Soar 认知架构
John Laird、Allen Newell 和 Paul Rosenbloom 开发 Soar，通用认知架构的重要尝试。
事件概述
1983年，卡内基梅隆大学的 John Laird、Allen Newell 和 Paul Rosenbloom 开始开发 Soar 认知架构。Soar 的目标是构建一个能够支持各种智能行为的统一理论和系统。架构核心是问题空间计算模型（PSCM），将所有认知行为表示为在问题空间中的搜索。Soar 使用产生式规则作为知识表示，通过决策程序选择操作，当遇到"僵局"时自动创建子目标来解决问题。Soar 被应用于军事仿真、游戏 AI、机器人等多种领域，是认知架构研究中持续时间最长、影响最深的项目之一。
深度学习笔记
背景、原理、影响与要点，一次读懂这个事件
背景与脉络
SOAR 是卡内基梅隆大学 John Laird、Allen Newell 与 Paul Rosenbloom 从 1983 年开始发展的通用认知架构，试图回答 Newell 在《Human Problem Solving》之后一直追问的问题：智能是否可以被一个统一机制解释？与针对单一任务的程序不同，SOAR 的目标是提供一套稳定的「心智操作系统」，让同一架构既能下棋、解题，也能学习语言、控制机器人。它的名字取自「State, Operator And Result」，也暗含「 soaring（高飞）」的雄心。SOAR 后来成为认知科学中被引用最广的架构之一，其组块学习（chunking）思想直接影响了 soar 之后的认知架构设计与今天的认知机器人研究。
核心要点
- 11983 年起由 Laird、Newell、Rosenbloom 在卡内基梅隆大学开发的通用认知架构。
- 2核心是问题空间计算模型：一切认知行为都是问题空间中的搜索。
- 3用产生式规则表示知识，当推理陷入「僵局」时自动创建子目标。
- 4组块（chunking）机制把成功子目标的求解经验固化为新规则，实现学习。
- 5同一架构被用于游戏 AI、军事仿真、机器人与人机交互等广泛任务。
原理与技术细节
SOAR 把任何任务表示为「问题空间」：一组状态、一组可用的操作符，以及从当前状态生成新状态的算子应用。工作记忆保存当前状态与目标，产生式规则不断匹配并建议操作；当所有可用知识都不足以决定下一步（例如不知道操作的结果）时，系统进入「僵局」，于是自动建立一个子目标去解决这个缺口，并把子问题的解通过组块学习固化成一条新规则——下次遇到类似局面即可直接使用，无需重新搜索。这种「搜索 + 组块」循环让 SOAR 同时具备推理与学习能力，也解释了人类技能从慢到熟的过程：新手显式推理，专家靠组块化的规则快速反应。所有知识都存放在同一长期记忆（程序性记忆）中，避免了多模块架构的接口问题。
影响与后续
SOAR 是「统一认知架构」路线的代表：它证明了一个相对简洁的机制（问题空间 + 产生式规则 + 组块）可以复现从谜题求解到交互式学习的广泛认知现象，成为认知科学与 AI 交叉领域的标杆系统，被用于超过一百个研究项目。它的组块学习预示了今天「用经验固化技能」的思路，其通用性也比亚瑟·纽纽尔设想的「认知统一理论」更接近可计算的形态。批评者则认为问题空间假设过强——并非所有智能行为都能自然地表示为搜索；架构规模庞大，完整实现与调参成本高；与纯粹的学习方法（如后来的深度强化学习）相比，其知识获取仍偏手工。尽管如此，SOAR 至今仍是研究「通用智能需要什么」的重要参照系。
学习要点
- 通用智能的一种可行路径：用一个简单核心机制（搜索）加学习机制覆盖多任务。
- 「僵局即学习信号」是把推理缺口转化为经验固化的优雅设计。
- 认知架构的价值不在单一任务性能，而在跨任务一致性与可解释性。
- 组块学习解释了「从慢到熟」的技能形成，与今天蒸馏/缓存经验的思想相通。
术语表
关于智能的固定计算框架，规定知识如何表示、存储与使用，如 SOAR、ACT-R。
把子目标成功求解的经验固化为新规则，使未来相似情境可直接调用的学习机制。
由状态、操作符与状态转移定义的搜索空间，是 SOAR 描述一切任务的基本抽象。