在探讨机器与东谈主类学习智商的规模时，一个常被淡薄的局势正缓缓受到学术界的温雅——通过想考学习（LbT）。这一理念挑战了传统的学习不雅念，即学习必须基于外部信息的输入。事实上，不管是科学家在脑海中构建实验模子，照旧司机在心智中模拟行车道路，王人讲明了即便莫得新的外界数据，学习照旧不错发生。

普林斯顿大学心绪系的Tania Lombrozo教导在《Trends in Cognitive Sciences》上发表的探究综述，为这一看似矛盾的局势提供了表面扶持。Lombrozo通过分析解释、模拟、比拟和推理这四种学习姿色，揭示了它们背后的诡计机制，并指出不管是东谈主类照旧东谈主工智能，王人在哄骗现存信息的再行表征来扶持更可靠的推理。

解释性学习是一个典型的例子。在一项经典探究中，优秀学生在面临学习材料时，更倾向于通过向我方解释来深化健硕。这种学习姿色不仅有助于改动现存剖析中的偏差，还能构建新的常识表征。雷同地，AI系统也通过生成自我解释来已毕泛化，从而在关联推理和因果推理任务中施展出色。

模拟学习则是另一种浩大的LbT姿色。爱因斯坦通过联想光子与火车的认识来探讨相对论，伽利略则模拟物体下跌来探究重力。这些心绪模拟不仅不需要外部数据，还能带来真切的科学倡导。在AI范畴，深度强化学习系统通过模拟多组决策序列来近似求解最好有筹画，与东谈主类的心绪模拟有着不约而同之妙。

类比推理和比拟学习一样展示了LbT的力量。达尔文在构建当然遴荐表面时，通过类比东谈主工遴荐与生物进化，推导出了当然遴荐中的变异机制。在AI探究中，即使不提供源类比，机器也能通过自己的想维或常识构建类比，从而在数学问题、代码生成等任务中施展出色。这种类比辅导的施展以致优于好多开头进的说话模子性能基准。

推理学习则是LbT中最为复杂的一种。有用的推理不仅需要逻辑推导，还需要反想和执行判断。在东谈主工智能范畴，尽管深度学习系统的推贤慧商仍在发展中，但辅导大型说话模子进行迟缓推理已被讲明在派遣高难度任务时尤为有用。这种推理姿色不仅克服了径直辅导下的作假倾向，还展示了AI在推理范畴的巨大后劲。

Lombrozo的探究还揭示了LbT的悖论之处：学习者并莫得取得新的信息，仅仅哄骗了已存在于脑海中的元素；可是，学习如实发生了，学习者取得了新的常识或智商。她指出，这种学习并非创造全新的常识，而是让已有的常识变得可获取。通过推理、解释、模拟和比拟等进程，学习者简略索求具有新可及条目的表征，并哄骗这些表征生成新的常识与智商。

Lombrozo还强调了LbT的必要性。在资源有限的智能体中，LbT提供了一种按需生成新颖且有用表征的纪律，而不是单纯依赖已有的学习效果。这解释了为什么不管是当然智能照旧东谈主工智能，在面临将来环境和筹画的不笃定性时，王人会依赖LbT来派遣。

尽管LbT在当然智能和东谈主工智能中的已毕还有好多未解之谜，但这一局势无疑揭示了剖析的局限性，并为健硕智能的执行提供了新的视角。跟着探究的深入，咱们有望揭开LbT的更多好意思妙，从而更好地哄骗这一机制来促进学习和智能的发展。