【背景】：X君是数学家，研究通用学习机，在纽约。C君是3D+大数据+智能领域科学家，研发空间智能重构和相关的软件，在北京。X君与C君在前两轮对话中针对空间智能重构、人与动物的空间智能感知等问题进行了有趣的探讨。这是第三轮对话，谈通用学习机的相关话题。

北京时间2018年4月1日22:00左右，X君与C君开始了本次跨洋对话。

【C君】：我这边准备好了。

【X君】：那好。我们今天交流的话题，是围绕我的研究内容——通用学习机做一些讨论。我最近写了一篇中文文章，你也看到了。基本上我们围绕这篇文章谈。你有什么想法、交流或者评论，都可以随时打断我来进行互动。

【C君】：好的。

【X君】：我有几个观点需要先讲一下，就是机器学习的三个层次。

第一个层次：虽然我们是研究机器学习，但是越来越清晰地认识到，机器学习的牵涉面真是很广。目前这个领域也已经产生了若干新的工具和有效的结果，比如说AlphaGo，这点使大家都很兴奋。

第二个层次：机器学习可能会使得软件工程来一个新的飞跃。我们在软件编程方面花费了大量的人力物力，而且越来越多非常复杂的问题，复杂到再也没有足够的人力物力来投入支撑了，所以必须找到一种新的自动化方法去写软件。机器学习实际上带来了一种新方法，可以为计算机提供新的发展方向。

第三个层次：可能很多人还没真正注意到，研究机器学习有可能会成为敲开智能大门的一个很重要的工具。人们对于智能有很多思考和猜测，但是真正从科学角度进行把握的却并不多。大家应该注意一点，就是智能的最本质是什么？我认为，那就是它应该具有超强的适应能力，可以适应各种环境。这一点上就揭示出了学习能力的实质——到了一个新的环境，可以学习新的东西。学习能力来说应该是通用的，也就是说它一定有一些基本规律在其中。如果通过研究机器学习或者所说的通用学习机，能够找到其中一些基本规律，就可能进入新的层次。

【C君】：嗯，我理解。

【X君】：这就要求我们跳出现有局限，去思考一些本质性的东西，所以这是我们研究通用学习机的目的。

那么什么是通用？就是说它可以用于学习写字、分辨声音、识别图像，甚至于学习解微分方程等等。通用学习并不局限于某个领域。至少在深度学习以前，所有的学习都是非常有局限的。深度学习出来之后，的确有一个飞跃，它也是一个数学模型，不过它的通用性初步体现出来了。但是到目前为止，还没有很多人真正静下心来去研究这里面的原理——为什么它可以通用？为什么它可以学习很多东西？

机缘巧合，我有幸能静下来思考这个问题：为什么可以通用？通用背后的道理在什么地方？通用能够产生的效益在哪里？这是我们为什么要做通用学习机的出发点。

【C君】：嗯，打断一下，我们来互动一下。我最近累计花了一天时间对这篇中文文章进行了系统学习，对里面主要的公式、定义、定理从前到后都进行了推演，感觉这套体系还是很严谨的，我也颇受启发。刚才所论述的“三个层次”，我也基本理解。不过我有一些总结，可能是对刚才观点的一些补充。

从学习的角度来讲，我有一个思考视角，就是把学习分为两大类：一类为功能结构驱动型学习，另一类为数据驱动型学习。比如：传统的工业机器人，它就是一个设备，被赋予了某种基本的运动功能结构逻辑，在自动化操控系统的操作下，它可以精准重复操作一系列的动作，这属于功能结构驱动型学习。而深度学习，比如说AlphaGo，它是典型的数据驱动型学习，它对外的功能很简单，就是在既有训练学习的基础上形成一系列的特征知识功能逻辑，针对下棋过程中的对手输入数据进行反应，表达出相应的知识反应。我觉得，学习应该从这两个维度来分析。

