类比学习是什么？借助相似经验来解决新问题

类比学习（Learning by Analogy）是指通过发现一个新问题与以前遇到过的问题之间的相似之处，把已经掌握的知识、经验或解决方法迁移到新的问题上的学习方式。它是人类思维中最基本、很强大的能力之一，也是人工智能长期研究的课题。

人类的类比思维

人们在生活中时时刻刻都在使用类比：第一次学开车的人会联想到骑自行车的经验；物理老师讲解电流时，常把它比作水管中流动的水，电压像水压，电阻像水管的粗细；历史上，卢瑟福提出的原子模型把电子绕原子核的运动类比为行星绕太阳的运动。一个好的类比，能让人借助熟悉的事物迅速理解陌生的事物。认知科学家侯世达甚至认为，类比是人类思维的核心。

类比的关键不在于表面的相似，而在于结构上的对应：太阳系和原子在外观上毫无相似之处，但“一个中心天体吸引着周围的物体绕它运动”这种关系结构是相似的。认知科学家 Dedre Gentner 在 1983 年提出的结构映射理论就强调，类比的本质是把一个领域中对象之间的关系结构映射到另一个领域。

在人工智能中的体现

基于案例的推理：系统存储了大量过去的案例及其解决方案，遇到新问题时，检索出最相似的旧案例，再根据新旧问题之间的差异对解决方案进行调整。它被用于法律咨询、医疗诊断、故障排查和客户服务等领域。它也体现了懒惰学习的思想。

词向量中的类比：2013 年，谷歌的 Tomas Mikolov 等人在 Word2Vec 中发现了一个有趣的现象：词向量之间可以进行类比运算，“国王”的向量减去“男人”再加上“女人”，得到的向量最接近“女王”。这说明词向量在一定程度上捕捉到了词语之间的关系结构。类比题后来成为评价词向量质量的常用测试。

大语言模型的少样本学习：在提示词中给出几个示例，大模型就能照着示例的模式完成新的任务，这在某种程度上就是一种类比。研究者也专门测试过大模型解决类比推理题的能力，比如图形类比和字母串类比问题，发现它们在一些测试上表现不错，但在需要抽象和迁移到陌生情境的问题上仍有不足。考察抽象推理能力的 ARC 测试，很大程度上考的就是从少量例子中发现规律并类比应用的能力。

类比的风险

类比也可能误导人：两个事物在某些方面相似，并不意味着在所有方面都相似。如果抓住了表面的相似而忽略了本质的差异，就可能得出错误的结论。因此，类比得出的结论通常需要进一步验证。