知识点概述
“模式识别”（Pattern Recognition）是人类处理信息的一种核心方式，特指当人们不依赖明确规则时，通过将当前感知到的信息与储存在记忆中的经验、概念或“图式”（Schema）进行快速匹配，从而做出判断、形成诊断或采取行动的能力。在人机分工中，复杂、灵活的模式识别是人类相较于计算机的一大核心优势。
教材原文
When humans don’t appear to use rules to process information, what processing method are they using? And why can’t this alternative processing method be programmed on computers?
The answers involve pattern recognition. An example clarifies the idea. In the mid-1980s, the mathematician Stuart Dreyfus conducted an experiment in which Julio Kaplan, an international chess master, played speed chess… Kaplan had no time to apply rules… Dreyfus’ experiment… suggests that Kaplan processed the board’s information by instantaneously recognizing the pattern of the pieces. Recognition triggered the next move.
详细解释
核心机制
模式识别并非简单的、一对一的模板匹配，而是一种更高级、更灵活的“概念匹配”。例如，我们能认出一个从未见过的、形状奇特的物体是“椅子”，是因为我们掌握了“椅子”这个概念的核心特征（有坐面、有支撑等），即图式，而非仅仅记住了某一把特定椅子的精确图像。这种能力使人类能够进行归纳、概括和灵活应对新情况。
与规则逻辑的对比
- 005-概念-基于规则的逻辑 是演绎性的、线性的、按部就班的。它在封闭、确定的环境中非常高效。
- 模式识别 则是归纳性的、整体性的、直觉性的。它在开放、不确定和信息模糊的环境中发挥关键作用，其基础是默会知识和长期经验。
计算机模式识别的局限
尽管现代计算机（如通过神经网络）也能执行模式识别任务（如人脸识别、语音识别），但教材指出，其应用仍局限于相对狭窄和结构化的情境。其主要瓶颈在于两大难题：
- 感知问题 (Perception Problem)：从现实世界复杂、混乱的感官输入（如嘈杂环境中的语音、光影多变的图像）中准确地提取出有意义的特征，对计算机来说极其困难。人类的感知系统则能毫不费力地完成这项工作。
- 上下文知识问题 (Contextual Knowledge Problem)：准确地解读一个模式的含义，通常需要海量的、常识性的背景知识。例如，要正确理解口语中的“BILL”一词，需要根据对话的上下文来判断它指的是人名、账单还是鸟嘴。计算机缺乏这种与人类社会和物理世界相关的庞大知识库。
学习要点
- 人类的直觉引擎：模式识别是人类进行快速、直觉性判断的认知基础，是专家思维的核心组成部分。
- 应对不确定性的关键：在信息不完整或规则不明确的情况下，模式识别能力使我们能够做出“最合理的猜测”。
- 计算机的瓶颈：理解计算机在“感知”和“上下文”方面的局限，是把握未来人机协作中人类价值的关键。
实践应用
- 专家诊断：经验丰富的医生看到一张X光片，或资深汽车技师听到发动机的异响，他们并非在脑中逐一排查所有可能性（规则逻辑），而是通过识别出特定的“异常模式”，直接定位问题所在。
- 下棋：如教材案例所示，国际象棋大师在快棋赛中依靠对“棋形”（一种模式）的瞬时识别来做出决策，而非依赖复杂的逻辑推演。
- 日常社交：我们通过识别他人的面部表情、肢体语言和语气（一个复杂的模式）来判断其情绪和意图，这是复杂沟通的基础。
- 手写识别软件：教材以Palm OS的
Graffiti软件为例，说明计算机为了成功识别模式，需要通过简化任务（规定笔顺）和增加上下文（划分字母/数字输入区）来克服其固有的局限性。
关联知识点
- 前置知识: 005-概念-基于规则的逻辑
- 相关知识: 006-概念-默会知识, 013-概念-专家思维的构成, 014-概念-图式