「译者按」

本文为戈登·帕斯克（Gordon Pask）在1975年出版的《会话、认知与学习》（Conversation, cognition & learning）一书的引言，标题为译者拟。

该书内容源自帕斯克从1950年代中期开始，在系统研究公司和伊利诺伊大学生物计算机实验室进行的一系列研究工作。这本书用帕斯克自己的话说就是：「是一本关于人-人和人-机器共生的书，或者是一篇关于教育、学习等方面的论文。」

该书的主要目的之一在于将认知过程外部化，即用机器的方式在人脑之外再现认知过程。这类控制论式的智能研究可以追溯到40年代由维纳、麦卡洛克和皮茨共同建立的M-P神经元模型，在70年代后由于技术条件和生理学发展的限制进入低潮，并在后来被归入20世纪50年代后兴起的人工智能概念之下，统称为联结主义（connectionism），被认为是与马文·明斯基等人基于符号和逻辑的智能研究之外的另一条支脉。

然而当跳出特定历史时期后，可以发现这种区分或许没那么重要。如今，在专家系统获得商业成功之后，人工智能领域再度偏向联结主义（神经网络就是其代表，被戏称为「信息时代的炼金术」）。符号主义与联结主义相辅相成，在人类研究智能的道路上都扮演了重要的角色。

另外需要提及的是帕斯克对「人工智能」这一概念的思考：他认为「人工」（artificial）是一个被错用的词语，原因在于，如果在生物系统之外，存在符合图灵测试标准的智能系统，那么更应该称其为「通用智能」（general intelligence）-也就是我们今天所说的「强人工智能」。

这里并非是要重提流派之辩，而是想带出其中潜藏的控制论者的本体论与世界观。以维纳为代表的多数控制论者都带有强烈的人文主义倾向，有趣的是这却让他们跳出人类中心主义局限，尝试去理解其他可能存在智能类型，并以此反思现有的社会道德伦理。这一点充分体现在莱姆（他同时也是波兰控制论协会会员）的《索拉里斯星》《无敌号》等作品中。莱姆认为「控制论解决方案的独特性在于，它让机器完全脱离了人类的知识领域……」，而识别机器是否具有智能的方法「只有通过和它交流。」（《技术大全》P150，2022）

「交流」恰好也是帕斯克智能研究的核心。从50年代初开始，他进行了一系列基于「会话」（conversation）的研究实践，产生了大量关于认知、教育和智能的成果。本书及其下卷《会话理论》的大部分内容就是关于其在教育领域应用的论述，通过机器辅助在海量的学习行为数据中建立有效的模式，「为个人层面的大规模学习研究提供一种科学有效的结构。」（译注：会话理论即conversation theory，我在先前译为「对话理论」，但由于阅读多篇原文后发现dialogue和conversation大量同时出现，为体现后者非正式的广义交互的含义，现将其将译为「会话理论」。）

可以说帕斯克关于智能与意识的研究目标明确、朴素却又奢侈：那就是充分尊重人与人之间认知模式的差异，因材施教，最终实现真正平等的教育。

大目妖

2023年5月29日

戈登·帕斯克 Gordon Pask

1928年6月28日～1996年3月28日，英国控制论学者，教育家，互动艺术先驱，诺伯特·维纳之后最重要的控制论学家之一。1960年代后一直活跃在科技、教育和艺术等领域。详情可点击跳转「控制论的华丽公子、激进的对话者：戈登·帕斯克」

以下为正文部分，共约8000字

《会话、认知与学习》引言 Introduction of Conversation, cognition and learning

戈登·帕斯克

本书所描述的理论和方法涉及一种认知的方法，该方法曾受到哲学与实用主义方面的兴趣与倾向的影响。由此产生的偏见强烈到令人生厌，而且要慎重地展示它从一开始所产生的特异性。

