紹如**機率推理**與**貝氏網路**相關方法，並運用最陡下降法（Steepest Descent Method）等最佳化演算法來訓練**強化學習**模型。這些方法讓系統能夠在不確定的世界中，更有效地判斷（或預判） **「相關性」** 並做出決策，而不必事先列舉所有不變的事實。 在大數據與人工智能成為日常科技賣點的2020年代，肯尼斯・庫基爾（Kenneth Cukier）等人在其著作《Framers》（2021）中，將「框架」概念推向了更廣闊的社會與科技層面。他們主張，在資訊過載的時代，**框架能力**是一種人類獨有的心智優勢，即**選擇與建構**資訊來理解世界，並具備**選擇、改變及創造新框架**的能力。他們認定當代人工智慧雖能處理海量數據、執行判斷，卻難以自主地創造「框架」。 簡言之，框架問題現代觀點表明，不管是機器學習或人類本身，解決框架問題的有具**即時篩選**與**創造適應**的特性。此觀點透過與傳統符號邏輯不同的角度，來**繞過或有效應付**這種**符號式人工智慧**的經典框架問題。 --- ## 📌 AI 實踐啟示 **框架問題**是**符號式人工智慧**的核心挑戰，尤其在需要將世界表徵為符號與邏輯規則時。它與**符碼紮根問題**緊密相關：若符號無法有效紮根於現實，其框架便可能無法準確捕捉相關性，進而導致推理錯誤。現代人工智慧不再試圖用窮舉法來解決框架問題，而是透過基於機率的機器學習方法，來應對不確定性並有效管理它。既使有進展，選擇、改變及創造新框架的能力方面，人類仍有優勢。 ### 📦 大型語言模型為例 大型語言模型（LLMs）的核心運作原理并未根本上解決「經典」框架問題，因為其算力核心並不是「證明」不變真理，而是根據訓練數據「預測」在當前情境下什麼是相關的資訊。 大型語言模型是否真能展現框架問題可解？ ### 🥇 奧林匹亞數學競賽 2025 年，儘管新聞頭條聲稱先進的大型語言模型（LLMs）在解決奧林匹亞數學競賽問題上已超越人類，但一項[評估研究](https://arxiv.org/abs/2503.21934)仍顯示，當前的數學導向 LLMs 在嚴格的數學推理任務，特別是推理與證明生成的能力上仍顯不足。 看似矛盾，實則揭示了互補的真相：先進且專注在數學深度思考的大型語言模型能在特定的數學考試情境下表現得像個頂尖學生，但它還不是一個可靠的定理證明生成數學家，特別是在需要多步驟推理和形式嚴謹性情境下。這也間接展示，在面對需要形式嚴謹性與多層次抽象的任務時，單純依賴統計相關性來判斷「相關性」的能力，仍有其本質上的缺陷。 這展示了**框架問題**的經典觀點與現代觀點同時有用，讓我們得以更清晰地理解人工智慧在處理 **「相關性」** 時的運作方式。古典觀點告訴我們，在數學證明這種 **「限制範圍」** 的封閉世界中，只要規則被明確定義，框架問題就能**被有效應付或繞過**。在這樣的環境下，LLMs 能夠利用其強大的模式匹配能力，在預設的框架內高效地進行推導。 然而，現代觀點則揭示了 LLMs 的本質性局限。在開放、不確定的真實世界中，「相關性」不再是邏輯公理所能定義的。大型語言模型所展現的看似卓越能力，是已經引導並提示**脈絡**後的**即時篩選**與**創造適應**的特性。它們憑藉統計關聯及脈絡來動態切換框，但這種能力在需要**形式嚴謹**的證明或跳脫統計模式的**深度推理**時便可能失效，生成貌似合理但實則錯誤的內容。 因此，LLMs 的成功並非解決框架問題，而是以現代觀點的方式，在特定領域用**脈絡**及相關**資識庫**（大量高階數學問題和解法）先進行統計算力進行微調學習的方式，巧妙地**應付**了它。這同時也提醒，**框架問題**仍是核心讓人工智慧應用有效有用的核心技術及哲思問題。 ## 👉接下來 在理解 意義的「**使用**」的 **框架問題**，與 意義的「**來源**」的 **符碼紮根問題**之後， 接下來： * **[完形心理學](01-05-Gestalt_Psychology.qmd)** （Gestalt Psychology）介紹人類生存本能擁有的認知捷思的經驗法則，是有什麼樣的**即時篩選**與**創造適應**的特性，同時也有其偏差與偏見。 * **[AI 對齊問題](01-06-Alignment_Control_Problem.qmd)**（AI Alignment Problem），這個問題探問 AI 系統的使用目標是否與人類的價值觀一致。 ## 🪸請參閱 - **[第參篇：符號流 AI](03----symbolic_ai.qmd) 回應「關聯性爆炸」的工程手法（啟發式、層級化規則、任務約束）與其侷限。 *** ## ✎ 編輯筆記 - [x] 逐句事實查核 - [x] 邏輯流程 - [ ] 內部連結－所有相關條目 - [ ] 外部連結－所有相關條目