引言：同门殊途
1980 年代的卡内基梅隆大学（CMU），两位 AI 巨头各自孕育了一个认知架构：
- Allen Newell（1927–1992），AI 先驱、图灵奖得主，与 John Laird、Paul Rosenbloom 创建了 SOAR——一个志在实现通用智能的认知架构
- John R. Anderson，认知心理学家，创建了 ACT-R——一个志在精确模拟人类认知过程的架构
两者都源于符号主义传统，都使用产生式规则作为知识表征，都追求"统一认知理论"。但从第一性原理审视，它们在工作记忆、决策机制、学习方式、设计哲学上存在深刻分歧——这正是本文要剖析的主题。
一、第一性原理：什么是「认知架构」？
1.1 定义
认知架构（Cognitive Architecture）是关于心智计算结构的理论假设——它规定了智能系统的固定基础设施：记忆如何组织、信息如何流转、决策如何产生、学习如何发生。
用第一性原理拆解，任何认知架构必须回答四个问题：
- 表征：知识以什么形式存储？
- 加工：信息如何被处理和转换？
- 决策：在多个可能行动中如何选择？
- 学习：系统如何从经验中改进？
SOAR 和 ACT-R 对这四个问题的回答，既有惊人的相似，也有根本性的分歧。
二、SOAR：通用智能的问题空间
2.1 核心洞见：一切认知都是搜索
SOAR 的名字来自三个概念：State, Operator, And Result。这概括了它的核心假设：
所有认知活动都可以建模为在问题空间中搜索——从一个状态出发，通过应用算子，到达目标状态。
这是 Newell 和 Simon 经典的"问题空间假说"的直接延续。无论你在做数学题、下棋、还是理解一句话，SOAR 认为本质都是：当前状态 → 选择算子 → 应用算子 → 新状态。
2.2 架构核心组件
工作记忆（Working Memory, WM）：一个符号图结构，以"状态"为根节点。没有固定大小限制——图可以自由扩展深度和广度。工作记忆中存储当前情境的全部信息：感知输入、内部推断、目标、算子等。
产生式记忆（Production Memory）：长期的过程性知识，以 if-then 规则形式存储。关键特征：所有匹配的规则同时并行触发——SOAR 没有传统产生式系统中的"冲突解决"机制。
决策机制：SOAR 不选"哪条规则触发"（全部触发），而是选"哪个算子执行"。流程如下：
- 提议阶段：规则测试当前状态，提议候选算子（写入工作记忆）
- 评估阶段：更多规则评估这些算子，生成偏好（preferences）
- 决策阶段：决策过程根据偏好选出唯一算子
- 应用阶段：规则执行选中算子的效果，修改工作记忆
偏好记忆（Preference Memory）：SOAR 的独特设计。规则不直接做决定，而是表达"算子 A 比算子 B 好"这类相对判断，最终由架构汇总偏好做出选择。
2.3 嵔套与子目标：SOAR 的元认知能力
当决策过程无法选出算子时（例如多个算子同等偏好、或没有算子被提议），SOAR 遇到僵局（Impasse）。
遇到僵局时，SOAR 自动创建一个子状态（Substate），在更高层级的问题空间中思考如何解决当前困境。这赋予了 SOAR 强大的元认知能力：
- 规划：在子状态中模拟未来步骤
- 视角转换：从他人角度推理
- 层次化任务分解：将复杂任务拆解为子目标递归求解
2.4 学习：Chunking
每当子状态中的僵局被解决，SOAR 会将"问题状态 → 解决结果"压缩为一条新的产生式规则——称为 chunk。下次遇到相同状态时，直接触发这条新规则，无需再次子目标推理。
这就是 SOAR 的核心学习机制：从经验中自动获取新规则，将"需要深思熟虑的推理链"转化为"一次匹配即可触发的直觉反应"——恰好对应人类认知中"熟能生巧"的现象。
2.5 长期记忆
SOAR 9（当前版本）扩展了两种长期记忆：
- 语义记忆（Semantic Memory, SMEM）：存储事实知识（“巴黎是法国首都”），带有激活值（频率/近因），支持扩散激活
- 情景记忆（Episodic Memory）：自动记录 agent 经历的事件序列，可以按线索检索过去的完整体验
三、ACT-R：心智的模块化蓝图
3.1 核心洞见：认知是模块间的协作
ACT-R（Adaptive Control of Thought—Rational）的根本假设是：大脑由功能专门化的模块组成，认知是这些模块通过有限带宽通道协作的结果。
每个模块对应一个大脑功能：
- 视觉模块：处理外部视觉输入
- 手动模块：控制运动输出
- 目标模块：维护当前任务状态
- 陈述性记忆（Declarative Memory）：存储事实和事件
- 程序性记忆（Procedural Memory）：存储 if-then 产生式规则