本理论关注心理学、语言学、认识论、伦理学、社会或包含了意识的含糊心理事件。通常，意识（awareness）表现为差异化的、相对易处理的感知形式（form of consciousness）：对某物与某人。意识（awareness）本身是一种不确定的现象，但感知/察觉（consciousness）却不是，例如「A与B对R有感知」。举一个具体的例子：「我和你共同感知到这些杯子、培露水和酒瓶，它们在这张桌子上构成一个布局。」再举一个抽象的例子：「我和你共同察觉到一个物理原理（比如能量守恒或欧姆定律）。」如果意识尚未有证据，但又有理由确信其存在，那么本理论关注的便正是这一点，并且用以专门解释这些奇特的事实：某些心理过程在潜意识或无意识情况下的执行，例如习得技能行为，或长期记忆中的大多数搜索。

本理论采取的立场与通常的现象学一致，但范围更窄，其中一般在「心理学」范畴下研究的某些行为形式被排除在外。如果一个行为伴有意识，那么可被纳入范围内；若非如此，尤其是倘若观察方法被设计成模糊或掩盖意识的所有残余，那么该行为就会被正确的重新命名为（略带强迫性的）「生理过程」，并被置于理论的解释领域之外；当然，它并不会因此而不受重视。（译注：此处的现象学指对意识的结构和意识行为中出现的现象进行系统的反思和研究。以“直接的认识”描述现象，而非通过分析、推理笛卡尔式的方式认识意识和世界。）

相比之下，该理论的范围被一个基本论点所扩展，即认知过程（包括实际或潜在的感知）并不局限于人脑。尽管人类或动物的大脑经常与认知操作联系在一起，但生物结构或任何其他类型的结构都不应被视作认知的特殊性的原因（除非是以偶然的方式）。在不质疑演化论（语言、解决问题的能力、意识等的逐渐发展）的效用和说服力的情况下——这些质疑认为演化论讲述的是一个关于无处不在的多面性事件的片面故事——当下的理论既没有将人类或心灵「生物化」（biologicise）；也不是还原论。

认知可能发生在群体层面（因此社会意识应当被认真对待，而非被当作个人意识的排列组合），或者可以用来描述稍显非常规的计算机器的活动。

在这一点上，如果机器认知得到证明——同时因为该理论不会幼稚地将人类或心灵「机械化」（mechanise），那么将会存在一个不言而喻的、非标准的哲学承诺。这一承诺在「人工智能」研究的语境中表现得最为明显。

此类论文通常被认为是试图在模仿思维，按照通俗的推论，这是将独特的类思维过程贬低为仅仅是机械操作。目前的理论与亟待讨论的目标和价值判断之间存在错位。根据一个与图灵测试相关但不完全相同的标准（其细节将在后面阐述），倘若存在一种由机器执行的智能（machine-executed intellect），那么这类系统理应比生物系统更普遍。特别要说的是，「人工」（artificial）是一个被错用的修饰词。更合适的词语应当是「通用智能」（general intelligence）。（译注：此处的通用智能并非是指如今大模型语境下的多模态通用，而是在不同硬件，不同结构中都能存在的，更广义的通用智能，类似于今天的强人工智能。）

这种通用性产生了一些重要却常被忽视的实际后果。首先，认知具有比通常认为的更宽泛的内涵（然而却被智力测试所框定）。在这种条件下，如果认知过程可以在通用机器中实现，那么就有可能在人造物中执行心理操作——这些人造物不一定受制于生物处理器（译注：类似于大脑之类的有机构成）尴尬的时空限制和结构缺陷。这种方式或许能确保一定程度的智能连续性（intellectual continuity），这对社会和技术的发展至关重要，但如今这只能通过自组织（ad hoc）和次优的权宜手段尝试逼近。这种可能性一定会证明实现通用智能的努力，无论更多的局部目标是否被认为有其自身的价值（模式识别、用于特殊目的的机器人等等）。