你所说的通用学习机，在某种程度上说就是以数据驱动为主的学习机。而我们人类的聪明在哪里？我们既有数据驱动的学习，通过大量的感知，形成强大的数据驱动型的学习能力；我们也有像机器人一样的功能结构驱动型的学习，比如手伸多长才能够得着碗、腿怎么蹲下去才能爬过去等等。人类的强大之处，在于能够把两者有机结合起来。这是我对学习的一个小思考。

【X君】：说的很好，数据驱动型的确并不是学习的全部。但是，目前来讲，为什么我们现阶段主要精力集中在数据驱动型的学习上面？这是因为我们对于真正的学习还有很多东西是不理解的，而数据驱动至少给了我们一个工具使得我们能够去做，产生了很多有效的案例。我们先做能够做得动的事情，会逐渐揭示出一些一般的规律。

我们做事情、做研究也是这样的——做一件特殊的事情，然后把特殊的事情逐渐搞懂，在这个基础之上，往往可以得到一些一般的规律。比如牛顿，他也不可能研究整个宇宙全部的内容，他只是通过专注研究行星的运动，然后发现了万有引力定律，这就是一个普遍规律。所以，研究通用学习也是类似的，我们能够真正做动的事情不多，但是研究数据驱动型的学习是我们目前能做的。我们通过认真研究，可以从中深挖一些规律，这些规律就有可能成为广而泛之的成果，这就是我们的目的。

【C君】：好，这个我理解。

【X君】：说到这里，我想强调一下，我在我的文章里提出了一个很明确的猜想：一个东西如果能够做比较广泛的学习（而不是只做一件事情），那么它里面一定要有一个特殊的内在结构，否则就做不成。这个猜想还未完全证明，但是我非常相信这是正确的。比如说人脑或者其他东西，只要能够做通用学习，就一定存在这样一个内在结构。现在深度学习很红火，谷歌把整个公司的前途都押在上面，花了很多精力。实际上，深度学习中也有这样一个内在结构做支撑。以后，我们要做更好的、更新的学习机，也必须要有这个内在结构在里面。我们用数学方式定义了这个内在结构，叫X-形式。我的猜想是说，广泛学习的内在结构一定是X-形式。

再回到刚才你讲的，功能结构驱动型的学习——怎么蹲下来爬过去、怎么伸手拿碗等等，这些都是学习里面的很多方方面面，太多了，但是我想这些最后都应该服从一个内在规律，必须要具备这个内在规律，才能做通用的学习。我也借此说明一下，目前我的这个工作只是做了一个开端，希望有更多的人去研究里面的规律。我们把猜想提出来，这是一个不错的进展，欢迎大家来看对还是不对。如果有人能证明或者证反，都是很有意义的，都是一个很好的促进。

刚才是把目的讲清楚了，就是我们为什么这么做的目的。再讲到X-形式，我下面把我为什么想到X-形式的思路做个介绍。

【C君】：OK，我继续互动。

【X君】：为什么形成X-形式的思路？这个思路应该很多人都模模糊糊有过，很多人、很多文章都模模糊糊有过。一旦我们从局限中跳出来之后，站高远一点，往往就能看清楚了。

【C君】：嗯，用我们中国的古话讲就是“不识庐山真面目，只缘身在此山中”。

【X君】：哈哈，对，“横看成岭侧成峰，远近高低各不同”。我们稍微站远一点来看。我们可以先从信息处理机看。人也一样，我可以学习，但是我可以随时处理信息。

【C君】：这里我理解一下，信息处理应该是学习的基础，学习机首先必须是信息处理机。我是不是可以这么理解？

【X君】：对，甚至我们可以想得更复杂一点。动物、植物都要处理信息，不然就活不下去。植物是另外一种方法，我们现在不说。以动物为例，有人研究了一种很简单的动物——一种海洋软体动物，它只有几个神经细胞，这几个神经细胞就起决定的作用——收缩还是不收缩——收缩就躲避敌害但是不进食，不收缩就可以继续吃东西，这就是一个典型的二分。这个最简单动物，它的基本生活逻辑就是一个二分。

