注本文为 “语义知识” 相关合辑。图片清晰度受引文原图所限。略作重排如有内容异常请看原文。语义知识理论、技术与创新一、语言学中的语义知识1.1 语义研究的定位历来语义研究在哲学与语言学两个领域中分别进行且主要在哲学领域中展开。语义学与逻辑学有密切联系。哲学领域中的语义研究围绕什么是意义的问题展开讨论而语言学领域中的语义研究则关注如何描写语义。结构主义语言学家认为语义难以客观分析因此有意识地忽视了语义研究。生成语法理论建立初期亦未将语义看作语法的一部分直至 1964 年 Katz 和 Postal 提出语法学应包含语义部分该观点被 Chomsky1965采纳从而建立了句法、音系和语义三足鼎立的标准理论。语义学研究人脑中的语义知识语义学家的任务是提出一套理论假设来描写和解释词语、句子中表现出的种种意义特点以及词语、句子之间的种种意义关系。语义领域的研究与句法领域的研究一样首先应区分语法知识与语用知识区分语言能力competence与语言使用performance。例如(1) Ronald Reagan won the 1985 Presidential election.(2) Walter Mondale lost the 1985 Presidential election.正确理解上述句子除必要的英语语法知识外还需知晓里根与蒙代尔在 1985 年分别作为两党候选人竞选美国总统这一事实。然而对该事件的认识不属于语法知识。生成语法学家认为此类现象是语用因素在句子中起作用而非语义因素研究语义问题时需将语用因素排除。因此作为生成语法学分支的语义学所研究的语义范围较传统意义或意思更小。语义研究的关键问题在于不能用现有语言描写语义否则将构成循环论证。哲学家已证明该方法的无效性。为此语言学家需假设一套元语言metalanguage来定义自然语言的意义。1.2 语义特征与分解理论现采用一套语义特征semantic feature分析语素的意义。语义特征即用于定义任何自然语言语义的元语言。例如对 bachelor单身汉进行语义特征分析可得(3) [HUMAN] [ADULT] [MALE] [NEVER MARRIED]语义特征可进一步用 “”、“-” 与 “±” 表示这些符号表示二分情况。尽管上述特征以英语书写但特征本身并非词仅为方便而约定采用英语书写且特征无语音形式。母语者或熟练掌握英语者大多知晓一个词可分解为若干上述特征此种知道属于潜意识层面的内在知识tacit knowledge而非命题知识propositional knowledge。生成语法学认为人脑中存在词库lexicon词库中包含一系列词项lexical entries。词项的语义特征、句法特征与语音特征均为无规律的非系统性知识每习得一个词即需主动记住一组特征如此方算真正掌握该词。关于语义特征的争议颇多语言学家亦难以估计语义特征的具体数量。然而讨论特征的具体数目意义有限因多数情况下语义特征研究在比较中进行比数目更重要的是二分情况。另有学者提出语义特征具有结构层次。例如 bachelor 的语义特征可用下图表示此类表达式称为语义表达式semantic representation。将句子、词组、单词的意义分解为语义标示再用语义表达式表示语义的理论被称为分解理论De-compositional Theory。1.3 语义规则与投射规则语义表达式必须以句法表达式为基础句法部分是独立的语义部分则非独立。例如(4) The bachelor chased the spinster.理解该句需先明确每个词的词项其次需知晓句子的句法结构。此外还需一种按句法结构合成语义的能力否则词与词的意义始终离散无法形成整体句义。此种能力体现为一套规则即投射规则projection rule包含三种合成方式或操作类型。第一种为内包embedding。在变项的句法条件与选择限制条件下用名词词组的表达式代入动词语义表达式中的变项 X即得到完整句子的语义表达式。此类动词词组表达式内包含名词词组表达式的合成方式属于内包性投射规则。例如动词 chase 的表达式如下其中 [ACTIVITY] 表示活动概念[LOCATION] 表示目标趋向[CATCHING] 表示目的为追上某人或某物。三个标示符号后均带省略号表示三个需名词词组填入的空位。名词词组填入过程中需受选择限制主要由动词的性质与语义决定。第二种为添加attachment指在谓词或名词基础上扩充语义标示使语义表达更丰富准确。例如(5) The bachelor chased the spinster madly.(6) The bachelor chased the spinster with a stick.(5) 与 (6) 的语义表达式均在 (4) 的语义表达式基础上形成只需在树形图上分别挂上 madly 的语义表达式与 with a stick 的语义表达式即可。第三种为转化conversion。例如(7) John intentionally killed himself.(8) John committed suicide.(7) 与 (8) 同义其区别在于语义表达式相应内包位置具有不同选择限制导致实际表达有所不同但二者可通过转化实现互相变换。转化操作总发生在具有类似关系的语义现象上如 kill 与 killer 的关系、perfect 与 flawed 的关系等。使用投射规则可得到句子的语义表达式。语义表达式虽亦为树形结构但与深层结构等句法表达式不同。投射规则系统属于语法的语义部分Semantic Component。语义部分与转换部分按不同路线从基础部分中延伸出来。二、语义知识图谱2.1 知识图谱的定义知识图谱是由代表现实世界对象如人、组织与抽象概念如职业、主题及其语义关系和属性构成的大型实体网络。与传统数据库系统不同知识图谱超越简单的数据存储更侧重于实体定义及其相互联系。例如在安全应用场景中理解系统间的联系及其相互影响对检测和预防恶意活动至关重要若无知识图谱明确捕获和展现这些关系系统漏洞与潜在威胁可能被忽视。知识图谱成为独特而强大的数据解决方案关键在于其包含的语义数据模型即本体ontology。本体、语义模型与语义数据模型均指对某一领域内概念和关系的正式且明确的定义。本体为知识图谱中的数据赋予上下文与意义使人类与计算机皆能理解。它提供鸟瞰视角审视数据揭示层级结构、精确定义与关键上下文开启深层解释途径。本体可定义为语义数据模型定义了领域中存在的实体类型以及可用于描述它们的属性。本体结合了表示、正式命名以及定义论域的元素如类和关系的定义。虽然知识图谱可独立于本体而存在但由于人类天生倾向于以可视化或结构化方式组织数据本体通常被包含在知识图谱中。本体亦可应用于非结构化数据或低关联性数据但通常会将其转换为知识图谱。此外可直接在知识图谱中导入或创建本体来建模特定领域而无需加载数据这在某些应用场景中十分有用。2.2 语义知识图谱的关键特征语义建模具有语义层可将数据上下文化通过表示、正式命名和元素定义嵌入含义。机器可解释旨在由人类和机器进行处理、分析和解释。关系作为一等公民使用节点、边和标签描述实体、关系和属性。遵循开放标准遵循开放标准以实现可重用性、互操作性和协作性如 W3C Web 技术栈。灵活性可调整以适应领域变化使其能够成长和发展。协调统一采用标准化方式定义词汇即分类法使数据清晰、一致且有条理。可查询性可使用自然语言或结构化查询进行查询使用户和机器能够快速检索相关信息。可选联合性能够整合不同来源数据创建对所代表领域的更全面视图。企业知识图谱平台通常基于 W3C 语义网计划语义网堆栈的开放标准创建确保互操作性、可重用性与协作性相关技术包括RDFRDFSSPARQLOWLSHACLRDF-starSKOS2.3 语义知识图谱的三层结构2.3.1 第一层实例数据层知识图谱的第一层为实例数据层捕获实例数据及其关系。该层优于关系型数据库之处在于可沿关系跨多个数据源进行查询。此层记录实体及其关系的明确定义是任何图结构的基础层。然而该层存在局限不能促进自动推理不能包含逻辑映射亦不能被机器解释。此外该层在一致性方面存在局限由于术语多样性不同来源系统之间的分类可能不够一致理想情况下应整合为统一术语因此第二层至关重要。2.3.2 第二层词汇层第二层即词汇层使用一套词汇表定义不同系统与部门间使用的术语。企业通常拥有多个数据系统与异构数据集这些系统和数据集可能对类似概念使用不同术语。词汇表是按照层级式分类体系组织术语的集合一个术语可包含首选标签与备选标签并具有明确范围以描述特定领域。常见类型包括同义词库、分类法、术语集、词汇表、分类体系与主题词表。例如若一个部门将职位描述为助理区域经理另一部门标记为二级区域经理则人或机器阅读时可能出现重复、混乱与不一致。公共词汇表如经济学领域的 STW 词库与 MeSH。通过使用一致表示方法各利益相关者可对领域内关键业务术语与概念达成共识有助于更准确一致地表示知识简化互操作性并鼓励知识创造。公共分类法与词汇表亦可作为专有知识模型的扩展以满足特定需求与用例。并非所有知识图谱都包含该层。创建定义与构建词汇表需人工参与此人工流程对确保不同系统间一致性至关重要。2.3.3 第三层语义层本体层本体层是知识图谱中最重要却常被忽视的一层。该层将简单图结构与能够发现有意义知识的图结构区分开来因其能够对数据含义进行建模并教会机器如何利用这些信息。词汇表帮助在术语层面组织、注释和查询知识图谱而本体在逻辑层面运作支持知识图谱的开发、维护和查询。本体亦为机器推理提供基础因其表示实体与关系的逻辑定义或逻辑公理化并能促进规则构建。例如本体可定义某人在公司中扮演的角色而词汇表可使用受控词汇描述这些角色如销售经理、接待员、区域经理等。该语义层帮助计算机理解公司、供应商、流程与产品等概念及其相互联系。若无语义知识图谱机器或人均无法理解实体间连接方式及其含义若要求机器做出决策其可能给出错误结果。假设需利用机器学习优化供应链则优化供应链究竟意味着什么可优化哪些关键因素能否同时优化流程、产品与供应商借助领域专家帮助可明确对这些场景建模并构建语义知识图谱以机器可理解方式捕获这些知识。W3C 语义 Web 技术栈在此方面表现优异因其提供 OWL 与 SHACL 辅助该过程。