3.2 缓冲区：认知的瓶颈
ACT-R 最核心的设计约束是缓冲区（Buffer）：每个模块通过一个缓冲区与外界交互，每个缓冲区同一时刻只能容纳一个 chunk。
程序性记忆系统只能"看到"缓冲区中的内容——它无法直接访问模块的内部状态。这带来了一个关键瓶颈：中央认知是串行的。虽然各模块内部可以并行处理，但"此刻在想什么"只有一条线索。
这个设计有深刻的认知科学依据——它模拟了人类的注意瓶颈：你无法同时思考两件事。
3.3 决策机制：效用竞争
ACT-R 的决策核心是产生式规则的竞争：
- 所有规则并行匹配当前缓冲区状态
- 匹配成功的规则各自计算效用值（Utility）
- 效用值最高的规则被选中并触发
- 执行动作，更新缓冲区，进入下一个循环
效用值由公式决定，核心因素是：期望收益 - 执行成本 + 噪声。这近似于强化学习中的 Q 值选择。
3.4 双层架构：符号与亚符号
ACT-R 最独特的设计是双层结构：
- 符号层：可读的 chunk 和产生式规则——“什么知识"被表征
- 亚符号层：连续数学参数——控制"知识如何被使用”
例如，陈述性记忆中每个 chunk 有一个激活值，由以下因素决定：
- 基础激活（Base-Level Learning）：近期频繁使用的 chunk 更活跃（模拟遗忘与练习效应）
- 联想激活（Spreading Activation）：与当前情境关联的 chunk 获得额外激活（模拟语境效应）
- 噪声：引入随机性模拟个体差异
亚符号层让 ACT-R 能精确模拟人类认知的连续性特征：反应时分布、遗忘曲线、练习效应的概率变化——这些是纯符号系统无法捕捉的。
3.5 学习：多元机制
ACT-R 拥有更丰富的学习机制：
- 激活学习：每次使用 chunk，其基础激活值提升；长期不用则衰减（对应艾宾浩斯遗忘曲线）
- 效用强化：成功的产生式规则效用值提升（对应强化学习）
- 产生式编译（Production Compilation）：多条规则的使用序列可以被"编译"成一条新规则（对应技能习得中"陈述性知识→程序性知识"的转化）
四、第一性原理对比
4.1 工作记忆：自由生长 vs 固定瓶颈
这是两个架构最根本的设计分歧。
| 维度 | SOAR | ACT-R |
|---|---|---|
| WM 结构 | 无限制的符号图 | 固定数量的缓冲区（每个 1 chunk） |
| WM 容量 | 动态扩展 | 严格受限 |
| 中间结果 | 保留在 WM 中 | 需要存入/取出陈述性记忆 |
| 设计哲学 | 功能优先，灵活好用 | 认知保真，模拟人类局限 |
影响：SOAR 的无限制 WM 让它更容易开发复杂 AI agent，但不太像人类（人类的短期记忆是有限的）。ACT-R 的固定缓冲区更贴近人类认知（如 Miller 的"7±2"定律），但在复杂任务建模时需要频繁地存取陈述性记忆，增加了建模复杂度。
4.2 决策粒度：算子选择 vs 规则选择
| 维度 | SOAR | ACT-R |
|---|---|---|
| 决策对象 | 选择哪个算子 | 选择哪条规则触发 |
| 规则角色 | 多条规则协作（提议+评估+应用） | 单条规则独立触发 |
| 冲突解决 | 通过偏好机制 | 通过效用值竞争 |
深层差异：SOAR 的"算子"是一个复合操作——需要多条规则运行时组合来完成提议、评估和应用。这使得 SOAR 的决策更灵活、更具组合性。ACT-R 的决策粒度更细——每条规则就是一个原子认知步骤，更接近人类"一步一想"的认知节奏。
4.3 元认知与复杂推理
| 维度 | SOAR | ACT-R |
|---|---|---|
| 子目标机制 | 自动生成子状态（impass-driven） | 需要手动建模 |
| 元认知 | 内建支持，自然涌现 | 难以实现 |
| 规划/反思 | 原生能力 | 需要额外架构扩展 |
SOAR 的优势领域：当任务需要"思考关于思考的问题"——比如规划、策略评估、层次化推理——SOAR 的子状态机制让这些能力几乎是免费的。ACT-R 要实现同样的效果，需要在规则层面手动建模元认知策略。
4.4 学习机制
| 维度 | SOAR | ACT-R |
|---|---|---|
| 核心学习 | Chunking（从僵局中学习） | 激活学习 + 效用强化 + 产生式编译 |
| 触发条件 | 解决 impasse 时自动触发 | 持续进行（每次使用都更新参数） |
| 学什么 | 新的产生式规则 | 规则效用值 + chunk 激活值 + 新规则 |
| 对应人类现象 | 技能习得（程序化） | 遗忘/练习效应 + 技能习得 |
ACT-R 的优势领域：亚符号层的连续参数让 ACT-R 能模拟人类认知的定量特征——反应时分布、错误率随练习下降、遗忘曲线——这些是 SOAR 难以精确预测的。