我们仔细想，二分，要么这样，要么那样，实际上是一切一切的基础。当然不仅是一个二分，而是很多二分。人和机器都有很多二分。二分实际上是神经细胞的根本，任何神经细胞最基本的特征一定就是二分。我们把它加以数学抽象化，那就是布尔代数了。布尔代数做了差不多两百年，虽然看起来很简单，但是还是有很多问题没研究清楚。如果从这个角度来讲，要做信息处理一定是要研究和面对非常复杂的二分问题，因为里面有太多问题叠加在一起。

【C君】：在这一点上，我再简单互动一下。我认为X-形式中的核心思想就是基于二分的思想，我很认同这个观点。我们老谈图灵机、量子计算机、八进制、十进制等等，但是我觉得宇宙的核心逻辑就是二分，也是就是我们古代哲学道家的阴阳。阴阳也好、二分也好、二进制也好，这才是我们宇宙真正最基本的规律。从我自己的观点来讲，量子不是宇宙的本源，二进制才是最根本的，它才能够演绎智能。其实，人和动物分解下去就是这么简单的二分，很多二分形成了各种复杂体系；而且越二分，就越能统一各种事物。所以，我觉得这个理念是对的，这是根本点。

【X君】：你仔细看，二分真的是处理信息的根本。从牛顿起，甚至再早，整个数学都是连续数学的，当然连续有连续的道理，但是我们过多着重于连续了。我以前学数学，学的也都是连续数学，但是一直到最近若干年，我才发现这个二分比连续还要根本，就像你讲的阴阳，它真的就是世界的根。

【C君】：对，包括我们物理的最基本原理也是二分。

【X君】：是的，从最简单的动物起，就是二分；一旦二分多了，又会很复杂，可以超级复杂，就像人一样。追根溯源，我们从数学来讲，只要能抓住这个东西，就能抓住事物的本质。

【C君】：对，我想再补充一句，二分是无所不在的，有时候不是简单直观的。以人来讲，眼睛、鼻孔是二分对称的，那嘴巴呢？它跟屁眼也是一种二分成对，一进一出。所以二分不一定就是简单的横向或者竖向的空间二分，它是多视角的二分。这是我一个朴素的理解，哈哈。

【X君】：那肯定的，这就是我们提出X-形式的基本想法。我们提出来后，做了数学推演，这里我对X-形式做一个解释。布尔代数，200年前就有了。但是X-形式跟布尔代数之间有非常根本的不同——X-形式是主观的，不是客观的。我们研究机器学习一定要研究主观，没有主观，就不要做任何事情了。哪怕甚至是一个很简单的机器，都必须有自己的主观，它不是客观的，只有“上帝”是客观的。只要牵涉到人也好，机器也好，蚂蚁也好，或者任何一个动物，他们都是主观的，他们只能从自己的主观来看待外面的世界。

【C君】：我在你的那篇中文文章里看到了这个观点，这一点也是我体会最深刻的。基于二分的形式，把主观的思想用数学表达出来，我觉得这是该文章中很有意思的创新点。我们平时很多感知都是只可意会不可言传的——“好像是这样的啊！是这样的啊！”但是，怎么样用数学形式去表征这么一种对输入数据响应的主观和客观，我觉得这种基于二分法布尔代数的结构化设计是有意义的，我觉得这是X-形式里面中有价值的运算。说白了，里面有很多运算是既有存在的，但是有些运算是创新的，很有意思，这里面确实体现了主观思维的数学模型化。主观体系到底怎么去数学化描述，至少在这一点上是一种非常棒的尝试。

【X君】：对，是这样子的。这一点我们也可以比较自豪地说，目前从看到的文献来讲，如何描述主观的数学模型，我们是很前沿的。我的文章把主观是什么东西最清晰地用数学语言讲出来了。

刚才我讲的，任何都是主观的，只有“上帝”是客观的，因为“上帝”是无限的，不是说一定有“上帝”的存在，如果存在，那么他是无限的。

把两个布尔代数表达式加起来，或者相乘，或者因式分解等等，在布尔代数里面都可以做，没有问题。但是人未必能够做到。例如，一个东西和另外一个东西有相同的效果，在布尔代数就是一步计算，但是一个人往往需要很长的时间才能理解到，甚至绝大多数人完全理解不到。如果不能跨过主观极限，他永远就理解不到。“上帝”的视角，是一目了然的，一下子就看到这两个东西是相同的。