该层的机器可理解性使不同系统间互操作性与可重用性成为可能从而能够为各种系统或用例实现数据平滑集成。与词汇层类似可利用和扩展公共本体如 schema.org、FOAF、FIBO 等中捕获的知识以扩展和丰富语义层的语义模型。此外元认知技术能够将词汇表与本体显式关联通过将类限制为词汇表中的整个词汇表、集合或子树具有诸多优势能够在模型驱动的搜索和创作界面中利用受控词汇表使最终用户能够基于既定术语体系制定并迭代完善其信息需求使人工智能应用程序将识别出的术语结构化为类有助于这些应用程序更好理解和准确解释术语间关系从而更全面理解数据。由于词汇表可在本体之外维护因此还简化了对各个资产的管理并有助于确保数据质量。三、语义知识与创新3.1 研究背景与问题人类文明最引人注目的特征之一是能够在世代之间积累创新。从最早的石器到人工智能从刀耕火种到太空探索每一代人都站在前人肩膀上继续向前。此种累积性文化演化cumulative cultural evolution被认为是人类区别于其他动物的重要能力。长期以来研究者主要将此成就归功于社会学习即人与人之间的模仿、教导与信息传播。然而创新本身如何产生始终是关键问题。经典理论常将创新简化为随机变异视为不可预测、无方向性的过程社会学习负责保留和传播好的变异自然选择负责筛除坏的变异。该模型简洁有力但留下明显漏洞若创新真如掷骰子般随机面对由数百种可能组合构成的巨大搜索空间人类为何能如此高效地找到有用解决方案2026 年 5 月发表于PNAS的一项研究Yaman, Tian, Lindström, 2026回答了该问题。研究者提出并验证了一个假说语义知识semantic knowledge即人脑中关于概念之间关系、物体属性与功能的结构化联想才是引导人类创新的关键认知资源。它不仅提升了个体创新的成功率还与社会学习产生了协同效应共同推动了累积性文化演化。3.2 语义知识的认知科学定义在认知科学中语义知识指储存在语义记忆中的、关于概念、物体及其属性和功能之间的结构化关联。它不同于对具体事件的回忆情景记忆而是一种抽象的、可迁移的知识网络。例如知晓锋利的石头可以切割“火可以加热”“植物纤维可以捆绑”这些即为语义知识。这些知识无需每次都从头推理因果机制凭借对物体典型功能的直觉理解即可快速判断哪些组合可能有意义。语义知识本身也是文化演化的产物。它通过语言和经验在代际间传递随前人创新所塑造的生态和技术环境而不断精炼。因此它既是创新的输入也是累积性文化过程的输出形成一种在文化与认知之间的正反馈循环。3.3 研究设计研究者首先通过基于主体的计算机模拟agent-based model, ABM从理论层面探索语义知识如何影响文化演化的动态然后通过一项大规模行为实验1,243 名参与者在人类身上直接检验理论预测。3.3.1 计算模型模型模拟了一个由多个个体组成的群体每个个体反复尝试通过组合物品来创新。此处组合创新任务借鉴了 Derex 和 Boyd2015开发的范式个体初始拥有六种基本物品如石头、树枝通过组合它们可发现新物品如石斧而新物品又可作为更高层次创新的材料。此种累积性结构正是人类文化演化的缩影。关键在于模型中的个体并非空白的行为者。研究者使用基于 skip-gram word2vec 算法的神经网络模拟语义知识的形成与更新。在该框架中每种物品被编码为高维空间中的向量其含义由它在成功配方中与其他物品的共现模式所定义。随着个体积累更多成功经验功能相似的物品如红色颜料与蓝色颜料——二者皆能与木材组合在向量空间中逐渐靠近形成语义簇。当个体面对新的组合选择时语义模型能够根据相似性推断哪些组合更可能成功此即基于相似性的泛化。模型中还设置了社会学习机制个体可观察群体中最成功者的配方并复制。通过 Moran 式选择过程更成功的创新者有更大概率将其语义知识传递给下一代。后代继承父代的语义模型但必须从最基础的物品库存重新开始通过个体探索或社会学习重建具体物品——这模拟了文化传承中传递的是可泛化的知识而非具体制品的现实。3.3.2 行为实验行为实验使用同样的组合创新任务但分为四个实验条件语义条件物品以真实图片呈现如石头、木棍与非语义条件同样的物品以抽象符号呈现剥夺了参与者调用先验语义知识的可能各自再交叉个体与群体两种社交设置。在群体条件中六人一组参与者可实时观察他人的发明。两种条件下的底层规则完全相同——唯一区别在于参与者能否利用自己对现实世界物体功能的语义理解。研究者还严格控制了两组图像在视觉显著性上的匹配。3.4 理论模型的发现3.4.1 语义知识与社会学习的协同效应拥有语义知识的群体积累了远大于无语义知识群体的文化库存cultural repertoire即群体中独特发明的总数。单独来看语义知识产生的效应量级与社会学习相当——两者各自都能显著提升文化积累。但当两种能力同时存在时效果并非简单叠加而是产生了协同增益拥有语义知识和社会学习的群体其文化库存大约是仅有社会学习的群体的两倍。此种协同源于正反馈循环——社会学习为语义模型提供了更多训练数据他人的成功配方而更精确的语义模型又反过来引导个体做出更有意义的探索发现更多新配方。3.4.2 进化竞争中的策略优势在进化竞争模拟中当四种策略类型纯随机、仅语义知识、仅社会学习、两者兼具在同一群体中共存时语义知识 社会学习类型迅速成为主导策略。该结果在不同初始策略分布和参数设置下均稳健成立。3.4.3 语义知识的结构化传承模型展示了语义知识本身如何在文化传承中逐渐变得更加结构化。早期个体的知识网络稀疏而无序但随着世代更替知识网络日益扩展并发展出显著的聚类结构表明有组织的语义体系通过文化传承逐步积累。更引人注目的是当研究者将模型最终演化出的语义表征与 Sentence-BERT一种在海量文本上训练的大语言模型所生成的语义表征进行比较时发现两者高度相关Spearmanρ 0.65 \rho 0.65ρ0.65,P 0.001 P 0.001P0.001。这表明模型中通过文化进化涌现的知识结构确实近似于真实世界中人类经过长期文化积累所形成的语义组织。3.4.4 搜索空间的约束机制语义知识的关键机制在于约束搜索空间。即便个体库存中只有十种物品理论上的组合数就已达到 285 种。拥有语义知识的个体探索了更少但更精准的组合更少的独特行动、更低的行动分布熵将注意力集中在合理的方向上避免了大量无意义的尝试。3.5 行为实验的发现3.5.1 语义条件与非语义条件的差异行为实验的结果印证了理论预测。在群体层面语义条件下的小组发现了显著更多的独特物品β 0.55 \beta 0.55β0.55,S E 0.06 SE 0.06SE0.06,z 8.89 z 8.89z8.89,P 0.001 P 0.001P0.001。语义知识的效益随社会学习的增加而放大——小组中社会学习越频繁语义条件与非语义条件的差距越大交互效应β 0.02 \beta 0.02β0.02,P 0.01 P 0.01P0.01精确复现了模型中的协同模式。3.5.2 语义缺失下的随机化表现当语义知识不可用时人类参与者的表现与随机组合物品的机器人没有统计学差异β 0.07 \beta 0.07β0.07,P 0.36 P 0.36P0.36。换言之剥夺了语义知识之后尽管人类拥有完整的推理能力、动机、反馈信息甚至社会学习机会其创新效率降低到了与随机搜索相当的水平。该发现表明语义知识对创新具有构成性作用——它从根本上塑造了创新过程本身。在个体层面语义条件下社会学习显著提升了创新成功率β 0.36 \beta 0.36β0.36,P 0.001 P 0.001P0.001个体人类亦显著优于随机机器人β 0.34 \beta 0.34β0.34,P 0.001 P 0.001P0.001。非语义条件下的创新成功率则大幅下降β − 0.42 \beta -0.42β−0.42,P 0.001 P 0.001P0.001。3.6 语义知识引导创新的行为机制研究者进一步分析了语义知识影响创新的具体行为机制。缩小搜索空间语义条件下的参与者在面对同样大小的物品库存时尝试了更少种类的组合交互效应β − 16.70 \beta -16.70β−16.70,P 0.001 P 0.001P0.001其行动分布的熵也更低β − 0.70 \beta -0.70β−0.70,P 0.001 P 0.001P0.001说明其探索更具针对性而非漫无目的。基于相似性的泛化成功创新之后语义条件下的参与者倾向于在下一次尝试中使用与成功配方语义相似的物品β 0.03 \beta 0.03β0.03,P 0.001 P 0.001P0.001。此种泛化策略选择性地发生在成功之后与成功/失败的交互效应显著排除了系统性穷举策略的解释证实了参与者确实在利用语义相似性指导后续探索。语义对比驱动创新参与者在语义条件下更倾向于组合语义不相似的物品β − 0.78 \beta -0.78β−0.78,P 0.001 P 0.001P0.001。这与真实世界中创新往往需要跨领域重组的规律一致——例如制作石斧需要将切割工具石头与手柄木棍这两个语义距离较远的概念结合起来。替代策略的涌现当语义知识不可用时参与者转向了其他启发式策略——更依赖视觉相似性、不确定性驱动的探索偏好自己尚未尝试过的组合和近因效应倾向于重复最近使用过的物品。然而这些替代策略未能弥补语义知识的缺失因为非语义条件的表现与随机机器人无异。3.7 社会学习的角色实验还深入考察了参与者如何使用社会学习。结果显示两种条件下参与者都倾向于在失败增多后增加社会学习β 0.02 \beta 0.02β0.02,P 0.001 P 0.001P0.001并且压倒性地选择观察得分最高的组员约 61%–65% 的概率选择第一名呈现出明确的成功偏向社会学习模式。但语义知识改变了社会学习的性质。在非语义条件下参与者更强烈地采用不满时才抄copy-when-dissatisfied的策略社会学习主要是对失败的被动反应。而在语义条件下由于参与者能够在内部依靠语义模型指导搜索其对社会信息的使用更加从容和策略性——不那么被即时的成败所驱动交互效应β − 0.01 \beta -0.01β−0.01,P 0.001 P 0.001P0.001。这意味着语义知识赋予了个体更大的认知自主性使社会学习从被动模仿转变为主动互补。3.8 语义知识的双刃剑效应语义知识在引导创新的同时亦可能构成认知约束。