作为定向讨论，我推测通用智能是可能的，而且它不排除那些在考量机器时经常被忽略的心灵情感成分。我明确坚持：人类思维的很大部分都可以被编码，以便在比人脑更通用的机器中执行。总而言之，在「认知」这个词语当下的和广泛的意义上，它是一种通用进程。而生物认知是其中一个丰富而重要，但也非常专门化的例子。

一个如上文所勾勒出的方向的理论，能否被证明对一名潜在使用者有吸引力，完全取决于他想提出什么样的问题，以及他将何种解释视为问题的满意答案。例如，如果用户急于预测总适应率，那么该理论就过于繁琐了，而一些统计学习理论才是更适合该问题的工具。同样地，如果用户正在测试一个特定的神经生理学或精神物理学假设，例如关于感知或筛选操作，那么本理论就不合适，或者坦率地说根本不适用。相反，如果用户的主要兴趣集中在以下方面：学习、交流和思考的风格、方法和策略，复杂技能的表现，可知事物的结构等等，那么本理论就会显出其价值。该理论也适用于回答这样的综合性问题：「为什么人们要集中注意力（通常一次只有一个目标）？」「为什么会有不同的感觉和描述模式？」

在上述情况中，本理论大有可为（a serious candidate），可以作为首选的解释或预测手段，前提是用户正在寻找它所提供那种系统性或控制论式的解释，而不是与关于大脑的特定假设，或输入和输出路径的配置相联系的解释。最后两个问题的将被用来说明这种解释；至少在一定程度上表现出一些明显和独特的特征。

第一个例证问题：「为什么人们会把注意力集中在…….？」通常从处理器限制（processor limitations）的方面来回答。认知过程被设置在一个固定的处理器（大脑）中，其存储容量和执行速率是受限的。该论点发展的一些变体如下：

在任何时刻，被心智（mind）约束的处理器，就像处于某种状态正在执行的程序。为了满足限制条件（存储容量等），由执行程序引起的处理器状态被分区，从而在处理器上施加了一个层级结构。在任何时刻，较高层级的分量（components）在有限数量的低层级子处理器中切换。这些子处理器具有任何大脑生理活性物质的状态：它们是感知的过滤器（特里斯曼，Anne Treisman，英国心理学家，认为注意力的对信息的过滤弱化了目标以外的刺激，）或分析器（萨瑟兰J.D.Sutherland）。如果不考虑感觉通道（因而以任何模式编码的数据块都在讨论之中），这些条件意味着所有数据块都指向一个目标（意味着它们属于同一个控制源）。在这种情况下，层级结构表现为一系列功能而非生理上的划分；例如，短期、中期和长期存储的区分。为了与现实相匹配，这个刚性模型（rigid model）有所放宽：通过在层级结构网络周围引入少量的信息「泄漏」（以允许注意力的转移），或通过在视觉模式中引入特殊缓存，等等。

我不否认这些。特别要强调的是，对于放弃刚性模型与心理现实之间的匹配（在任何情况下都是一种模仿），无需提出迂腐的反对意见。上一段中提到的那类因素可能在很多时候强加了一些限制，而这确实是对注意力范围的引导和约束。但即便如此，我也认为此类解释并不令人满意，因为它依赖于有限的约束，而这在更大范围内被证明是有随意性的。因此，本理论是在用一种与处理器无关的方式解释作为认知过程必要属性的注意广度（attention span）和注意引导（attention directing）；也就是说，这种方式适用于任何可以执行认知过程的处理器。解释如下：

任何认知过程（下文中被定义为一个概念），都被证明是为了重现或稳定（两者同等重要）一种关系（Any cognitive process, later identified with a concept, is shown to reproduce or, equisignificantly, to stabilise a relation.）。尽管并非一定如此，但通常来说，这种关系存在于一个环境中的实体（entities）之间。此外，这还显示任何非暂时性的过程（可观察的概念）在某类关系的语境中都是可再现（reproducible）的。「可再现」这个词是在抽象的（或符号的）再生自动机理论的意义上使用的（reproductive automata，此处是指冯·诺伊曼和科德设计的元胞自动机），大多数认知活动都能被映射到该理论上。一个概念/进程（concept/process）在被执行时的完整性，取决于其实际的再现，而非基于其具有可再现性（reproducible）这一事实。因此，必须有一个适合的语境，而且根据假设，该语境和被执行的进程被统称为注意力范围。本论点进一步指出，由于下列原因，任何注意力的范围都是受限的：

