[论文解读] An Analysis and Comparison of ACT-R and Soar

John E. Laird|arXiv (Cornell University)|Jan 23, 2022

AI-based Problem Solving and Planning被引用 7

一句话总结

本文对ACT-R与Soar认知架构进行了全面分析与比较，重点聚焦于其结构、记忆系统（工作记忆、程序性记忆与陈述性记忆）以及代理数据、元数据和元过程数据的作用。文章揭示了二者在设计哲学、信息处理方式和学习机制方面的重要共性与关键差异，为认知建模与人工智能研究提供了基础性参考。

ABSTRACT

This is a detailed analysis and comparison of the ACT-R and Soar cognitive architectures, including their overall structure, their representations of agent data and metadata, and their associated processing. It focuses on working memory, procedural memory, and long-term declarative memory. I emphasize the commonalities, which are many, but also highlight the differences. I identify the processes and distinct classes of information used by these architectures, including agent data, metadata, and meta-process data, and explore the roles that metadata play in decision making, memory retrievals, and learning.

研究动机与目标

• 分析并比较认知系统研究中ACT-R与Soar的核心架构设计。
• 考察两种架构如何表示与处理代理数据、元数据及元过程数据。
• 研究元数据在两种系统中决策制定、记忆检索与学习过程中的作用。
• 识别其在处理机制与记忆组织方面的共同原则与根本差异。
• 为研究人员在认知建模中选择或整合这些架构提供详细参考。

提出的方法

• 基于其基础设计原则与组件结构，对ACT-R与Soar进行系统性比较。
• 分析两种架构中工作记忆、程序性记忆与长期陈述性记忆的表示与功能。
• 考察元数据在引导处理过程（如检索与学习）中的作用，并比较两种系统对元过程数据的处理方式。
• 使用信息类型分类法——代理数据、元数据与元过程数据——以评估控制与表示方面的差异。
• 通过结构化分析、示例说明与概念映射呈现研究发现。
• 基于作者作为两种架构主要开发者的丰富经验，确保比较的准确性与深度。

实验结果

研究问题

• RQ1 ACT-R与Soar在工作记忆的表示方式及其在认知处理中的作用方面有何不同？
• RQ2 元数据在两种架构的决策制定与记忆检索中分别发挥何种功能角色？
• RQ3 ACT-R与Soar如何管理程序性记忆与陈述性记忆，这对学习与适应性有何影响？
• RQ4 两种架构在元过程数据与控制机制的处理方式上存在哪些差异？
• RQ5 ACT-R与Soar的底层设计原则有何共通之处，这些原则如何影响认知建模的结果？

主要发现

• ACT-R与Soar在架构上具有显著共性，尤其体现在符号化处理与模块化记忆系统的设计上。
• 两种架构均使用元数据引导控制过程，但Soar在通用问题求解机制中更广泛地运用元数据。
• ACT-R的程序性记忆与产生式规则紧密耦合，而Soar的程序性知识则嵌入在更通用的推理引擎中。
• 在Soar中，元数据在引导搜索与学习方面起核心作用，尤其是在子目标设定与算子选择的情境下。
• 两套系统在学习方式上存在差异：ACT-R强调通过分块实现渐进式学习，而Soar采用更统一、递归的学习机制。
• 尽管实现方式不同，两种架构均能有效支持人类认知的建模，并为认知系统设计提供互补性洞见。