认知科学中存在一个长期悖论丰富的语义网络既能促进创造性思维也能约束它。一方面密集的语义连接提供了大量关联素材能够生成更多想法另一方面这些强大的、根深蒂固的关联会将思维吸向熟悉路径使其难以跳出常规。在创造性问题解决中当对某个领域了解太深语义网络反而可能成为牢笼。那些显然不可能“显然不合理”“显然不会成功的直觉判断恰恰是语义先验在起作用。一个资深工程师看到新问题第一反应是从已有方案库中匹配。这通常有效但当问题真正新颖时匹配即构成误判。语义地图过于精确精确到所有新路都被标记为此路不通”。研究表明语义知识对创造力的影响并非全局正或负而是取决于语义可及性semantic accessibility与经验语境的交互。当启发式默认很强而语义可及性低时知识会放大僵化当语义系统提供更广泛的替代解释路径时知识会增强灵活性。因此知识组织的灵活性至关重要能从多个角度重新理解的知识组织方式可成为创新的翅膀而只能按一种方式理解的知识组织方式则可能成为枷锁。3.9 人机协作与未来方向该研究提出了关于人机协作的展望。既然简单的随机探索策略在非语义条件下就能达到与人类相当的表现甚至在社会学习可用时超越人类那么在真实创新情境中简单但能覆盖广阔搜索空间的人工智能代理或许能帮助人类发现那些被语义先验所遮蔽的、反直觉的解决方案。语义知识在引导创新的同时也可能使人们忽略不合直觉但确实有效的组合。大语言模型LLM拥有巨大的知识量训练于万亿量级的文本语义网络在统计意义上极其密集。但 LLM 的创造力存在根本性局限LLM 主要通过重组和扩展现有知识生成创造性输出本质上无法重新定义可能想法的底层空间。LLM 的语义知识并非真正的概念理解而是统计共现模式它没有一个关于世界如何运作的因果模型只有关于词语如何共现的概率模型。当要求其创新时它不是在概念地图上探索新路而是在高维向量空间中寻找概率上最合理的邻居。未来顶级创新可能依赖于语义增强与世界模拟的结合人类负责顶层洞察、创意突破与价值判断语义优势AI 负责逻辑补全、仿真验证与快速迭代物理仿真优势。二者结合构成未来创新范式打通语义理解与环境仿真实现智能创新辅助。3.10 结论从石器时代到人工智能时代人类文明的每一步跃进都离不开创新。该研究表明创新并非漫无目的的随机漫步而是由世代积累的知识体系所照亮的方向性探索。当人类知道石头可以切“火可以热”纤维可以绑时并非在从零开始猜测世界的运行方式而是站在整个文化传统所构建的认知地图上朝着最可能有发现的方向迈出下一步。正是这张不可见的语义地图让人类的创新既有效率又具有开放性使得文化能够一代又一代地持续积累抵达任何单个个体凭一己之力永远无法企及的高度。前代传给后代的不仅仅是新的发明至少同等重要的是对世界如何运作的理解。如果知识只是一份答案清单那么 AI 已经能够调出人类数千年的答案库存。但如果知识是一种理解世界的方式一种组织概念关系的习惯一种在特定情境下判断什么可能有效的直觉那么这是目前任何 AI 都无法真正拥有的。创新不是信息的重新排列而是概念关系的重新配置。参考文献Yaman, A., Tian, S., Lindström, B. (2026). Semantic knowledge guides innovation and drives cultural evolution.Proceedings of the National Academy of Sciences,123(22), e2530750123. https://doi.org/10.1073/pnas.2530750123Chomsky, N. (1965).Aspects of the Theory of Syntax. MIT Press.Katz, J. J., Postal, P. M. (1964).An Integrated Theory of Linguistic Descriptions. MIT Press.Derex, M., Boyd, R. (2015). The foundations of the human cultural niche.Nature Communications, 6, 8398.如何像天才一样跨界搞创新顶刊用千人实验给出参考答案原创 郭瑞东 返朴 2026 年 7 月 26 日 10:05 北京科学史上有许多天才“灵光乍现”的例子也有很多人跨学科做出重要发现。这样创新的例子往往会被认为个案但也有学者试图为人类的文化和技术演变找到理论框架。最近一项聚焦于经典文化演化理论中创新机制的研究揭开了人类创新的“底层逻辑”语义知识是人类高效创新的基础一旦剥离了这些语义知识人类的创新能力也会大幅衰退。撰文 | 郭瑞东阿基米德在浴缸里发现了浮力定律凯库勒梦见蛇咬住自己的尾巴而悟出苯环结构当你听到这样的故事会不会认为这不过是灵光乍现呢近期发表在《美国国家科学院院刊》PNAS的一篇题为“语义知识引领创新推动文化的演变”Semantic knowledge guides innovation and drives cultural evolution的论文指出创新是大脑在面对难题时通过在语义空间提取出与当前问题结构相似的语义簇再通过联想、迁移与重组而生成新的认知产物[1]。按照此解释阿基米德脑中的语义网络将“身体排开的水量”与“王冠的体积”这两个属性在“置换”上关联了起来凯库勒的蛇也不是凭空出现的幻象而是“环形“首尾相连”“闭合结构”这些语义特征恰好与苯环的分子结构在形象上高度契合。文章指出语义知识Semantic knowledge是人类之所以能高效产生有意义发明的必要前提条件一旦少了这一环人群高效创新的能力会大幅衰退。1 在脑中构建意义地图很多人眼中知识如同字典里一个个孤立的词条例如苹果 一种红色的、圆的水果。而所谓的语义知识不仅把苹果看成一种水果还涉及它关联的性质脆或面的口感物理属性、能榨汁功能、牛顿被砸中传说故事、“一天一苹果医生远离我”文化隐喻甚至和“安卓”是商业竞争对手等多重含义。更精确地说语义知识是把概念、属性和功能联成一张网络的“意义地图”。正如论文作者指出“语义知识能让我们凭直觉知道一个东西是干什么用的而不需要弄懂它具体是怎么运作的。”对于人类文化与技术的演变此前研究认为其在本质上遵循与生物演化相同的逻辑**[2]。人类社会中前人的创新被保留下来后人在此基础上进行微小的修改和再创新。在这种逻辑下创新被简化为“随机变异random variation 选择selection 社会传播social learning”。然而这种视角在本质上把创新当成了群体的盲目试错——仿佛社会进步全靠某几个撞大运的幸运儿在前面开路而其余人只需要负责模仿。这种对创新的理解被称为盲变异与选择性保留blind-variation and selective-retentionBVSR[3]**。而此次PNAS的研究通过两个实验说明了“语义知识”对创新是不可或缺的如果没有对世界运作机制的基本理解人类的创新活动就会陷入无意义的猜测之中。第一个实验是建模仿真实验目的是对比不同机制下的创新。研究人员基于主体agent-based模型对比了包含与不含语义知识的主体在创新能力上有何差别。这里的语义知识被描述为“语义向量空间”semantic vector space其中具有相似物理属性或潜在功能的物品例如“带刺的藤蔓”和“锋利的石头”在空间坐标上的距离非常近会自然聚集成一个“语义簇”。图 1 计算机模拟的多主体建模其中将语义知识编码为“高维导航地图” 。 丨图源参考文献[1]需要特别说明的是本文中的“agent”主体并非指代当前流行的大语言模型驱动的智能体而是指计算机模拟中遵循简单规则的虚拟个体。它们没有自然语言理解能力仅通过预设的数学规则在“语义向量空间”中进行导航和探索。多个主体组成社交网络图 1A会进行社会学习模仿也会根据试错找出对应的功能图 1B其目标是共同找出一个特定的组合即有用的发明图 1C。一个具体例子是木头/树枝提供了手持的功能石头具有切割、刮削的功能两个语义完全不同的物品组合而成具有新功能的物品——石斧。没有语义知识的主体它就像无头苍蝇如果发现组合 AB 失败了它下一步会去试组合 CD 的概率是完全随机的。但对于拥有语义的主体如果组合 AB 失败了主体会查看表征事物的“语义地图”图 1D若发现 C 在向量空间中与 A 距离很近即属性相似图 1E红蓝代表两种染料它则会基于语义导航尝试 CB 的组合。图 2 群体累积的“独特发明规模”纵轴如何随世代迭代的改变横轴。丨图源参考文献[1]研究人员根据是否有语义知识及是否有社会学习设置了 2×2 分组四组分别为1) “独狼组”既看不懂物品的属性也不和其他人交流2) “跟风组”看不懂物品属性但它们会在其他主体找到成功组合后模仿3) “作坊组”能根据物品属性的相似度进行有逻辑的推测但它们只会闭门造车4) “创新组”同时有语义知识和社会学习的主体。创新组就像推动了工业革命的“月光社”Lunar Society这是一群由科学家、工程师、仪器制造商等组成的团体他们在满月时聚会畅所欲言极大促进了科技与实业的结合。模拟结果显示图 2A独狼组蓝色虚线迅速撞上“组合爆炸”的天花板初期纯靠运气撞对了几次但很快群体积累的独特发明个数就不再增长。跟风组蓝色实线则没多久就在积累的创新个数上撞到了天花板。这是因为社群虽然可以通过模仿他人来快速传播已有的成功方案但缺乏语义知识去解释为什么这个方案有效社群只是在一个黑箱里追逐眼前的奖励无法理解背后的结构更谈不上迭代优化。对于作坊组红色虚线每一个新的高阶创新例如需要先造出“锋利的石头”才能造出“带木柄的石斧”都必须从头开始、独立地重新发现随着创新复杂度的增加累积性重新发现的成本呈指数级上升个体的算力很快耗尽导致整个社群的累积独特发明规模迅速触及天花板。而同时包含语义 社会学习的“月光社”其积累的创新不仅初期快速上升远远甩开其他组合且没有触顶的迹象。这可能是由于拥有语义知识的主体能基于属性相似性提出更高质量的新组合如从“木棍石头”泛化出“木棍骨头”。加之群体内成功的创新会被迅速传播成为其他主体的新知识其他主体接收到这个新知识后不是盲目复制而是用自己的“语义地图”去解构它并与其他概念结合产生更复杂的“二代创新”如“带骨刺的木棍” “藤蔓” “狼牙棒”。