1. 概念的执行和再现（在给定语境中）会产生一种「免疫反应」，这使一个进程会识别自己的副本，且必然排斥相异的进程（dissimilar processes）。
2. 总的来说，再现和排斥导致了一种内稳态的捕获状态（homeostatic trapping condition，下文中称为「认知固着」cognitive fixity），它缩小并暂时稳定了注意力范围。
3. 由于同样的动态原则，捕获状态是暂时的；也许是因为语境或正在执行的概念的改变，注意力范围也必须改变或被改变。
4. 这会反过来缩小并稳定新形成的注意力范围。

读者大可放心，这尚不能被称为一种「解释」；它最多是对将要提供的解释类型的简述。另外应该注意的是，此类合理解释与处理器无关；例如，它同样适用于亚历山大（Aleksander,1973）的动态网格（dynamic meshes）中的活动，正如它适用于大脑中执行的认知操作一样。此外，诸如「不同的进程」和「认知固着」这类的中间构造的存在可以被实际验证。它们表现为独特且排他（在同一语境中）的学习策略，各种惯性现象，等等。

第二个例证问题：「为什么会有不同的感觉或描述方式……？」经常被回应道「因为人们有眼睛和耳朵。」

不可否认。确实如此。然而，这个答案不能令人满意，因为它没有指出任何认知过程都必须关联相应的机制；要么是通过像眼睛和耳朵这样的传感器连接到执行进程的处理器上，要么是像「视觉意象」或「语言意象」这样构成部分程序组织的表征模式（mode of representation）。

本理论断言，只要认知是可观察的，模式就必然存在，并回答了第二个例证问题。在下述情况中，一个认知过程的复制（例如，在先前的范式中「A通过R感知到B」中对R概念的复制replication）取决于有区隔的、完整的参与者A和B之间存在的会话（conversation），该进程的再现在A与B的对话（dialogue）中表现为从A到B（或相反）的解释复合体（complex of explanation），这在下文中被称为理解（understanding）。关键的是，理解将复制循环（replicative cycles）分割成分别属于A和B的部分，当且仅当循环从理解的角度被具体化时，它才是可观察和可操纵的。（需要强调的是，「A对B的理解」和「B对A的理解」，即在上文提到的图灵测试的延展被发现的事件，与「观察者对A、B以及对话的理解」没有直接联系）。

在以上表述中，A和B是什么？一种可能性是，A和B是参与话语的个人（individuals）；倘若如此，两者都有对R的潜在私人描述（即A的描述和B的描述），如果R被理解，那么其中的共有部分是可分享的。另一种可能性是，A和B代表有组织的实体（organisational entities），如智能程序中的「提议者」（proposer）和「批评者」（critic）例行程序（马文·明斯基强调了其重要性）。本理论承认对于两者的解释的数量尚不确定，例如包括以下：

1. 实体A和B是心灵的一部分，在一个共同的大脑中执行，对同样的关系有不同的表征模式（例如视觉和语言）。
2. A是附属于大脑这一处理器的视觉器官组织；B是附属于同一处理器的听觉器官组织。在任何情况下，对理解的观察（因此也是对一个可行的认知系统的观察）都依赖于A、B之间的区分。偶然存在的感觉通道或表征模式是区分中的特例，如果有精神活动（mentation）的迹象，就一定会以某种方式实现。这些讨论传递出理论发展的意味，并对其范围提出了一些想法。在「硬」科学，特别是物理学和遗传学中，也提出了非常类似的理论。由于发展主要在心理学方面，这导致了对概念（concept）、记忆（memory）、个体（individual）、学习（learning）、创造力（creativity）和创新（innovation）等概念的重新评估。这些观念（至少）被重新表述为更符合日常语言的用法，而非传统学科中生硬的含义（例如，「概念」作为一种存储「类别」的含义显然不能令人满意，尽管这在小范围内很管用）。

