「幾乎」情境與虛擬語氣#

讀完《Contrafactus》後，作者的一位朋友說：「我叔叔差點當上美國總統！」「真的？」「是啊，他是 PT 108 號的指揮官。」（甘迺迪是 PT 109 號。）

在日常思考中，我們不斷製造情境的心智變體——讓某些特徵保持不變、某些「滑動」。

為什麼某些反事實「比較不反事實」？

任何沒發生的事都沒發生——但「差點發生」存在於心智，不在外部事實中。

開車經過蜂群——你立刻想：
- 「還好車窗沒開！」/ 「可惜車窗沒關！」
- 「還好不是騎自行車！」
- 「要是早五秒鐘就糟了。」
- 「要是那是頭鹿就慘了。」
- 「可惜那些蜜蜂不是美鈔！」（更荒唐的）

什麼能自然滑動、什麼不能？這正是 AI 的核心問題之一。

George Steiner 在《After Babel》中：

假設、虛擬、條件、反事實——很可能是人類言語的生成核心。我們需要一個詞來指稱語言**「非如此」的力量**——或許「alternity（他性）」可以。

沒有這種「跳出當下、想像可能性」的能力——人類大概無法存活。

穩定性的層次#

某事件特徵的「可滑動性」依賴於它所處的巢狀脈絡層級。借用數學家的術語：

常數（constant）：全域固定（如三維空間性，幾乎不能滑動）
參數（parameter）：暫時固定（如足球賽的天氣、對手隊伍）
變數（variable）：心智上「鬆」的部分（如該球是否出界）

各層次有自己的「變動性階序」。

框架與巢狀脈絡#

Marvin Minsky 推廣的「框架（frame）」：脈絡的計算化身。

心智中對情境的表徵涉及互相巢狀的框架——可以把它想像為「五斗櫃裡的五斗櫃」：每個框架槽位可塞入另一個框架（先把它變形、壓縮）。

把「人」這個框架塞入「足球賽」框架的槽位 → 「人」就成了扭曲的概念（橡膠衣球員）。

每個框架附帶預設選項（default options）：

聽到「想像河岸」→ 自動填入：
- 河流、樹木、河水流動方向、附近的橋、可能有人或船
若我補上「在乾旱中」，預設「河水流動」就被覆寫

框架還包含適用界限與切換到其他框架的啟發式。

框架可被巢狀、可被縮放：像有國家全圖、各州地圖、街區地圖的道路地圖集，視需要切換「鏡頭」放大。

Bongard 問題#

俄羅斯科學家 M. Bongard 在《Pattern Recognition》收錄了 100 道視覺模式辨識謎題，每題：

• 左 6 格（Class I）vs. 右 6 格（Class II）
• 問題：兩類有何差別？

這些題目是測試人類或機器（或外星智能）的模式辨識能力的理想試金石。

解題程式的層次#

• 預處理：辨識邊、線、曲線、黑白、大小、方向 → 從「鮮明特徵詞庫」抽出迷你詞庫
• 第二輪預處理：辨識三角形、圓形、方形、凸出、凹陷、頂點、夾角……
• 在這之上，意識層次開始：產生對每格圖的描述

描述、模板與 Sam#

• 描述（description）：對一格圖的文字結構化敘述
• 模板（template）：所有 12 格圖共用的描述格式（例如「大封閉曲線、內部小 o、外部小 o」）
• Sam：「相同性偵測器（sameness detector）」——在不同描述中發現重複出現的元素，觸發模板重組

範例（BP 49）：
第一版模板：
  大封閉曲線：____
  小 o：____

「封閉曲線」激發概念網路中的「內部」、「外部」
↓ 模板重組
  大封閉曲線：____
  內部的小 o：____
  外部的小 o：____

填入後 Sam 發現每格都「三個 o」
↓ 模板重組
  大封閉曲線：____
  三個 o 在內：____
  三個 o 在外：____

概念網路#

「概念網路（concept network）」連結所有名詞、形容詞、關係詞：

high ↔ low（opposite）
up ↔ down（opposite）
high—up（similar）
low—down（similar）
right—left（opposite）
"opposite" 與 "similar" 自身是 opposite

square / triangle → polygon → closed curve
closed curve → interior / exterior（opposite）