这种“创新 → 传播 → 语义重构 → 再创新”的正反馈循环使得发明库像滚雪球一样越滚越大。2 大规模人类行为实验证明创新依赖语义知识虚拟世界中的模型得出的结论再漂亮很多人还是会问一句这是不是只在设定好的虚拟世界里成立对此作者开展了大规模真人行为实验——纳入总计 1243 名被试把他们放进一个需要不断试错和借鉴的任务环境里通过随机操控他们是否拥有关于任务结构的语义知识看创新和学习会怎样变化。被试要尝试不同的“物件组合”或“操作序列”来找出高价值组合。当任务包含语义信息时参与者屏幕上显示的是真实世界的物品图像如木棍、绳子、石头、布条等被试看到“绳子”时大脑的语义网络会在几毫秒内自动激活“长条状、可弯曲、有韧性、可捆绑”等丰富的属性和功能常识通过充分调动这些先验的语义知识来指导组合的选择。而关闭语义信息时屏幕上被替换成了无现实意义的抽象几何图形/色块如红色的多边形、蓝色的波浪线、黄色的圆圈等。这些图形在人类的现实经验中没有直接对应的功能或因果属性。参与者看到“红色多边形”时无法调用“它能用来干什么”的常识。研究者通过这种方式剥夺了被试的语义知识图 3A。图 3 行为实验的设计和结果。丨图源参考文献[1]为了证明“失去语义失去创新”研究者还设计了一个纯粹的随机点击程序结果显示人类非语义组的表现与随机点击程序在统计学上无显著差异图 3B 的发明数与图 3D 的创新成功率而包含语义知识后积累的发明总数图 3C与成功率图 3D显著增加。这表明一旦剥离了语义知识人类的创新引擎就熄火了表现与随机摸索无异。从上述实验可以看出当我们遇到没见过的问题时语义知识能帮助我们在功能或结构上找到相似的已知事物从而实现跨界迁移。这里令笔者想到了一个故事乔布斯在设计 Macintosh 电脑时试图让冰冷的计算机界面变得美观他想起十年前听过的书法课中讲的如何根据不同字母组合微调字间距而产生不同的视觉效果由此他为苹果设计出了多种字体和比例最终 Macintosh 成为早期支持多字体与排版的个人电脑。正如 2005 年他在斯坦福大学毕业演讲中说的“你无法预先串联起人生的点点滴滴只有在回顾时才能看清它们是如何联系在一起的。所以你必须相信这些点滴在未来总会以某种方式连接。”3 减少选择加速创新通过上述两项实验研究者证明了语义知识有助于创新他们继续追问语义知识是如何发挥作用的。图 4 揭示了当人类失去语义知识时他们的具体操作策略是如何一步步降级的。图 4 微观行为轨迹分析——“非语义退化”的微观证据。丨图源参考文献[1]语义知识的作用主要体现在它有助于人们将创新尝试集中在那些“有意义”的组合上。这表现为两个方面首先独特的组合更少图 4A由于拥有语义知识参与者能避免那些无意义的组合让探索更聚焦于有价值的方向。其次语义条件下衡量探索随机程度的香农熵更低图 4B熵越高探索的随机性越大熵越低说明探索越有明确的偏向性。这表明参与者进行了更少但更有针对性的组合尝试而且尝试成功后下一次尝试在语义上更加相似。比如尝试 “红颜料能染木头” 并且成功了大脑里的语义地图会自动关联到 “蓝颜料也是颜料核心功能都是上色”接下来就会优先尝试“蓝颜料 木头”的组合而非在海量选项里瞎碰运气图 4C即“基于语义的相似性泛化”。在组合时被试会主动选语义不一样、功能互补的物品拼在一起图 4D这符合真实世界的创新规律突破性创新往往来自跨领域、跨功能的概念重组。而一旦去掉语义知识比如把所有物品都换成无意义的抽象符号被试就像失去认知导航只能基于视觉图像的相似性决定是否换个思路图 4E。在无语义条件下被试还表现出依赖两种简单的策略靠运气尝试之前没试过的组合图 4F甚至退化为简单的记忆规律——刚用过的东西印象深就接着用即近因效应图 4G。这一系列表现可概括为无语义下的认知策略退化。该研究还得出一个非常有说服力的证据用以说明语义知识如何加速创新。在第一个基于主体的建模中研究者把模型学出来的实际物体之间的“语义相似度”和预训练语言模型如 Sentence-BERT 可生成语义向量表示的相似度做对比结果发现两者高度相关。这意味着模型并不是在一个“拍脑袋的抽象空间”里玩而是学出的语义结构与真实人类语言/概念空间高度一致。语义知识作为引导创新的“内在地图”和人类积累的常识理解高度对齐。4 不包含语义知识难以测出真正的创造力看到“剥离语义后人类创新引擎熄火”的结论有人可能会联想到如瑞文推理测试等这类经典的智力测试。这类测试的设计初衷正是要刻意剥离语义信息用抽象的几何图形来考查被试者。那么这类测试是否还有助于评估真实情境中的创造力呢实际上瑞文推理测试的目的是测量个体的流体智力fluid intelligence即在不依赖已有知识和经验的情况下理解新问题、进行抽象推理的能力。大量研究表明流体智力与创造力之间存在阈值效应在一定范围内高逻辑推理能力是进行创造性活动的必要条件但它不等同于创造力本身。图 5 一道瑞文推理测试的示例。丨图源iqmindware.com与之相对的语义知识属于晶体智力crystallized intelligence范畴指通过后天教育、生活经验和社会文化熏陶而获得的能力。PNAS论文中“语义剥离导致创新能力下降”的实验结论讨论的是在特定环境下群体失去语义知识和社会学习后的表现——认知策略退化。不能用瑞文测试中的个体差异与群体中的绝对表现直接对比。这恰恰说明真实世界的创新是流体智力与晶体智力协同作用的结果而非单一认知能力的产物。流体智力提供了逻辑推理与模式识别的“底层算力”语义知识晶体智力提供了“导航地图”与知识素材二者共同支撑了真实场景下的创造性产出。因此若想要提升创造力构建丰富的语义连接是有必要的。不要只看本行业的论文和报告可以去读完全不同领域的深度文章。问问自己“这个领域的背景知识能解决我行业的问题吗”通过这样的跨学科阅读丰富自己的语义地图。特别是现有通过语义网络分析个体知识结构的研究发现语义网络更“稀疏”的人遇到问题往往循规蹈矩在发散思维、远距联想任务中表现较弱网络“连通度高、整合性强”的人创造性表现更好**[4]**。上述结论不仅对理解人类认知有启示也对人工智能系统的设计有借鉴意义。一定程度上它可以解释为何大模型有时能给出让人眼前一亮的创新组合。大模型通过预训练保存了概率化的语义知识因此它有一定概率像有语义信息的人那样给出合适的组合。而为了让大模型更好地创新需要在提示词中通过示例或者详细的背景描述让大模型有显式的语义网络这也是提示词工程或少样本学习few-shot learning的原理。但大模型的这种创新是基于高维向量空间中概率分布的偶然碰撞。这就是为什么它有时能写出惊艳的商业计划书下一秒却会一本正经地胡说八道。因为它只有概率化的语义关联而缺少形式化的物理常识。它时不时的惊艳表现像是抽到了 SSR 隐藏款而非真正地如人类一样进行创新。参考文献[1]Yaman, A., Tian, S., Lindström, B. (2026). Semantic knowledge guides innovation and drives cultural evolution. Proc. Natl. Acad. Sci. U.S.A. 123 (22) e2530750123. https://doi.org/10.1073/pnas.2530750123[2]Mesoudi, A., Whiten, A., Laland, K. N. (2006). Towards a unified science of cultural evolution. Behavioral and Brain Sciences, 29(4), 329–347. https://doi.org/10.1017/s0140525x06009083[3]Simonton, D. K. (2022). The blind-variation and selective-retention theory of creativity: Recent developments and current status of BVSR. Creativity Research Journal, 35(3), 304–323. https://doi.org/10.1080/10400419.2022.2059919[4] Skurnik, A., Kenett, Y. N. (2026). Semantic memory structure and self-evaluation of creativity: Evidence across tasks and dimensions. Journal of Intelligence, 14(3), 41. https://doi.org/10.3390/jintelligence14030041Reference规则及规则系统语义学与语义规则https://mp.weixin.qq.com/s/coPK7LTj23EMH_cY0-txiQ语义知识图谱的重要性https://mp.weixin.qq.com/s/my0yuIWFOyRlzmDXV1D5CAPNAS | 语言才是人类创新的基石https://mp.weixin.qq.com/s/euth9v9b17KjWRZpGAf1Xg创新从何而来新研究发现语义知识是人类创新的关键https://mp.weixin.qq.com/s/Wkv_Syl-DPYpGq0nIr5c1Q语义知识创新的操作系统也是它的牢笼https://mp.weixin.qq.com/s/CTMY7V5oOaOH5dFtpDrr9g终于读懂人类创新的底层逻辑真正拉开创造力差距的是你的语义知识https://mp.weixin.qq.com/s/0z4xSuFhRWElStw9xQabLw如何像天才一样跨界搞创新顶刊用千人实验给出参考答案https://mp.weixin.qq.com/s/IcbHubu258x1Q3q165XFxQ
语义知识 | 理论、技术与创新
发布时间：2026/8/2 22:29:04