从认知的更宽泛的角度来看，理论发展与计算和信息科学的最新进展是相符的，并依赖于后者，后者可归为五个主要类别：

1. 再生与演化自动机的理论（the theory of reproductive and evolving automata）。该理论在漫长的酝酿之后开花结果，也是马图拉纳所提出的论题的基础。（译注：Humberto Maturana，与弗朗西斯科·瓦雷拉共同提出了自创生理论，认为真实的外部世界实际上是生命系统本身的一部分，而非可被证明的外部存在）
2. 并行和（重要的）并发进程（parallel and concurrent process）的形式化，以及与之密切相关的「非确定性程序」和「模糊算法」（fuzzy algorithm）的概念，后者也被称为「启发式算法」。[1] 尽管可以串行执行（然而每一步运行都需要特殊解决机制），但此类程序/算法通常/非限制性地以并行过程执行。此外，它们的执行可能会引起并发机制，因为原本异步的控制点由于互动而开始局部同步。
3. 主要由佩特里（Carl Adam Petri，德国计算机科学家，研究推进了并行计算和分布式计算领域）和霍尔特（Anatol Holt，美国计算机科学家，研究人类活动与计算机的相关性）提出的控制和信息传递之间的一系列杰出成就。信息传递发生在曾经不同步的进程变得同步之时（这种用法在采用时会突出强调，明显区别于观察系统的人所估计的「选择性信息」）。
4. 关于搜索和推理的广泛分散的工作，主要是关于关系网络（relational networks），以及比树状结构更丰富的数据结构。
5. 关于程序或进程等价（process equivalence）的最新成果（在本卷中非正式使用，在下卷将更正式说明）。（译注：下一卷即《会话理论，及其在教育和认识论中的应用》Conversation Theory, Applicaitons in Educatio and Epistemology）

[1].「模糊算法」和 「启发式算法」之间的辨识与Roger Hartley有关（I.D.E.A., Brunel University, 1973）。我不确定我们两人中的哪一位更先提出。不过只要能赋予「启发式」这个被广泛使用但被恶意诋毁的词一个可接受的含义，那都无关紧要。（译注：heuristics，当经典的最优解算法无法给出解决方案或耗费成本过大的情况下，在可接受的的花费条件-即帕斯克所说的时空限制和结构缺陷下，给出问题的可行解，而非最优解。神经网络就是一种启发式算法）

本理论还产生了几个哲学上的争论点，其中以下几个具有特别的意义。

1. 将「目标」解释为「意图」（intention），取代了把「目标」（goal）解释为「最终状态」（end state）的流行说法。抛开其他方面来说，这允许考虑不明确的目标，事实上此类目标更常见。
2. 用于进行会话的语言（例如，A和B之间关于R的会话）在本理论中占有重要地位，这些语言是命令与问询的语言，其对象既可以是人称代词化的（称呼），也可以是非人称代词化的。正因如此，该理论有反思性（reflective）的成分；而且无论它是否具有反思性，整个理论都是相对主义的。
3. 理论所勾勒出的述谓结构或区别（而非在理论之外，因为要给出一个对象的领域，以及可被描述的属性）
4. 与基本陈述是指定对象或类别间的简单关系命题的语言不同，会话语言（conversational language）的基本陈述是隐喻，指定的材料类比总是涉及参与者自身。

