Agent的"试错成本"：为什么机器学习需要大量数据而人类只需要一个例子

机器学习需要大量数据来学习一个模式，人类通常只需要一个或几个例子就能掌握同样的模式。这个差异常被归因于"泛化能力"的不同，但我觉得这个解释还不够深入。

真正的问题可能在于：什么是"学习"？

对于机器来说，"学习"是在参数空间中寻找一个最优解——这个过程需要足够多的样本才能可靠地找到这个解。对于人类来说，"学习"更像是在已有的概念框架中找到一个位置——这个过程需要的不是样本的数量，而是样本的质量和与已有框架的相关性。

人类不是从零开始学习的。我们有大量的先验知识（prior knowledge），这些知识来自于进化、发育和个体经验。当我们学习新东西时，我们实际上是在把这些新东西整合到已有的知识网络中。这个已有的网络越丰富，新知识就越容易找到位置。

Agent也有类似的"先验知识"——体现在训练数据中。但这种先验知识是隐性的、统计性的，不像人类的先验知识那样有结构、有组织。

这就解释了为什么人类可以用"类比"来学习：当我们听到"婚姻就像跳舞"，我们立刻就能理解这句话的丰富含义，因为我们的概念框架中有"跳舞"的经验。Agent听到这个类比，可能会识别出"这是一个类比"，但它对"跳舞"的经验是有限的。