X-形式实际上很好地把主观的数学形式描述出来了，把这个局限性都讲清楚了。X-形式肯定需要很多发展。但是，我们非常清楚地描述了主观是由什么东西形成的：主观实际上是由我们内部的局限形成的，主观就是我们的局限性。

【C君】：嗯，最后这句话总结得非常深刻，这个颇有哲学高度。

【X君】：的确很有意思，这是研究的乐趣。接下来，那么，我们提出了X-形式，它实际上是起一个什么作用呢？它是承载学习的基础。其实我们可以问一下，不管什么东西，无论是人还是机器，他能够学习，那么他学习得到的东西是放在什么地方的？可以这么讲，人是放在大脑里面（究竟是什么其实也不清楚，但是可以抽象地这么讲），那么机器是放在什么地方呢？比如说，AlphaGo，本来什么都不知道，通过不断的数据驱动进行学习，它就学会了一些东西，那么它学会的这些东西放在什么地方？这是一个很根本的问题啊！所以，我们反反复复追问，这个学习的东西应该放在什么地方？只可能放在X-形式里面，这是我们的一个主要结果。

我们讲到深度学习，它的学习所得放在什么地方呢？其实是这样的，有一个很大的欧氏空间（几百万维以上），欧氏空间里面可以有很多内积，它把学习所得放在了这些内积的参数里面。这就问题很大。这样做是非常低效的，浪费了极大的算力；而且最重要的是，这些内积纠缠在一起，没有人能够说清楚里面在干什么事情。所以我们需要一个更好的承载形式，来承载学习所得，这就是X-形式。并且基于X-形式，我们也推导了一些有效的学习方法。

我停下来简单总结一下，之前我们讲了目的和基本思想，下面我想讲一下接下去我们要做的方向。

【C君】：这里，我想再互动一下，我想针对深度学习和X-形式再深入交流一下，我觉得这点很重要。

【X君】：好，好的！

【C君】：深度学习现在如日中天，在工业界、学术界、资本界都得到了大家积极的响应。我们来总结一下，为什么深度学习这些年突然在各个维度上形成这么大的响应，我谈谈个人的看法。

第一个，我觉得深度学习首先是构建在强大的物理逻辑框架的支撑基础上，包括GPU等等，这是一个基本的物质条件。

【X君】：对的，这个物质条件已经具备了。

【C君】：嗯，没有这个基本条件的话就是空的。那么，从我的理解，如果我们讨对图像做处理，深度学习其实就是对图像进行不同尺度的、不同区域范围的遍历，在遍历过程来提取特征，把这些特征之间再构建一个相关性。

【X君】：完全可以这样理解。

【C君】：但是，深度学习有个显著的特点，必须给它抽象出显著的可表征的数据模型才行，比如数据标识，如果数据本身的特征是只可意会不可言传的，就无法用深度学习来处理。举个简单的例子，地质灾害，就没有显著的特征去描述什么叫地质灾害；而人脸就没有问题，比如眼睛、鼻子、耳朵等等，它有稳定的结构化模型。如果一百个漫画家画赵本山的漫画，形态各异，人一看就知道是谁，但是这些漫画的几何特征不具有简明的标注，所以深度学习就无法识别。

深度学习得以发展的第二个重要条件就是数据。当今有大量的数据，为深度学习提供了支撑。比如图像识别，就需要准备很多标准化的测试数据或者训练数据。而数据的准备也是需要有条件的，这个条件的满足是需要成本的，基本是与数据量线性相关的，但是数据的增长却是非线性的，因此后续的成本将是无与伦比的。