注本文为 “语义知识” 相关合辑。图片清晰度受引文原图所限。略作重排如有内容异常请看原文。语义知识理论、技术与创新一、语言学中的语义知识1.1 语义研究的定位历来语义研究在哲学与语言学两个领域中分别进行且主要在哲学领域中展开。语义学与逻辑学有密切联系。哲学领域中的语义研究围绕什么是意义的问题展开讨论而语言学领域中的语义研究则关注如何描写语义。结构主义语言学家认为语义难以客观分析因此有意识地忽视了语义研究。生成语法理论建立初期亦未将语义看作语法的一部分直至 1964 年 Katz 和 Postal 提出语法学应包含语义部分该观点被 Chomsky1965采纳从而建立了句法、音系和语义三足鼎立的标准理论。语义学研究人脑中的语义知识语义学家的任务是提出一套理论假设来描写和解释词语、句子中表现出的种种意义特点以及词语、句子之间的种种意义关系。语义领域的研究与句法领域的研究一样首先应区分语法知识与语用知识区分语言能力competence与语言使用performance。例如(1) Ronald Reagan won the 1985 Presidential election.(2) Walter Mondale lost the 1985 Presidential election.正确理解上述句子除必要的英语语法知识外还需知晓里根与蒙代尔在 1985 年分别作为两党候选人竞选美国总统这一事实。然而对该事件的认识不属于语法知识。生成语法学家认为此类现象是语用因素在句子中起作用而非语义因素研究语义问题时需将语用因素排除。因此作为生成语法学分支的语义学所研究的语义范围较传统意义或意思更小。语义研究的关键问题在于不能用现有语言描写语义否则将构成循环论证。哲学家已证明该方法的无效性。为此语言学家需假设一套元语言metalanguage来定义自然语言的意义。1.2 语义特征与分解理论现采用一套语义特征semantic feature分析语素的意义。语义特征即用于定义任何自然语言语义的元语言。例如对 bachelor单身汉进行语义特征分析可得(3) [HUMAN] [ADULT] [MALE] [NEVER MARRIED]语义特征可进一步用 “”、“-” 与 “±” 表示这些符号表示二分情况。尽管上述特征以英语书写但特征本身并非词仅为方便而约定采用英语书写且特征无语音形式。母语者或熟练掌握英语者大多知晓一个词可分解为若干上述特征此种知道属于潜意识层面的内在知识tacit knowledge而非命题知识propositional knowledge。生成语法学认为人脑中存在词库lexicon词库中包含一系列词项lexical entries。词项的语义特征、句法特征与语音特征均为无规律的非系统性知识每习得一个词即需主动记住一组特征如此方算真正掌握该词。关于语义特征的争议颇多语言学家亦难以估计语义特征的具体数量。然而讨论特征的具体数目意义有限因多数情况下语义特征研究在比较中进行比数目更重要的是二分情况。另有学者提出语义特征具有结构层次。例如 bachelor 的语义特征可用下图表示此类表达式称为语义表达式semantic representation。将句子、词组、单词的意义分解为语义标示再用语义表达式表示语义的理论被称为分解理论De-compositional Theory。1.3 语义规则与投射规则语义表达式必须以句法表达式为基础句法部分是独立的语义部分则非独立。例如(4) The bachelor chased the spinster.理解该句需先明确每个词的词项其次需知晓句子的句法结构。此外还需一种按句法结构合成语义的能力否则词与词的意义始终离散无法形成整体句义。此种能力体现为一套规则即投射规则projection rule包含三种合成方式或操作类型。第一种为内包embedding。在变项的句法条件与选择限制条件下用名词词组的表达式代入动词语义表达式中的变项 X即得到完整句子的语义表达式。此类动词词组表达式内包含名词词组表达式的合成方式属于内包性投射规则。例如动词 chase 的表达式如下其中 [ACTIVITY] 表示活动概念[LOCATION] 表示目标趋向[CATCHING] 表示目的为追上某人或某物。三个标示符号后均带省略号表示三个需名词词组填入的空位。名词词组填入过程中需受选择限制主要由动词的性质与语义决定。第二种为添加attachment指在谓词或名词基础上扩充语义标示使语义表达更丰富准确。例如(5) The bachelor chased the spinster madly.(6) The bachelor chased the spinster with a stick.(5) 与 (6) 的语义表达式均在 (4) 的语义表达式基础上形成只需在树形图上分别挂上 madly 的语义表达式与 with a stick 的语义表达式即可。第三种为转化conversion。例如(7) John intentionally killed himself.(8) John committed suicide.(7) 与 (8) 同义其区别在于语义表达式相应内包位置具有不同选择限制导致实际表达有所不同但二者可通过转化实现互相变换。转化操作总发生在具有类似关系的语义现象上如 kill 与 killer 的关系、perfect 与 flawed 的关系等。使用投射规则可得到句子的语义表达式。语义表达式虽亦为树形结构但与深层结构等句法表达式不同。投射规则系统属于语法的语义部分Semantic Component。语义部分与转换部分按不同路线从基础部分中延伸出来。二、语义知识图谱2.1 知识图谱的定义知识图谱是由代表现实世界对象如人、组织与抽象概念如职业、主题及其语义关系和属性构成的大型实体网络。与传统数据库系统不同知识图谱超越简单的数据存储更侧重于实体定义及其相互联系。例如在安全应用场景中理解系统间的联系及其相互影响对检测和预防恶意活动至关重要若无知识图谱明确捕获和展现这些关系系统漏洞与潜在威胁可能被忽视。知识图谱成为独特而强大的数据解决方案关键在于其包含的语义数据模型即本体ontology。本体、语义模型与语义数据模型均指对某一领域内概念和关系的正式且明确的定义。本体为知识图谱中的数据赋予上下文与意义使人类与计算机皆能理解。它提供鸟瞰视角审视数据揭示层级结构、精确定义与关键上下文开启深层解释途径。本体可定义为语义数据模型定义了领域中存在的实体类型以及可用于描述它们的属性。本体结合了表示、正式命名以及定义论域的元素如类和关系的定义。虽然知识图谱可独立于本体而存在但由于人类天生倾向于以可视化或结构化方式组织数据本体通常被包含在知识图谱中。本体亦可应用于非结构化数据或低关联性数据但通常会将其转换为知识图谱。此外可直接在知识图谱中导入或创建本体来建模特定领域而无需加载数据这在某些应用场景中十分有用。2.2 语义知识图谱的关键特征语义建模具有语义层可将数据上下文化通过表示、正式命名和元素定义嵌入含义。机器可解释旨在由人类和机器进行处理、分析和解释。关系作为一等公民使用节点、边和标签描述实体、关系和属性。遵循开放标准遵循开放标准以实现可重用性、互操作性和协作性如 W3C Web 技术栈。灵活性可调整以适应领域变化使其能够成长和发展。协调统一采用标准化方式定义词汇即分类法使数据清晰、一致且有条理。可查询性可使用自然语言或结构化查询进行查询使用户和机器能够快速检索相关信息。可选联合性能够整合不同来源数据创建对所代表领域的更全面视图。企业知识图谱平台通常基于 W3C 语义网计划语义网堆栈的开放标准创建确保互操作性、可重用性与协作性相关技术包括RDFRDFSSPARQLOWLSHACLRDF-starSKOS2.3 语义知识图谱的三层结构2.3.1 第一层实例数据层知识图谱的第一层为实例数据层捕获实例数据及其关系。该层优于关系型数据库之处在于可沿关系跨多个数据源进行查询。此层记录实体及其关系的明确定义是任何图结构的基础层。然而该层存在局限不能促进自动推理不能包含逻辑映射亦不能被机器解释。此外该层在一致性方面存在局限由于术语多样性不同来源系统之间的分类可能不够一致理想情况下应整合为统一术语因此第二层至关重要。2.3.2 第二层词汇层第二层即词汇层使用一套词汇表定义不同系统与部门间使用的术语。企业通常拥有多个数据系统与异构数据集这些系统和数据集可能对类似概念使用不同术语。词汇表是按照层级式分类体系组织术语的集合一个术语可包含首选标签与备选标签并具有明确范围以描述特定领域。常见类型包括同义词库、分类法、术语集、词汇表、分类体系与主题词表。例如若一个部门将职位描述为助理区域经理另一部门标记为二级区域经理则人或机器阅读时可能出现重复、混乱与不一致。公共词汇表如经济学领域的 STW 词库与 MeSH。通过使用一致表示方法各利益相关者可对领域内关键业务术语与概念达成共识有助于更准确一致地表示知识简化互操作性并鼓励知识创造。公共分类法与词汇表亦可作为专有知识模型的扩展以满足特定需求与用例。并非所有知识图谱都包含该层。创建定义与构建词汇表需人工参与此人工流程对确保不同系统间一致性至关重要。2.3.3 第三层语义层本体层本体层是知识图谱中最重要却常被忽视的一层。该层将简单图结构与能够发现有意义知识的图结构区分开来因其能够对数据含义进行建模并教会机器如何利用这些信息。词汇表帮助在术语层面组织、注释和查询知识图谱而本体在逻辑层面运作支持知识图谱的开发、维护和查询。本体亦为机器推理提供基础因其表示实体与关系的逻辑定义或逻辑公理化并能促进规则构建。例如本体可定义某人在公司中扮演的角色而词汇表可使用受控词汇描述这些角色如销售经理、接待员、区域经理等。该语义层帮助计算机理解公司、供应商、流程与产品等概念及其相互联系。若无语义知识图谱机器或人均无法理解实体间连接方式及其含义若要求机器做出决策其可能给出错误结果。假设需利用机器学习优化供应链则优化供应链究竟意味着什么可优化哪些关键因素能否同时优化流程、产品与供应商借助领域专家帮助可明确对这些场景建模并构建语义知识图谱以机器可理解方式捕获这些知识。W3C 语义 Web 技术栈在此方面表现优异因其提供 OWL 与 SHACL 辅助该过程。该层的机器可理解性使不同系统间互操作性与可重用性成为可能从而能够为各种系统或用例实现数据平滑集成。与词汇层类似可利用和扩展公共本体如 schema.org、FOAF、FIBO 等中捕获的知识以扩展和丰富语义层的语义模型。