本理论已经在多个场合被提出，评判和修改；其中既有同事也有我自己。因此，许多潜在的反对意见已经被消除了。仅存的主要批评可能在于，我们对进程（processes）而非处理器（processor）的强调是因为我们在摆弄没有实体的头脑（disembodied brain）。这种反对意见源于交叉的思维习惯而非事实。因此它无法被合理化的克服，但是如果掩盖偶尔不受欢迎的态度转变则是不诚实的。实际上，批评者担心我们可能在玩弄纯粹意义上的心理把戏。不过可以想象，这种心理把戏本身应该是一项有趣的活动（而且这不比传统中对无意识身体的追求更合理或不合理）。事实上，我们主要关注的是进行中的认知；而在某个处理器中发生的认知不过是它的结果。而且，问题中的处理器通常是非具体的：一个进程可能在几个处理器中执行，或者几个进程可能在一个处理器中执行。

本书的其余特质还在于选择的应用领域，而非理论本身所固有的东西。

大部分的工作达成和数据获取都需要复杂的技能训练和教育。尤其在教育领域，有效的调查研究取决于漫长且个人化的试验，学生在实验中掌握了大量的主题内容（subject matter），并对承担教师角色的人（或任何事物）建立了重要的认知表征。因此，这里描述的实验与心理学实验室的研究并无相似之处，后者通常采用微缩的学习环境。除了少数例外，我们所面对的学习以传统标准来看是难以处理的复杂。因此，这些「实验」要么「就是」现实生活中的应用，要么与此「接近」（在教学、课程设计等方面）。或许正因如此，其中的数据很可能无法被解释。但这种说法虽然表面上很合理，但却是武断的。相反，我们坚持认为简单性原则经常被误用（译注：既奥卡姆剃刀，「如无必要，勿增实体」）：直观上看起来简单的情况往往被证明实际上是复杂的，这仅仅是因为一项简单的任务只占据了思维的一部分（其他基本上不受控制的心理活动负责数据中的大部分变量）。当然，与现实生活中的学习情况相近的实验确实需要使用特殊的方法和技巧。不过这些方法以非常直接的方式来源于基础理论，而且如若采用，所产生的数据是清晰且通常是明确的。如果该观点得到了充分的支持（正如我在将要描述的结果中所相信的那样），那么它就能为本理论衍生的这些方法赋予力量，或至少是实用的可信度。

人们普遍认为，应该研究「教育相关的」或「实际上庞杂的」学习和教导过程。人们也承认，大多数对学习的调查都无法产生对教育者有用的信息：实验室研究便是如此，因为得出的结论无法被归纳为一个完整的心理图景（由于上一段中提出的原因）；实地研究也是如此，因为没有一种结构可以用来建立假设，进行测量并整合结果。

在没有这种结构的情况下，对教育方面的实际学习的调查就会退化为数据的收集；这要么是草率的，要么就会由一个具有行政效力而非科学效力的系统来指导。由于调查产生了大量的数据，因此在检验结果前必须以某种方式对其进行总结。各种策略都有可能；例如，通过人头计数进行汇总，或者应用统计学来比较学习经历前后表现的总值（通常是小组平均数）。这些操作无一例外地遮盖了可能从原始记录中获得的，关于个体差异、学习风格与形式的任何信息。我们认为，这些丢失或无法获得的信息对于引入催化介质（media for catalysing）和调节学习过程、优化主题组织或实现类似的理想目标是至关重要的（实践教师和深思熟虑的教育理论家似乎都不同意）。

截止目前，只能通过从实验室实验中得出的学习原理来增加（用于研究的）总值结果，才有可能重建小部分缺失的信息。这种组成是浪费且不完整的。而本理论及其衍生出的方法被认为可以避免这种权宜之计，为个人层面的大规模学习研究提供一种科学有效的结构，并且可以解决因缺乏而产生的困境。我相信（通过一些经验支持），如果将本理论和方法应用于其他棘手的调查领域（例如，意见抽样、社会动力学或市场研究），那么就可以获得类似的优势。这些应用主要将在下一卷中考虑。