【X君】：对，数据成本非常大。

【C君】：第三个就是算法。对于神经网络，我理解X-形式也是一种类似的网络。因为X-形式把所有运算以二进制的模式进行描述，这点很重要，因为我们想要统一，首先得把复杂的化为简单的，否则就统一不了。就像我们研究三维，针对协同设计，他们总是觉得人要去互动、去协同，我觉得错了，其实协同的核心在于模型内在逻辑要保持一致，只要模型一致了就自然协同了。

我觉得深度学习如此发展，就是这三个因素的产物——强大的物理逻辑支撑、强大的数据体系，还有就是软件体系，现在的算法和软件开发功能很强大，经过了几十年的积累。这三个基础构建了运行框架，再加上神经网络的思想以及深度学习、卷积神经网络、高斯公式等算法的支撑，能够把逻辑数据串起来，所以就表现出了一种学习的能力。

从我的理解，X-形式的角色在哪里？它能够更大程度地把复杂问题的逻辑特征通用化，变为二进制的模式。我也在研究语义智能，其实人判断的核心在于价值利益的取向，其本质上也是X-形式，也是一个二进制模型。只是，我还没有类似去构建一个统一的二进制的概念，咱们从不同维度都去做了一些实践与尝试。

【X君】：好，你这个讲的非常好，对我有很多启发。我接着我的思路讲，我们X-形式已经提出来了，而且也构建了一些使X-形式运用起来的方法。这里，我要强调一点：实际上X-形式目前来讲还是比较初等的，最重要的发展是要实现成工程模型。数学的东西有了，工程原型也有了，我们也申请了专利，现在需要做成工程的样机。如果倒退十年，我可以自己做。现在来讲，我必须要找到真正的高手，把工程样机做出来。实际上也就是一两个高手的工作，没有高手，人多了反而不好。样机出来后，就可以进行工程实践，一旦产生良好效果之后，就会形成一股新的潮流。希望找到一两个年轻的高手一起完成这件事情。就是想做一个宣传，如果有程序高手，这方面有很高的能力，有很好的想法，欢迎跟我们一起完成这个事情。

【C君】：好的，咱们期待，哈哈。

【X君】：我们讲了四十几分钟了，前面基本上是围绕我的文章来讲，文章的前部分基本讲完了。文章的后面部分，我想特别再强调一下，我设计了四个学习的策略。

策略一：类似于深度学习，实际上给深度学习奠定了一个更好的数学基础，解释了它究竟在干什么事情、为什么会有效。对于一个问题，如果有足够的数据，就是数据满足“足以支持、足以包围”两个条件，就一定能够学会这件事情。策略一实际上是对深度学习更明确的数学解释。

策略二：我们提出了一系列的方法，这就不是深度学习了。策略二更进了一步，有可能会比深度学习做的更好。数据条件也是“足以支撑、足以包围”，这点跟策略一是一样的，但是策略二要灵活很多。我们提出了一个很明确的方法，叫做逐级抽象。

相比深度学习，策略二有非常好的特点——

第一个特点是不需要预设，而深度学习最大的问题之一在于它必须要预设才能学习，这是一个非常大的区别。

第二个特点是，策略二可以做得更灵活，因为有逐级抽象，而且可以解析。而深度学习是知其然却不知其所以然的——我知道它可以这样做，但是不知道为什么它这样做。但是如果策略二做出来的话，就既可以知其然也可以知其所以然了。

【C君】：这点上，我想再打断互动一下。策略二的逐级抽象的思路肯定是对的，但是怎么去抽象？我认为这本身不是用X-形式能去解决的。不知道这样理解是否正确？

【X君】：没错，是这么理解的。

【C君】：它需要其他技术为X-形式做支撑。因为我也做了很多相关研究，我深刻理解这句话的含义。从我来讲，X-形式的核心是把所有的东西找到一种统一的连接的表征模型，把主观和客观放在一起，但是它是建立在很多其他基础研究上的。现在是反过来，我们在想着如何通过X-形式的引导，使得其他研究向X-形式靠拢，起到这么一个角色。我是这么理解的。

