{
  "id": "oliver-selfridge",
  "title": "奥利弗·塞尔弗里奇",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "奥利弗·塞尔弗里奇是英国出生的美国计算机科学家，其泛魔模型推动了早期机器学习与模式识别方法的形成。",
  "category": "computer-science",
  "subcategory": "artificial-intelligence",
  "type": "person",
  "aliases": [
    "奥利弗·戈登·塞尔弗里奇"
  ],
  "generated_at": "2026-11-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/oliver-selfridge/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/oliver-selfridge/",
      "json": "https://aiwiki.page/en/oliver-selfridge.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "奥利弗·戈登·塞尔弗里奇（Oliver Gordon Selfridge，1926年5月10日—2008年12月3日）是英国出生的美国计算机科学家，也是人工智能领域的早期研究者。他最为人所知的成果是泛魔模型：在这一架构中，多个专门化的处理过程通过协作与竞争来识别模式。他的工作推动了一种对机器学习的理解：其任务是构建能够通过经验改善自身表现的系统，而非完全依赖明确编写的规则。"
    },
    {
      "heading": "生平与职业经历",
      "text": "塞尔弗里奇出生于伦敦，青少年时期移居美国。他在麻省理工学院（MIT）学习数学，于1945年获得学士学位。此后，他先后在麻省理工学院林肯实验室、博尔特—贝拉内克—纽曼公司和GTE实验室从事研究。\n\n20世纪50年代，塞尔弗里奇是一个规模不大的研究群体中的一员，探索计算机能否学习、识别感知模式并表现出智能行为。他参加了1956年的达特茅斯夏季研究项目；这次会议被视为人工智能作为一个有正式名称的研究领域确立的标志。其他参与者包括约翰·麦卡锡和马文·明斯基。\n\n塞尔弗里奇的研究兴趣侧重于适应性行为与感知。当时，计算机研究大多聚焦于数值计算或明确规定的程序，而他探索的是机器如何从不完美的输入中识别有用的规律。"
    },
    {
      "heading": "泛魔模型",
      "text": "塞尔弗里奇在1959年发表的《泛魔：一种学习范式》中提出了他最著名的构想。泛魔模型将识别描述为许多相对简单的处理单元共同活动的结果，这些单元被形象地称为“魔”。\n\n在这一架构广为人知的视觉识别版本中，包含以下几个功能层次：\n\n- 图像魔将输入模式提供给后续处理过程。\n- 特征魔对线条、角度或曲线等特定属性作出响应。\n- 认知魔为各种可能的解释积累证据，例如判定某个具体字母。\n- 决策魔选择获得最强支持的解释。\n\n这些“魔”的“呼喊”是一种比喻，表示其响应或支持的强度。识别产生于各个专门化组件之间的交互，而不是由某一个程序将完整输入与所有可能的答案直接进行比较。\n\n例如，识别印刷字母的系统可以先检测竖直笔画、水平笔画和交接点。不同的字母识别过程会对这些特征的不同组合作出响应。最终选择取决于哪个候选字母积累了最有力的证据。\n\n学习与适应\n\n泛魔模型旨在提出一种学习范式，而不仅仅是一套固定的分层检测器。塞尔弗里奇考虑了经验如何改变各组成过程的作用，使有用的响应在后续决策中产生更大的影响。更广泛的目标是解释：一组起初能力有限的处理过程，如何获得更有效的识别能力。\n\n这使该构想区别于完全由人工编写、罗列完整模式的系统。它强调综合局部证据，也为处理外观多变的输入提供了一种途径。"
    },
    {
      "heading": "对模式识别的贡献",
      "text": "塞尔弗里奇的研究推动了模式识别成为智能机器的核心问题之一。识别一个字母或其他视觉对象，需要找出相关属性，同时容忍那些不改变其身份的差异。\n\n泛魔模型尤其清晰地区分了属性检测与解释选择。用后来的术语来说，这两类操作分别与特征提取和分类相关。二者后来都成为计算机视觉和机器学习中的重要环节。\n\n他的工作还提供了一个有影响力的例子，展示了如何围绕多个专门化处理过程来组织计算。这与并行计算中的一个广泛主题相呼应，不过，泛魔模型是一种计算组织模型，而非现代并行硬件的设计规范。"
    },
    {
      "heading": "影响与局限",
      "text": "在有关机器感知与认知心理学的论述中，泛魔模型成为一个反复被提及的模型。它具体展示了相对简单的局部响应如何共同促成更复杂的识别决策。\n\n该模型预示了分层处理的某些特点，但不应将其等同于当代的深度学习。它并未规定现代神经网络所采用的标准架构、训练流程或大规模优化方法。二者的相似之处在于宏观的组织思路，而非技术上的一致。\n\n这一广为人知的“从特征到决策”的层级结构，也留下了一些尚未解决的重要问题。实用的识别系统必须确定哪些特征重要、如何学习这些特征、如何比较相互竞争的解释，以及如何表示各部分之间的关系。泛魔模型为提出这些问题提供了一个影响深远的框架，而不是感知问题的通用解决方案。"
    }
  ],
  "links": [
    "artificial-intelligence",
    "machine-learning",
    "mathematics",
    "john-mccarthy",
    "marvin-minsky",
    "feature-extraction",
    "computer-vision",
    "parallel-computing",
    "deep-learning"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}