此外元认知技术能够将词汇表与本体显式关联通过将类限制为词汇表中的整个词汇表、集合或子树具有诸多优势能够在模型驱动的搜索和创作界面中利用受控词汇表使最终用户能够基于既定术语体系制定并迭代完善其信息需求使人工智能应用程序将识别出的术语结构化为类有助于这些应用程序更好理解和准确解释术语间关系从而更全面理解数据。由于词汇表可在本体之外维护因此还简化了对各个资产的管理并有助于确保数据质量。三、语义知识与创新3.1 研究背景与问题人类文明最引人注目的特征之一是能够在世代之间积累创新。从最早的石器到人工智能从刀耕火种到太空探索每一代人都站在前人肩膀上继续向前。此种累积性文化演化cumulative cultural evolution被认为是人类区别于其他动物的重要能力。长期以来研究者主要将此成就归功于社会学习即人与人之间的模仿、教导与信息传播。然而创新本身如何产生始终是关键问题。经典理论常将创新简化为随机变异视为不可预测、无方向性的过程社会学习负责保留和传播好的变异自然选择负责筛除坏的变异。该模型简洁有力但留下明显漏洞若创新真如掷骰子般随机面对由数百种可能组合构成的巨大搜索空间人类为何能如此高效地找到有用解决方案2026 年 5 月发表于PNAS的一项研究Yaman, Tian, Lindström, 2026回答了该问题。研究者提出并验证了一个假说语义知识semantic knowledge即人脑中关于概念之间关系、物体属性与功能的结构化联想才是引导人类创新的关键认知资源。它不仅提升了个体创新的成功率还与社会学习产生了协同效应共同推动了累积性文化演化。3.2 语义知识的认知科学定义在认知科学中语义知识指储存在语义记忆中的、关于概念、物体及其属性和功能之间的结构化关联。它不同于对具体事件的回忆情景记忆而是一种抽象的、可迁移的知识网络。例如知晓锋利的石头可以切割“火可以加热”“植物纤维可以捆绑”这些即为语义知识。这些知识无需每次都从头推理因果机制凭借对物体典型功能的直觉理解即可快速判断哪些组合可能有意义。语义知识本身也是文化演化的产物。它通过语言和经验在代际间传递随前人创新所塑造的生态和技术环境而不断精炼。因此它既是创新的输入也是累积性文化过程的输出形成一种在文化与认知之间的正反馈循环。3.3 研究设计研究者首先通过基于主体的计算机模拟agent-based model, ABM从理论层面探索语义知识如何影响文化演化的动态然后通过一项大规模行为实验1,243 名参与者在人类身上直接检验理论预测。3.3.1 计算模型模型模拟了一个由多个个体组成的群体每个个体反复尝试通过组合物品来创新。此处组合创新任务借鉴了 Derex 和 Boyd2015开发的范式个体初始拥有六种基本物品如石头、树枝通过组合它们可发现新物品如石斧而新物品又可作为更高层次创新的材料。此种累积性结构正是人类文化演化的缩影。关键在于模型中的个体并非空白的行为者。研究者使用基于 skip-gram word2vec 算法的神经网络模拟语义知识的形成与更新。在该框架中每种物品被编码为高维空间中的向量其含义由它在成功配方中与其他物品的共现模式所定义。随着个体积累更多成功经验功能相似的物品如红色颜料与蓝色颜料——二者皆能与木材组合在向量空间中逐渐靠近形成语义簇。当个体面对新的组合选择时语义模型能够根据相似性推断哪些组合更可能成功此即基于相似性的泛化。模型中还设置了社会学习机制个体可观察群体中最成功者的配方并复制。通过 Moran 式选择过程更成功的创新者有更大概率将其语义知识传递给下一代。后代继承父代的语义模型但必须从最基础的物品库存重新开始通过个体探索或社会学习重建具体物品——这模拟了文化传承中传递的是可泛化的知识而非具体制品的现实。3.3.2 行为实验行为实验使用同样的组合创新任务但分为四个实验条件语义条件物品以真实图片呈现如石头、木棍与非语义条件同样的物品以抽象符号呈现剥夺了参与者调用先验语义知识的可能各自再交叉个体与群体两种社交设置。在群体条件中六人一组参与者可实时观察他人的发明。两种条件下的底层规则完全相同——唯一区别在于参与者能否利用自己对现实世界物体功能的语义理解。研究者还严格控制了两组图像在视觉显著性上的匹配。3.4 理论模型的发现3.4.1 语义知识与社会学习的协同效应拥有语义知识的群体积累了远大于无语义知识群体的文化库存cultural repertoire即群体中独特发明的总数。单独来看语义知识产生的效应量级与社会学习相当——两者各自都能显著提升文化积累。但当两种能力同时存在时效果并非简单叠加而是产生了协同增益拥有语义知识和社会学习的群体其文化库存大约是仅有社会学习的群体的两倍。此种协同源于正反馈循环——社会学习为语义模型提供了更多训练数据他人的成功配方而更精确的语义模型又反过来引导个体做出更有意义的探索发现更多新配方。3.4.2 进化竞争中的策略优势在进化竞争模拟中当四种策略类型纯随机、仅语义知识、仅社会学习、两者兼具在同一群体中共存时语义知识 社会学习类型迅速成为主导策略。该结果在不同初始策略分布和参数设置下均稳健成立。3.4.3 语义知识的结构化传承模型展示了语义知识本身如何在文化传承中逐渐变得更加结构化。早期个体的知识网络稀疏而无序但随着世代更替知识网络日益扩展并发展出显著的聚类结构表明有组织的语义体系通过文化传承逐步积累。更引人注目的是当研究者将模型最终演化出的语义表征与 Sentence-BERT一种在海量文本上训练的大语言模型所生成的语义表征进行比较时发现两者高度相关Spearmanρ 0.65 \rho 0.65ρ0.65,P 0.001 P 0.001P0.001。这表明模型中通过文化进化涌现的知识结构确实近似于真实世界中人类经过长期文化积累所形成的语义组织。3.4.4 搜索空间的约束机制语义知识的关键机制在于约束搜索空间。即便个体库存中只有十种物品理论上的组合数就已达到 285 种。拥有语义知识的个体探索了更少但更精准的组合更少的独特行动、更低的行动分布熵将注意力集中在合理的方向上避免了大量无意义的尝试。3.5 行为实验的发现3.5.1 语义条件与非语义条件的差异行为实验的结果印证了理论预测。在群体层面语义条件下的小组发现了显著更多的独特物品β 0.55 \beta 0.55β0.55,S E 0.06 SE 0.06SE0.06,z 8.89 z 8.89z8.89,P 0.001 P 0.001P0.001。语义知识的效益随社会学习的增加而放大——小组中社会学习越频繁语义条件与非语义条件的差距越大交互效应β 0.02 \beta 0.02β0.02,P 0.01 P 0.01P0.01精确复现了模型中的协同模式。3.5.2 语义缺失下的随机化表现当语义知识不可用时人类参与者的表现与随机组合物品的机器人没有统计学差异β 0.07 \beta 0.07β0.07,P 0.36 P 0.36P0.36。换言之剥夺了语义知识之后尽管人类拥有完整的推理能力、动机、反馈信息甚至社会学习机会其创新效率降低到了与随机搜索相当的水平。该发现表明语义知识对创新具有构成性作用——它从根本上塑造了创新过程本身。在个体层面语义条件下社会学习显著提升了创新成功率β 0.36 \beta 0.36β0.36,P 0.001 P 0.001P0.001个体人类亦显著优于随机机器人β 0.34 \beta 0.34β0.34,P 0.001 P 0.001P0.001。非语义条件下的创新成功率则大幅下降β − 0.42 \beta -0.42β−0.42,P 0.001 P 0.001P0.001。3.6 语义知识引导创新的行为机制研究者进一步分析了语义知识影响创新的具体行为机制。缩小搜索空间语义条件下的参与者在面对同样大小的物品库存时尝试了更少种类的组合交互效应β − 16.70 \beta -16.70β−16.70,P 0.001 P 0.001P0.001其行动分布的熵也更低β − 0.70 \beta -0.70β−0.70,P 0.001 P 0.001P0.001说明其探索更具针对性而非漫无目的。基于相似性的泛化成功创新之后语义条件下的参与者倾向于在下一次尝试中使用与成功配方语义相似的物品β 0.03 \beta 0.03β0.03,P 0.001 P 0.001P0.001。此种泛化策略选择性地发生在成功之后与成功/失败的交互效应显著排除了系统性穷举策略的解释证实了参与者确实在利用语义相似性指导后续探索。语义对比驱动创新参与者在语义条件下更倾向于组合语义不相似的物品β − 0.78 \beta -0.78β−0.78,P 0.001 P 0.001P0.001。这与真实世界中创新往往需要跨领域重组的规律一致——例如制作石斧需要将切割工具石头与手柄木棍这两个语义距离较远的概念结合起来。替代策略的涌现当语义知识不可用时参与者转向了其他启发式策略——更依赖视觉相似性、不确定性驱动的探索偏好自己尚未尝试过的组合和近因效应倾向于重复最近使用过的物品。然而这些替代策略未能弥补语义知识的缺失因为非语义条件的表现与随机机器人无异。3.7 社会学习的角色实验还深入考察了参与者如何使用社会学习。结果显示两种条件下参与者都倾向于在失败增多后增加社会学习β 0.02 \beta 0.02β0.02,P 0.001 P 0.001P0.001并且压倒性地选择观察得分最高的组员约 61%–65% 的概率选择第一名呈现出明确的成功偏向社会学习模式。但语义知识改变了社会学习的性质。在非语义条件下参与者更强烈地采用不满时才抄copy-when-dissatisfied的策略社会学习主要是对失败的被动反应。而在语义条件下由于参与者能够在内部依靠语义模型指导搜索其对社会信息的使用更加从容和策略性——不那么被即时的成败所驱动交互效应β − 0.01 \beta -0.01β−0.01,P 0.001 P 0.001P0.001。这意味着语义知识赋予了个体更大的认知自主性使社会学习从被动模仿转变为主动互补。3.8 语义知识的双刃剑效应语义知识在引导创新的同时亦可能构成认知约束。认知科学中存在一个长期悖论丰富的语义网络既能促进创造性思维也能约束它。一方面密集的语义连接提供了大量关联素材能够生成更多想法另一方面这些强大的、根深蒂固的关联会将思维吸向熟悉路径使其难以跳出常规。