網路中節點與連結都可被談論，沒有絕對的「更高層」。連結既是宣告性知識，也透過「鄰近性」充當程序性指引——告訴主程式如何發展對圖形的理解。

滑動（Slippage）#

早期錯誤想法可能含正確答案的種子。比如把 Class I 的特徵誤判為「尖」，但「尖」在網路中靠近「銳角」——這就是真正的區別。

概念之間能「滑動」是 AI 解 Bongard 題的關鍵能力。

當輸入「圓有三個矩形凹陷」時，「圓」不是真正的圓、「矩形」也不是真正的矩形——「with」這個詞充當了 disclaimer，提示讀者：這是一個變形概念。

後設描述與「描述的描述」#

對某些 Bongard 題（如 BP 91），每格描述差異太大，根本建不出共同模板——這本身就是線索：模式存在於更抽象的層次。

描述的描述（meta-description）模板：
  用了哪些概念：____
  重複出現的概念：____
  槽位名稱：____
  使用了哪些過濾器：____

例如 BP 91 的每格描述中都包含「3 份相同子描述」——Sam 在後設層次注意到這一點，於是「三」與「四」就成為兩類的特徵。

聚焦與過濾#

聚焦（focusing）：把注意力放在圖中某一部分，無視其餘
                  ≈ 對名詞（物件）著手
過濾（filtering）：只考慮某一特定面向，刻意忽略其他
                  ≈ 對形容詞（概念）著手

兩者互補。找最簡單的一格（含最少預處理特徵）作起點，比對兩類最簡格——是有效啟發式。

Bongard 世界裡的「科學」#

Bongard 題目構成一個小型「科學世界」：

• 不斷尋找模式 → 模板創建、撤銷、重建
• 槽位在不同層次間移動
• 過濾、聚焦、滑動……

不像 Kuhn 把科學區分為「常規」與「革命」，Bongard 解題顯示：範式轉換（paradigm shift）在所有層次上時刻發生——只是規模有別。

INT 與 Gplot 的遞迴跳躍正提供了一個幾何模型——每一層都有結構性的跳躍，越底層跳躍越小。

訊息傳遞語言與符號#

Carl Hewitt 的「actor 形式論」（類似 Alan Kay 的 Smalltalk）：

• 程式 = 一群可彼此傳遞任意複雜訊息的 actor
• 每個 actor 有自己的訊息詮釋器
• 同一訊息經由不同 actor 可有不同意義

frame + actor = symbol（符號）

這是實現本書反覆提到的「主動符號（active symbols）」的可能路徑。但即便最佳的 frame-actor 合成，仍遠不及人類心智實際擁有的符號能力。

訊息傳遞的多種策略#

• 每個訊息直送目標符號（每符號有地址）
• 訊息丟到中央收件處等待被符號取走（像細胞質中的 mRNA 等待 ribosome）
• 或兩者並存，並依緊急程度分等級

郵政系統與電話系統提供豐富的設計靈感。

酶與 AI#

細胞中的酶就像 actor——其活性位點是「過濾器」，只辨識特定基質（訊息）。酶因其三級結構而「被程式化」，執行特定操作後釋放分子。

「Demon」程式#

AI 中的「惡魔（demon）」程式：靜待觸發，一旦匹配的訊息到來便突然啟動，像捕蠅草。許多不同「物種」的可觸發子程式並列共存。

更深層的類比：

細胞中複雜分子是一步步累積建構，新結構本身常是新的酶，又參與建造下一批酶——形成酶串級（enzyme cascade）。

AI 中希望有類似機制：反覆練習能把高層次學習「燒入」更低層的程式碼，創造高效自動化的子程式。

例：Gerald Sussman 的 HACKER 程式便以類似酶串級的方式合成與除錯小子程序。

創造力的根源#

本章末段討論「框架的多層次架構」、「意象與類比」如何成為創造力的素材：

• 純演繹推理可被「壓平」為單層、可被剝離出來程式化
• 但意象、類比、反事實思維本質上需要多層次的不透明基底
• 創造力很可能正是從這些底層湧現的——這也是 AI 仍最難複製的部分

把熟悉的 BACH-Escher-Gödel 主題帶回：所有這些都涉及「糾纏層級」——在符號與規則之間、在系統與其後設層之間的回頭作用。下一章（最終章）將把這一切收束。