? 背景：
這是'模型觀'的第六篇內容，對于我個人很有意義，其一為'模型觀'奠定了認識的理論基礎 - 辯證唯物主義反映論，其二明確了研究'模型觀'的目的，即人的認識需要三種模型觀念。
認識論 和 認識范式
1. 認識論（認識論理論的發(fā)展）
認識論是哲學的分支，是研究知識的性質，來源與合理性的理論。它討論的問題有：知識是什么？知識如何產生？如何證明其正確？
認識論的理論，包括：經驗主義，觀念主義，樸素現實主義，理性主義，具象主義和客觀主義等。其中主要以西方近代哲學的經驗論和唯理論之爭為例，他們對于認識的起源和本質存在根本分歧：
唯理論的笛卡爾從'普遍懷疑'出發(fā)，提出'天賦觀念'，以此出發(fā)經過邏輯推理進而獲得具有普遍性的知識。
經驗論的洛克反駁'天賦觀念'，人類不可能察覺任何天賦觀念，人類所有的知識都建立在經驗基礎之上。
康德通過'先驗自我'克服了兩者的對立，在主客體關系上，把認識論歸結為獨立于客觀的人的主觀行為。
黑格爾將本體論，認識論與邏輯學統一起來，認識到人的認識是一個發(fā)展過程，同時呈現著客觀世界的辯證法。
馬克思將實踐引入認識論，把辯證法應用于反映論，創(chuàng)立了能動的，創(chuàng)造性的反映。
列寧在集中批判經驗主義的基礎上，闡述了馬克思主義的唯物主義反映論的認識論原理，為馬克思主義'哲學基本問題'奠定了認識論基礎。
為什么要在討論'模型觀'時，回到認識論？
其一，在以往的'模型觀'內容中，我所提出的：'知識模型 + 能力模型 + 素質模型，以及知識轉化為能力，經驗轉化為知識' 的內容，并沒有理論基礎。
研究經驗-知識-能力模型的過程，即科學研究的模式，其理論基礎是辯證唯物主義的反映論。是經過了洛克，笛卡爾，康德，黑格爾，馬克思和列寧等眾多思想偉人不斷沖突，不斷綜合后的認識論理論成果。
其二，在以往討論'大數據與認識論'的內容中，我曾將經驗主義和證實主義應用在數據驅動的認識范式中，這是知其然不知其所以然，是不嚴謹的思考，是不對的。
對認識論中經驗主義的理解，明確了我對大數據認識范式與經驗的關系，即經驗 ≠ 經驗主義，后者是認識論歷史時代的理論，特指洛克的經驗主義。
而大數據認識范式中的數據確實來源實踐中的經驗，但不等于大數據認識范式 = 經驗主義，我犯了'主義論'的思想錯誤。
2. 認識范式（實驗科學，理論科學，模擬仿真，數據計算）
圖靈獎得主Gary把人類的科學研究模型歸納為四種范式：
第一范式：實驗科學，通過基于實踐或經驗的觀察來完成對自然現象描述的研究；
第二范式：理論科學，對自然現象背后隱藏的模式和規(guī)律進行抽象，通過數學模型來刻畫。
第三范式：模擬仿真，通過搭建計算系統去模擬復雜客觀世界，從仿真系統中觀察各種因素的變化，再指導客觀物理世界的改造。
第四范式：數據密集計算，通過記錄海量數據，從數據出發(fā)，挖掘其結構，模式和規(guī)律等知識。
其一，大數據對認識論重要的意義是，使得認識范式發(fā)生了改變，即第四范式。要注意的是使得第三 第四認識范式發(fā)生質變的主要因素是科學技術，前者是計算機技術，后者是大數據技術。
其二，對于認識的四種范式的應用，我后面采用的具體方法是將前三種認識范式定義為傳統認識范式，第三四認識范式定義為大數據認識范式。這里要注意的是第三范式在兩者中交叉存在。
其三，對于第三范式-模擬仿真的認識，在《科學研究方法論》中對應的是方法論體系中的第三層的計算機方法（模擬，模型，仿真，計算機實驗等）這里也建立了認識范式與科學研究方法之間的關系。
三種認識模型觀
1. 模型觀1：'經驗 - 知識 - 能力' 模型
兩種認識范式的內容對比，主要包括：理論依據，驅動力，以及要素關系。