在创造性问题解决中当对某个领域了解太深语义网络反而可能成为牢笼。那些显然不可能“显然不合理”“显然不会成功的直觉判断恰恰是语义先验在起作用。一个资深工程师看到新问题第一反应是从已有方案库中匹配。这通常有效但当问题真正新颖时匹配即构成误判。语义地图过于精确精确到所有新路都被标记为此路不通”。研究表明语义知识对创造力的影响并非全局正或负而是取决于语义可及性semantic accessibility与经验语境的交互。当启发式默认很强而语义可及性低时知识会放大僵化当语义系统提供更广泛的替代解释路径时知识会增强灵活性。因此知识组织的灵活性至关重要能从多个角度重新理解的知识组织方式可成为创新的翅膀而只能按一种方式理解的知识组织方式则可能成为枷锁。3.9 人机协作与未来方向该研究提出了关于人机协作的展望。既然简单的随机探索策略在非语义条件下就能达到与人类相当的表现甚至在社会学习可用时超越人类那么在真实创新情境中简单但能覆盖广阔搜索空间的人工智能代理或许能帮助人类发现那些被语义先验所遮蔽的、反直觉的解决方案。语义知识在引导创新的同时也可能使人们忽略不合直觉但确实有效的组合。大语言模型LLM拥有巨大的知识量训练于万亿量级的文本语义网络在统计意义上极其密集。但 LLM 的创造力存在根本性局限LLM 主要通过重组和扩展现有知识生成创造性输出本质上无法重新定义可能想法的底层空间。LLM 的语义知识并非真正的概念理解而是统计共现模式它没有一个关于世界如何运作的因果模型只有关于词语如何共现的概率模型。当要求其创新时它不是在概念地图上探索新路而是在高维向量空间中寻找概率上最合理的邻居。未来顶级创新可能依赖于语义增强与世界模拟的结合人类负责顶层洞察、创意突破与价值判断语义优势AI 负责逻辑补全、仿真验证与快速迭代物理仿真优势。二者结合构成未来创新范式打通语义理解与环境仿真实现智能创新辅助。3.10 结论从石器时代到人工智能时代人类文明的每一步跃进都离不开创新。该研究表明创新并非漫无目的的随机漫步而是由世代积累的知识体系所照亮的方向性探索。当人类知道石头可以切“火可以热”纤维可以绑时并非在从零开始猜测世界的运行方式而是站在整个文化传统所构建的认知地图上朝着最可能有发现的方向迈出下一步。正是这张不可见的语义地图让人类的创新既有效率又具有开放性使得文化能够一代又一代地持续积累抵达任何单个个体凭一己之力永远无法企及的高度。前代传给后代的不仅仅是新的发明至少同等重要的是对世界如何运作的理解。如果知识只是一份答案清单那么 AI 已经能够调出人类数千年的答案库存。但如果知识是一种理解世界的方式一种组织概念关系的习惯一种在特定情境下判断什么可能有效的直觉那么这是目前任何 AI 都无法真正拥有的。创新不是信息的重新排列而是概念关系的重新配置。参考文献Yaman, A., Tian, S., Lindström, B. (2026). Semantic knowledge guides innovation and drives cultural evolution.Proceedings of the National Academy of Sciences,123(22), e2530750123. https://doi.org/10.1073/pnas.2530750123Chomsky, N. (1965).Aspects of the Theory of Syntax. MIT Press.Katz, J. J., Postal, P. M. (1964).An Integrated Theory of Linguistic Descriptions. MIT Press.Derex, M., Boyd, R. (2015). The foundations of the human cultural niche.Nature Communications, 6, 8398.如何像天才一样跨界搞创新顶刊用千人实验给出参考答案原创 郭瑞东 返朴 2026 年 7 月 26 日 10:05 北京科学史上有许多天才“灵光乍现”的例子也有很多人跨学科做出重要发现。这样创新的例子往往会被认为个案但也有学者试图为人类的文化和技术演变找到理论框架。最近一项聚焦于经典文化演化理论中创新机制的研究揭开了人类创新的“底层逻辑”语义知识是人类高效创新的基础一旦剥离了这些语义知识人类的创新能力也会大幅衰退。撰文 | 郭瑞东阿基米德在浴缸里发现了浮力定律凯库勒梦见蛇咬住自己的尾巴而悟出苯环结构当你听到这样的故事会不会认为这不过是灵光乍现呢近期发表在《美国国家科学院院刊》PNAS的一篇题为“语义知识引领创新推动文化的演变”Semantic knowledge guides innovation and drives cultural evolution的论文指出创新是大脑在面对难题时通过在语义空间提取出与当前问题结构相似的语义簇再通过联想、迁移与重组而生成新的认知产物[1]。按照此解释阿基米德脑中的语义网络将“身体排开的水量”与“王冠的体积”这两个属性在“置换”上关联了起来凯库勒的蛇也不是凭空出现的幻象而是“环形“首尾相连”“闭合结构”这些语义特征恰好与苯环的分子结构在形象上高度契合。文章指出语义知识Semantic knowledge是人类之所以能高效产生有意义发明的必要前提条件一旦少了这一环人群高效创新的能力会大幅衰退。1 在脑中构建意义地图很多人眼中知识如同字典里一个个孤立的词条例如苹果 一种红色的、圆的水果。而所谓的语义知识不仅把苹果看成一种水果还涉及它关联的性质脆或面的口感物理属性、能榨汁功能、牛顿被砸中传说故事、“一天一苹果医生远离我”文化隐喻甚至和“安卓”是商业竞争对手等多重含义。更精确地说语义知识是把概念、属性和功能联成一张网络的“意义地图”。正如论文作者指出“语义知识能让我们凭直觉知道一个东西是干什么用的而不需要弄懂它具体是怎么运作的。”对于人类文化与技术的演变此前研究认为其在本质上遵循与生物演化相同的逻辑**[2]。人类社会中前人的创新被保留下来后人在此基础上进行微小的修改和再创新。在这种逻辑下创新被简化为“随机变异random variation 选择selection 社会传播social learning”。然而这种视角在本质上把创新当成了群体的盲目试错——仿佛社会进步全靠某几个撞大运的幸运儿在前面开路而其余人只需要负责模仿。这种对创新的理解被称为盲变异与选择性保留blind-variation and selective-retentionBVSR[3]**。而此次PNAS的研究通过两个实验说明了“语义知识”对创新是不可或缺的如果没有对世界运作机制的基本理解人类的创新活动就会陷入无意义的猜测之中。第一个实验是建模仿真实验目的是对比不同机制下的创新。研究人员基于主体agent-based模型对比了包含与不含语义知识的主体在创新能力上有何差别。这里的语义知识被描述为“语义向量空间”semantic vector space其中具有相似物理属性或潜在功能的物品例如“带刺的藤蔓”和“锋利的石头”在空间坐标上的距离非常近会自然聚集成一个“语义簇”。图 1 计算机模拟的多主体建模其中将语义知识编码为“高维导航地图” 。 丨图源参考文献[1]需要特别说明的是本文中的“agent”主体并非指代当前流行的大语言模型驱动的智能体而是指计算机模拟中遵循简单规则的虚拟个体。它们没有自然语言理解能力仅通过预设的数学规则在“语义向量空间”中进行导航和探索。多个主体组成社交网络图 1A会进行社会学习模仿也会根据试错找出对应的功能图 1B其目标是共同找出一个特定的组合即有用的发明图 1C。一个具体例子是木头/树枝提供了手持的功能石头具有切割、刮削的功能两个语义完全不同的物品组合而成具有新功能的物品——石斧。没有语义知识的主体它就像无头苍蝇如果发现组合 AB 失败了它下一步会去试组合 CD 的概率是完全随机的。但对于拥有语义的主体如果组合 AB 失败了主体会查看表征事物的“语义地图”图 1D若发现 C 在向量空间中与 A 距离很近即属性相似图 1E红蓝代表两种染料它则会基于语义导航尝试 CB 的组合。图 2 群体累积的“独特发明规模”纵轴如何随世代迭代的改变横轴。丨图源参考文献[1]研究人员根据是否有语义知识及是否有社会学习设置了 2×2 分组四组分别为1) “独狼组”既看不懂物品的属性也不和其他人交流2) “跟风组”看不懂物品属性但它们会在其他主体找到成功组合后模仿3) “作坊组”能根据物品属性的相似度进行有逻辑的推测但它们只会闭门造车4) “创新组”同时有语义知识和社会学习的主体。创新组就像推动了工业革命的“月光社”Lunar Society这是一群由科学家、工程师、仪器制造商等组成的团体他们在满月时聚会畅所欲言极大促进了科技与实业的结合。模拟结果显示图 2A独狼组蓝色虚线迅速撞上“组合爆炸”的天花板初期纯靠运气撞对了几次但很快群体积累的独特发明个数就不再增长。跟风组蓝色实线则没多久就在积累的创新个数上撞到了天花板。这是因为社群虽然可以通过模仿他人来快速传播已有的成功方案但缺乏语义知识去解释为什么这个方案有效社群只是在一个黑箱里追逐眼前的奖励无法理解背后的结构更谈不上迭代优化。对于作坊组红色虚线每一个新的高阶创新例如需要先造出“锋利的石头”才能造出“带木柄的石斧”都必须从头开始、独立地重新发现随着创新复杂度的增加累积性重新发现的成本呈指数级上升个体的算力很快耗尽导致整个社群的累积独特发明规模迅速触及天花板。而同时包含语义 社会学习的“月光社”其积累的创新不仅初期快速上升远远甩开其他组合且没有触顶的迹象。这可能是由于拥有语义知识的主体能基于属性相似性提出更高质量的新组合如从“木棍石头”泛化出“木棍骨头”。加之群体内成功的创新会被迅速传播成为其他主体的新知识其他主体接收到这个新知识后不是盲目复制而是用自己的“语义地图”去解构它并与其他概念结合产生更复杂的“二代创新”如“带骨刺的木棍” “藤蔓” “狼牙棒”。这种“创新 → 传播 → 语义重构 → 再创新”的正反馈循环使得发明库像滚雪球一样越滚越大。