人的深度学习

人的深度学习仍然不同于机器学习。在人工智能的快速发展下，深度学习算法通过允许机器处理和理解大量数据。机器学习中，深度学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。^[1]机器依靠大量数据和智能算法进行“学习”，这是一种信息加工为主的机械化学习，但机器学习的逻辑不同于人类深度学习的逻辑。

浅层学习与深度学习

早在1976年瑞典歌特堡大学的Marton和Sajlo就在论文On qualitative differences in learning outcome as a function of the learner's conception of the task提出，“深度学习”(Deep Learning，Deeper Learning)是一个知识的迁移过程，有助于学习者提高解决问题并做出决策的能力。

以阅读任务的信息加工方式作为对照试验，学习者处理信息存在不同水平呈现浅层和深层的差异。当学生使用浅层学习策略时，只能获得对问题的浅表回答，学习过程表现为机械的死记硬背。当学生使用深层学习策略时，则能关注到文章主题和主要观点。

由此在认知层面理解得深度学习就不是简单的信息加工过程，当学习者运用“深度”学习方式时，不仅能获得知识，而且清楚知道在真实世界和实际情况中如何运用这些知识，这样的知识会在学习者头脑中保持得更为持久。而死记硬背和简单记忆对个人的知识建构的作用只是浅表的、易忘的，这是浅层学习。^[2]

知识深度模型

依据完成知识学习任务所需的不同水平的认知深度，2002年诺曼·韦伯（Norman Webb）建立了知识的深度模型（depth of knowledge，DOK），包含四个由浅入深的层次，依次为回忆/复述—>概念/技能—>策略思维—>扩展思维。知识层次加深，学习深度也在逐步加深，策略思维和扩展思维被认为是深度学习层面的基本能力。^[3]

开展浅层学习时，学习者只需要调动观察、记忆、理解等低阶认知能力即可完成学习活动，但是当开展深度学习时，学习者则需要进一步调动分析、综合、评价、创造等高阶认知能力。同时，学习是个体认知和社会交互的有机统一，多数情况下学习者还需要与他人（甚至人工智能体）交流协作，并及时监控学习进程，反思调整学习策略方能达成学习目标。^[4]

深度学习结构

2010年美国研究院(American Institutes for Research)深度学习研究项目(Study of Deeper Learning:Opportunitiesand Outcomes，SDL）提出了深度学习的六维能力(掌握核心学科知识、批判性思维和复杂问题解决、团队协作、有效沟通、学会学习、学习毅力)。^[5]

美国国家研究委员会（National Research Council Panel，NRC）将深度学习能力分成三个维度：个体认知、人际协调和自我监管。^[6]

其中，SDL六维能力与三大领域的对应：第一，认知领域。掌握并应用核心知识内容，批判性思维与问题解决能力，创新导向。第二，人际领域。沟通技能，合作技能。第三，自我领域。理解如何学习，自我管理的毅力。

换言之，人的深度学习不只是信息加工与认知，还离不开特定的文化模式、社会规范和价值期望，其中包括学习情境从实验室研究到真实的学习情境转向，提供有意义学习并促进知识向真实生活情境转化。”^[7]

真正的创造力并不能还原为自由组合和联想，而在于能够提出新问题，或者改变旧问题，改变既有思路，重新建立规则和方法。能够提出新问题或者改变规则，就需要能够反思事物的“整体”或者“根基”的思维能力，或者说，需要有一种“世界观”或者改变给定的世界观……人工智能显然不具备思考世界或系统整体的能力；人工智能只能思考有限的、程序化的、必然的事情，却不可能思考无限性、整体性和不确定性。^[8]

最后，人的深度学习与人工智能相关的机器学习的比较来看，后者是基于已有知识解决现有问题，但前者更可能创造知识、解决不断涌现的新问题。

参考资料