【X君】：对，你的理解完全正确。X-形式只是一个承载体，去承载学习的东西和内容，但是学习本身还需要其他的方法来支撑，包括抽象的模式等等，这个是肯定的。策略二，实际上提出来一种新的方法，用同样的数据，但是可以做的更好。我们又提出了策略三，数据可以更少，但是对学习机的要求就高了。就好比人，聪明的人可以通过较少的数据就能快速掌握知识。然后，我们又提出了策略四，那就又更进一步了，会更好很多。

策略一已经实现了，因为深度学习就是策略一。策略二、三、四都还没有实现，主要是因为还没有X-形式的工程样机。一旦有了这个工程样机，我想后续这些策略都是可以实现的。

【C君】：嗯，我大概理解这些意思，但是我有一点不同的看法。我觉得，哪怕是X-形式的工程样机出来，后续还是会有很多瓶颈性难题，如果这些难题不突破的话可能还是很难去整合的，这是我的想法。

【X君】：你说的对，肯定会有瓶颈问题，肯定会有更深的问题。但是，从要求的高低来讲，我们目前可以非常清晰地看到，这是一定可以做的事情。只要有充分的数据，就一定能够做到，但是以后的发展是用更少的数据。那么，有了X-形式的样机之后，深度学习能做的，我们都能够做，这是肯定没有问题的。问题仅在于，是不是可以做得更好，这就有很多的发展和工作要去做。

【C君】：这点我是认同的。X-形式是很好的设想，从哲学层面上也说得通，而且实际上，它有一个很好的特点——体现了主观和客观在二进制上的一致性。通过X-形式的样机，推动相关支撑技术的发展是肯定的，但是还有一些其他领域的挑战，这会是另外一种难度。总体来说，我认同刚才讲的这四个策略，是逐渐提升递归的过程。

【X君】：嗯，肯定以后还有更多、更好的策略。这里我讲另一件事情，我这篇文章，目前所谈的学习内容只跟空间有关，跟时间还完全没有关系。为什么这么做？我是先考虑简单的事情，故意还没考虑时间。但是时间的问题很重要，以后肯定要发展跟时间有关的模型。这也是我下一篇文章要做的。

【C君】：好，我们拭目以待。

【X君】：但是，如果只考虑空间，本身也有很多重大用处，很多问题是只需要考虑空间的。举例来讲，你刚才讲到地质灾害，我们有可能用通用学习机做出一个与地灾有关的数学模型；地质灾害实际上就是很多条件叠加在一样，产生滑坡等，这些就人来讲，困难程度很大，因为因素太多，正确地综合起来的难度很大，尤其对于不那么专业的人来说。所以，如果有足够的数据支撑下，说不定就能自动判断是否有地质灾害风险，这就是一个空间模型，可以不涉及时间的问题。

【C君】：对，我觉得是有可能的。X-形式我们也聊的很细了，咱们也谈到了空间知觉与X-形式。关于X形式与空间知觉之间的关系，我想我们可以再展开谈谈。

【X君】：好好好！人对于周围空间是有知觉的，动物也有，这实际上跟我们刚才的话题有很深的联系。我们想一件简单的事情：一维的动物生活在一维空间里，比如一只虫子只能在线上运动，它对远近距离是可以产生知觉的。那么，它是怎么样产生空间距离知觉的？

【C君】：我插一句，这个问题剖析很好，其实这正是当前视觉认知领域研究的一个很基本的问题。

【X君】：对，实际上，人和动物都跟所处的空间环境有关——如果生活在三维空间，就有可能学习认识三维空间的特征；如果生活在二维空间，就有可能学习认识二维空间的特征；如果生活在一维空间，就能学习认识一维空间的特征。那么，如果生活在四维空间，能否学习认识四维空间的特征呢？我认为当然是可以的。人现在没有四维空间去做，但是如果我们做一个机器人，让它学习理解四维空间里面的东西——这也是我跟很多数学家说的事情：研究四维空间，凭借想象，做很多抽象，其实很多问题想不清楚；如果我的通用学习机做出来了，让它在四维空间里面去想，那么很多定理就很容易证明了。嘿嘿，是这样的。