其一，理性主義與經驗主義
傳統認識范式屬于理性主義，大數據認識范式屬于經驗主義，唯物主義靠原則辦事，經驗主義靠事實辦事。
將大數據認識范式的理論依據歸根于經驗主義的認識論，是我從大數據應用-推薦引擎的實現原理中啟發(fā)的，推薦引擎并不依賴運營人員的理論知識，而是直接通過分析用戶的行為數據，加上算法和模型實現的。
我將互動行為數據 = 經驗，這一點并不準確，但有存在的合理性解釋，經驗是人類與客觀世界的互動的結果，經驗后可以得到信息或數據，信息可以應到傳統認識中，數據也可以應用到大數據認識中，所以說，大數據認識的起源也是經驗，是合理的。
其二，理論驅動與數據驅動
認識也是一種運動，人類在自然世界中實踐的運動，既然是運動就一定存在動力系統中的驅動力，傳統認識范式是理論驅動，大數據認識范式是數據驅動。
例如，傳統電商的產品運營主要是理論驅動，包括：商品活動策略中需要的知識 - 活動策略，運營策略等，其中包含了分析和綜合，歸納和演繹等思維。
抖音的內容運營主要是數據驅動，包括：用戶主動搜索數據，被動推薦后用戶的行為數據-點贊，評論或轉發(fā)的數據，經過基于用戶推薦或內容推薦等算法，來達到運營的目的。
其三，因果關系與相關關系
傳統認識中因果關系＞相關關系，大數據認識中相關關系＞因果關系，甚至可以說，大數據認識范式中，相關關系幾乎替代了因果關系。
例如，抖音的推薦引擎中，基于用戶的協同過濾推薦依賴的是用戶與用戶之間消費內容的相關性，基于內容的協同過濾推薦依賴的是用戶消費的不同內容之間的相關性。其中并不會考慮用戶或內容之間是否存在可以被明確解釋或說明的關系。
3. '數據驅動與知識引導' 雙輪驅動模型
認識的過程真奇妙，即使是在認識 - 認識論的過程中，我關于'模型觀'的啟發(fā)是陸奇先生的大模式世界觀，而他的這個觀念是來自ChatGPT等人工智能模型的啟發(fā)。
在'模型觀'分析過程中，我的側重方向竟然在不知覺中轉移到了傳統認識范式中的經驗，知識和能力模型中，偏離了大數據認識范式，這一點當時我是沒有察覺的，雖然大數據與認識論的關系，我一直有所重視，但沒有參與到'模型觀'中。
直到看到《數據驅動與知識引導結合下的人工智能算法模型》這篇論文，我終于明確了傳統認識中的'經驗-知識-能力'模型，與大數據認識中的'經驗-數據-算法'模型，兩者的關系。
以及兩者的綜合應用，即論文的重要論點 - 將數據驅動與知識引導結合 = 傳統認識范式和大數據認識范式結合，形成雙驅動的認識范式。
在《人的模型 VS 人工智能模型》中，我曾經與兩者的關系很近，也已經放在了一起，但是很可惜的是我只建立了'對立關系'，而忽視了'結合關系'，幾乎錯失了這種關系的重要性。
因為我無法從一系列'模型觀'的內容分析中，給出一個合理的，準確的，正確的模型觀的建議，這篇內容重新將我拉回了正確的路徑上。
'數據驅動與知識引導' 雙輪驅動模型：
作者的觀點是人工智能的算法模型，最終是數據驅動 + 知識引導，這與OpenAI 的Sam的最新觀點是一致的，他為認為人工智能的聰明升級不能單純的依賴模型了，而是需要加上領域知識專家的建議。
我們對面人工智能的發(fā)展，所需要接受或堅持的想法是什么？
其實就是我們面對大數據認識范式和傳統認識范式的態(tài)度，不能單純的將兩者對立，做出舍誰要誰的選擇，而是應該結合兩者，做到擁有'知識+數據的雙驅動模式'。
說大白話就是，我們既要懂MECE模型，金字塔結構模型等，還要懂神經網絡模型，大語言模型等，我們既要能從經驗中經過思維得出規(guī)律，還要能從數據中經過算法得出規(guī)律。
讀書是與讀者的對話
思考是與自己的對話
(我的wx：bxc625)
聯系客服