2 大规模人类行为实验证明创新依赖语义知识虚拟世界中的模型得出的结论再漂亮很多人还是会问一句这是不是只在设定好的虚拟世界里成立对此作者开展了大规模真人行为实验——纳入总计 1243 名被试把他们放进一个需要不断试错和借鉴的任务环境里通过随机操控他们是否拥有关于任务结构的语义知识看创新和学习会怎样变化。被试要尝试不同的“物件组合”或“操作序列”来找出高价值组合。当任务包含语义信息时参与者屏幕上显示的是真实世界的物品图像如木棍、绳子、石头、布条等被试看到“绳子”时大脑的语义网络会在几毫秒内自动激活“长条状、可弯曲、有韧性、可捆绑”等丰富的属性和功能常识通过充分调动这些先验的语义知识来指导组合的选择。而关闭语义信息时屏幕上被替换成了无现实意义的抽象几何图形/色块如红色的多边形、蓝色的波浪线、黄色的圆圈等。这些图形在人类的现实经验中没有直接对应的功能或因果属性。参与者看到“红色多边形”时无法调用“它能用来干什么”的常识。研究者通过这种方式剥夺了被试的语义知识图 3A。图 3 行为实验的设计和结果。丨图源参考文献[1]为了证明“失去语义失去创新”研究者还设计了一个纯粹的随机点击程序结果显示人类非语义组的表现与随机点击程序在统计学上无显著差异图 3B 的发明数与图 3D 的创新成功率而包含语义知识后积累的发明总数图 3C与成功率图 3D显著增加。这表明一旦剥离了语义知识人类的创新引擎就熄火了表现与随机摸索无异。从上述实验可以看出当我们遇到没见过的问题时语义知识能帮助我们在功能或结构上找到相似的已知事物从而实现跨界迁移。这里令笔者想到了一个故事乔布斯在设计 Macintosh 电脑时试图让冰冷的计算机界面变得美观他想起十年前听过的书法课中讲的如何根据不同字母组合微调字间距而产生不同的视觉效果由此他为苹果设计出了多种字体和比例最终 Macintosh 成为早期支持多字体与排版的个人电脑。正如 2005 年他在斯坦福大学毕业演讲中说的“你无法预先串联起人生的点点滴滴只有在回顾时才能看清它们是如何联系在一起的。所以你必须相信这些点滴在未来总会以某种方式连接。”3 减少选择加速创新通过上述两项实验研究者证明了语义知识有助于创新他们继续追问语义知识是如何发挥作用的。图 4 揭示了当人类失去语义知识时他们的具体操作策略是如何一步步降级的。图 4 微观行为轨迹分析——“非语义退化”的微观证据。丨图源参考文献[1]语义知识的作用主要体现在它有助于人们将创新尝试集中在那些“有意义”的组合上。这表现为两个方面首先独特的组合更少图 4A由于拥有语义知识参与者能避免那些无意义的组合让探索更聚焦于有价值的方向。其次语义条件下衡量探索随机程度的香农熵更低图 4B熵越高探索的随机性越大熵越低说明探索越有明确的偏向性。这表明参与者进行了更少但更有针对性的组合尝试而且尝试成功后下一次尝试在语义上更加相似。比如尝试 “红颜料能染木头” 并且成功了大脑里的语义地图会自动关联到 “蓝颜料也是颜料核心功能都是上色”接下来就会优先尝试“蓝颜料 木头”的组合而非在海量选项里瞎碰运气图 4C即“基于语义的相似性泛化”。在组合时被试会主动选语义不一样、功能互补的物品拼在一起图 4D这符合真实世界的创新规律突破性创新往往来自跨领域、跨功能的概念重组。而一旦去掉语义知识比如把所有物品都换成无意义的抽象符号被试就像失去认知导航只能基于视觉图像的相似性决定是否换个思路图 4E。在无语义条件下被试还表现出依赖两种简单的策略靠运气尝试之前没试过的组合图 4F甚至退化为简单的记忆规律——刚用过的东西印象深就接着用即近因效应图 4G。这一系列表现可概括为无语义下的认知策略退化。该研究还得出一个非常有说服力的证据用以说明语义知识如何加速创新。在第一个基于主体的建模中研究者把模型学出来的实际物体之间的“语义相似度”和预训练语言模型如 Sentence-BERT 可生成语义向量表示的相似度做对比结果发现两者高度相关。这意味着模型并不是在一个“拍脑袋的抽象空间”里玩而是学出的语义结构与真实人类语言/概念空间高度一致。语义知识作为引导创新的“内在地图”和人类积累的常识理解高度对齐。4 不包含语义知识难以测出真正的创造力看到“剥离语义后人类创新引擎熄火”的结论有人可能会联想到如瑞文推理测试等这类经典的智力测试。这类测试的设计初衷正是要刻意剥离语义信息用抽象的几何图形来考查被试者。那么这类测试是否还有助于评估真实情境中的创造力呢实际上瑞文推理测试的目的是测量个体的流体智力fluid intelligence即在不依赖已有知识和经验的情况下理解新问题、进行抽象推理的能力。大量研究表明流体智力与创造力之间存在阈值效应在一定范围内高逻辑推理能力是进行创造性活动的必要条件但它不等同于创造力本身。图 5 一道瑞文推理测试的示例。丨图源iqmindware.com与之相对的语义知识属于晶体智力crystallized intelligence范畴指通过后天教育、生活经验和社会文化熏陶而获得的能力。PNAS论文中“语义剥离导致创新能力下降”的实验结论讨论的是在特定环境下群体失去语义知识和社会学习后的表现——认知策略退化。不能用瑞文测试中的个体差异与群体中的绝对表现直接对比。这恰恰说明真实世界的创新是流体智力与晶体智力协同作用的结果而非单一认知能力的产物。流体智力提供了逻辑推理与模式识别的“底层算力”语义知识晶体智力提供了“导航地图”与知识素材二者共同支撑了真实场景下的创造性产出。因此若想要提升创造力构建丰富的语义连接是有必要的。不要只看本行业的论文和报告可以去读完全不同领域的深度文章。问问自己“这个领域的背景知识能解决我行业的问题吗”通过这样的跨学科阅读丰富自己的语义地图。特别是现有通过语义网络分析个体知识结构的研究发现语义网络更“稀疏”的人遇到问题往往循规蹈矩在发散思维、远距联想任务中表现较弱网络“连通度高、整合性强”的人创造性表现更好**[4]**。上述结论不仅对理解人类认知有启示也对人工智能系统的设计有借鉴意义。一定程度上它可以解释为何大模型有时能给出让人眼前一亮的创新组合。大模型通过预训练保存了概率化的语义知识因此它有一定概率像有语义信息的人那样给出合适的组合。而为了让大模型更好地创新需要在提示词中通过示例或者详细的背景描述让大模型有显式的语义网络这也是提示词工程或少样本学习few-shot learning的原理。但大模型的这种创新是基于高维向量空间中概率分布的偶然碰撞。这就是为什么它有时能写出惊艳的商业计划书下一秒却会一本正经地胡说八道。因为它只有概率化的语义关联而缺少形式化的物理常识。它时不时的惊艳表现像是抽到了 SSR 隐藏款而非真正地如人类一样进行创新。参考文献[1]Yaman, A., Tian, S., Lindström, B. (2026). Semantic knowledge guides innovation and drives cultural evolution. Proc. Natl. Acad. Sci. U.S.A. 123 (22) e2530750123. https://doi.org/10.1073/pnas.2530750123[2]Mesoudi, A., Whiten, A., Laland, K. N. (2006). Towards a unified science of cultural evolution. Behavioral and Brain Sciences, 29(4), 329–347. https://doi.org/10.1017/s0140525x06009083[3]Simonton, D. K. (2022). The blind-variation and selective-retention theory of creativity: Recent developments and current status of BVSR. Creativity Research Journal, 35(3), 304–323. https://doi.org/10.1080/10400419.2022.2059919[4] Skurnik, A., Kenett, Y. N. (2026). Semantic memory structure and self-evaluation of creativity: Evidence across tasks and dimensions. Journal of Intelligence, 14(3), 41. https://doi.org/10.3390/jintelligence14030041Reference规则及规则系统语义学与语义规则https://mp.weixin.qq.com/s/coPK7LTj23EMH_cY0-txiQ语义知识图谱的重要性https://mp.weixin.qq.com/s/my0yuIWFOyRlzmDXV1D5CAPNAS | 语言才是人类创新的基石https://mp.weixin.qq.com/s/euth9v9b17KjWRZpGAf1Xg创新从何而来新研究发现语义知识是人类创新的关键https://mp.weixin.qq.com/s/Wkv_Syl-DPYpGq0nIr5c1Q语义知识创新的操作系统也是它的牢笼https://mp.weixin.qq.com/s/CTMY7V5oOaOH5dFtpDrr9g终于读懂人类创新的底层逻辑真正拉开创造力差距的是你的语义知识https://mp.weixin.qq.com/s/0z4xSuFhRWElStw9xQabLw如何像天才一样跨界搞创新顶刊用千人实验给出参考答案https://mp.weixin.qq.com/s/IcbHubu258x1Q3q165XFxQ
![[具身智能-181]：PC+服务器+具身机器人：构建具身智能从仿真到量产的闭环迭代混合架构](http://pic.xiahunao.cn/yaotu/[具身智能-181]：PC+服务器+具身机器人：构建具身智能从仿真到量产的闭环迭代混合架构)
![[具身智能-181]：大分布式通信模型对比：看懂为什么 DDS 是 ROS2 底层通信最优解](http://pic.xiahunao.cn/yaotu/[具身智能-181]：大分布式通信模型对比：看懂为什么 DDS 是 ROS2 底层通信最优解)
)