4.5 设计哲学总览
| 层面 | SOAR | ACT-R |
|---|---|---|
| 初始目标 | 通用 AI（Unified Theory of Cognition） | 人类认知建模 |
| 评价标准 | 功能性 + 效率 | 与人类数据的拟合度 |
| WM 设计 | 灵活，面向功能 | 受限，面向保真 |
| 可扩展性 | 强（适合大型 agent 系统） | 中（受缓冲区瓶颈约束） |
| 神经科学映射 | 后期补充 | 从一开始就考虑 |
| 典型应用 | 军事模拟、游戏 AI、机器人 | 教育技术、认知实验建模 |
五、共同遗产与未来启示
5.1 共同遗产
尽管分歧深刻，SOAR 和 ACT-R 共享着符号主义的核心信念：
- 认知是有结构的——不是黑箱中的统计涌现，而是可以被分解、描述和模拟的显式过程
- 产生式规则是认知的合理原子——if-then 规则能同时表达条件和行动，兼具描述性和可计算性
- 学习是架构内生的——不是外部训练，而是在使用过程中持续改进
这些信念在深度学习时代似乎"过时"了，但当我们面对 LLM 的幻觉、不可解释性、缺乏因果推理等问题时，符号架构的设计智慧仍然闪耀。
5.2 对 LLM 时代的启示
当前大语言模型（LLM）在许多任务上远超 SOAR 和 ACT-R，但它们缺少：
- 显式的工作记忆管理：LLM 的上下文窗口是被动填充的，没有主动的遗忘/巩固机制
- 结构化的决策过程：LLM 的推理是端到端的，没有"提议→评估→选择"的阶段分解
- 持续学习：LLM 训练完成后就固定了，而 SOAR/ACT-R 在使用中不断进化
这些恰恰是认知架构几十年探索积累的宝贵经验。未来的"神经符号系统"很可能是：用 LLM 替代认知架构中的语言/感知模块，但保留 SOAR 式的决策结构和 ACT-R 式的记忆管理。
5.3 两条道路，一个梦想
Newell 在 1990 年的著作 Unified Theories of Cognition 中写道：
“认知科学需要一个统一的架构，来整合我们所有的碎片化知识。”
三十多年后，这个梦想仍未完全实现。SOAR 走向了功能强大的通用 AI agent，ACT-R 走向了精确细致的人类认知模型。它们像是一枚硬币的两面——一面朝向"智能可以是什么"，一面朝向"人类智能究竟是什么"。
也许真正的统一理论，需要两者的融合：既有 SOAR 的灵活架构和元认知能力，又有 ACT-R 的亚符号精度和认知保真。这条路还很长，但方向是清晰的。
参考
- Newell, A. (1990). Unified Theories of Cognition. Harvard University Press.
- Laird, J. E. (2012). The Soar Cognitive Architecture. MIT Press.
- Laird, J. E., Newell, A., & Rosenbloom, P. S. (1987). Soar: An architecture for general intelligence. Artificial Intelligence, 33(1), 1–64.
- Anderson, J. R. (2007). How Can the Human Mind Occur in the Physical Universe? Oxford University Press.
- Anderson, J. R., Bothell, D., Byrne, M. D., Douglass, S., Lebiere, C., & Qin, Y. (2004). An integrated theory of the mind. Psychological Review, 111(4), 1036–1060.
- Jones, R. M., Lebiere, C., & Crossman, J. A. (2007). Comparing modeling idioms in ACT-R and Soar. Proceedings of the Eighth International Conference on Cognitive Modeling.
- Derenderfer, J., et al. (2021). An Analysis and Comparison of ACT-R and Soar. ACS 2021. arXiv:2201.09305.
- SOAR Official: https://soar.eecs.umich.edu
- ACT-R Official: https://act-r.psy.cmu.edu