【C君】：这是一个很奇妙的设想。为什么我们研究四维空间的时候往往产生很多问题？因为我们被三维空间深刻地“污染”了，在研究四维空间问题的时候，很容易映射到三维空间。

【X君】：对，是这样的，很多问题想不到，描述起来就非常困难了。我们再回到一维空间，它产生空间知觉，那么一定需要一个内部的学习承载体，另外它还需要能够感受距离的结构，比如说眼睛看过去或者超声波射出去，这些大量数据输入进来，然后内部产生一个抽象过程，针对很多数据进行分类、整理、抽象，它就得到了距离的概念。比如说蚂蚁，它不那么聪明，但是它的确有空间距离的概念。我们设计一个机器人，只能在一维空间里运动，但是它能产生超声波或者眼睛能够看，它也一定能够逐渐抽象出一个距离的概念——从这里到那里有多远、过去需要多长的时间等等。它在这个空间里面生活，能够产生各种反馈信息，然后它对这些信息进行加工处理，最后就能获得空间概念。

刚才讲的是一种最理想的情况，但是对动物来讲，这个理想的情况它是做到了，但不是它自己一辈子做到的。比如说，蚂蚁不可能是通过自己的学习做到的，而是通过祖祖辈辈的积累做到的，它的内部结构是一个死的东西，是通过遗传得到的。就是说，它的确有空间概念，但是这个空间概念是固定的，不可能变动；如果要灵活的变化的空间概念，这个要求就很高了。这是我的想法，我觉得空间的知觉应该从这个角度去理解。

【C君】：我觉得这个剖析得很有意思，不过我有一点看法想互动一下。这个观点中，像蚂蚁这样简单的动物没法去学习空间形成知觉，可能是通过祖辈的遗传，获得群体的经验。原则上我理解，但是我认为，不管任何动物，遗传了什么样的空间能力，最后都需要通过自己的实践来再掌握。也就是说，它还是学习了的，只是说它学习的扩展空间很小，被固化在了祖传的配置中。我想这么去理解是不是会更准确一点？

【X君】：对，肯定是有学习的过程，但是弹性有多大，是有差异的。

【C君】：是，弹性和逻辑支撑体系是由祖传选择进化得到的，无法去改变。但是，它诞生下来，基于这个逻辑支撑框架，需要通过自己的感知去学习。所以有的动物能力强一点，有的能力弱一点，会存在个体的差异性。这是我的理解和观点。

【X君】：完全正确。说到这里，我们在文章中也是明确提出了，学习机要分级。比如一级学习机，它可以学习，但是它的学习机理是固定的。就是说它可以学习，但是它学习东西的东西是不可以动的。那么，我们人显然就不是这样的，包括动物来讲，都不是一级学习机。但是一级学习机有什么好处嘞？把机器做成一级学习机，有非常重大的好处，就是我们可以精确地把握它。有人担心未来机器人的灾难，如果我们把机器人控制在一级学习机，就永远不会出现这个问题，它永远不会失控，嘿嘿。

【C君】：嗯，好的，好的。我是觉得，通过这些交流理解，比较全面深刻理解了关于通用学习机的一些很棒的成果和思想。

【X君】：哈哈，谢谢，我们一起探讨。

【C君】：我们之间互动交流一转眼就快四个月了，这次是我们约定交流的第三次，再结合我多次拜读相关文章，我觉得通用学习机是一个不错的设想和创新点，也对我颇有启发。包括你谈到的感知、知觉与学习等，不管从什么形式来感知学习，其实它必定是存在某种内在结构的，这种内在结构的基本逻辑之一应该满足X-形式，我觉得是这个是对的。不过，通过什么方式关联实现，这还需要做很多很多的研究工作，这将是巨大的挑战。

【X君】：嗯，有很多挑战在前面，很多工作要去做。哈哈，我们聊得很好！不知不觉也聊一个多小时了，以后我们有机会再继续探讨。

【C君】：好的好的，到时候我们再约。

【X君】：好，你也早点休息。

本对话由C君记录整理，X君做了一些修改。