本书的组织结构如下：

第一章介绍了一种基本的观察范式，即稳态技术（steady state technique），它在知觉运动学习的语境中下最易被呈现。

第二章提出了相对观察（relativistic observation）的概念，并为学习和认知的分子或宏观晶粒理论（molar or macro-grain theory）奠定了基础，该理论基于会话（conversation）的最小单位。

第三章是关于另一种实验方法，即协作外化技术（cooperative externalization technique或CET），它被用来展现通常作为可观察的对话一部分的私人认知过程。

第四章专门描述了一个部分或全部机械化的实验设施——CASTE（Course Assembly System and Tutorial Environment，课程组合系统和辅导环境）：它被用来促进某种类型的、可被定性为严格会话的交流（transaction），它锚定在一个特定的主题上并被参与者获得理解的场合（occasion）打断。CASTE除了作为实验设施，也是学习与认知的分子或微粒理论的模型，涉及到概念、认知互动等等。然而在这一点上，我们只认真考虑了两种理论结构；即执行CET启发算法（cooperative externalization technique heuristic），它建立了偏见较少的那种严格会话；以及另一种启发法，即不确定性调节启发算法（uncertainty regulation heuristic），它调节了CET的无节制交流，使其满足源于分子或宏观颗晶粒理论的边界条件，并在这个层面上可被认为是鼓励快速有效的学习。

第五章包含了对以下理论的首个合理构想：严格会话（strict conversation，尤其是CASTE中的辅导会话或其在通用话语中的相似物）和参与个体理论（上文中本理论相当极端地说明了参与者的状态）。

第六章用一种精确的叙述回顾了第四章的两种特殊结构；它显示出CET启发算法是一面镜子：它是一个认知反射器，学生在其中看到自己，仿佛他是自己的老师。而不确定性调节启发算法是一面被外部观察者指定的约束条件所扭曲的镜子。此外，在本章中，我们开始明确所有与心理学范式相关的任务，并对严格会话进行合适的预估。

第七章讨论了建立会话域（conversational domain，即会话所依托的可知关系的集合）的突兀要求（在现阶段）。我们假设（仅在这一章），任何可知的事物都可以由一个主题专家（subject matter expert）以论题的形式陈述，只要他提出的主题与可知或可学的某些限制相符，他就可以自由言说他喜欢的事物 。

在第八章中，我们证明了这种非正式的建构性操作与CASTE的演化或课程组装运作模式是相同的。在这里，会话域的演化要么接受取代学生的主题专家的指导，要么接受偶尔选择成为改革者的学生的指导。

第九章通过描述会话域的另一面来完成这部分叙述；可以做什么（对应着可以知道什么）；以及通过说明类似实验室的建模设施，其中由学生进行的建模操作被演绎为非语言解释。尽管对任务规格和建模装置进行了相当广泛的讨论，但每个突出的例子都可以追溯到CASTE设备中使用的装置（示例应用程序）。

第十章包含了对该理论更广泛的、但实际上已经实现的应用的讨论；主要是在教育领域。

第十一章将论证的线索串联起来，其中一些是以推测的方式。我们处理了（以前分开的）宏观颗粒和微观颗粒理论之间的密切关系，并因此得出了一些关于自我参照（反思性理论）和意识条件的结论。此外，我们还综述了将在下一卷中讨论的一些主题。

对于论证主线非必需的材料已被归入附录，以便能简要陈述相当复杂且紧密相连的观点。然而，我们非常希望读者将附录视为故事的一部分，而不仅仅是可选择的阅读材料库。它们应该在被引用处或随后被优先浏览。如此一来，在闲暇时仔细阅读它们就不会丢失信息。

延伸阅读：

控制论的华丽公子、激进的对话者：戈登·帕斯克

从精英高管到嬉皮士：管理控制论之父斯塔福德·比尔

黑箱与罗斯·艾什比的控制论

「译介」控制论的控制论 | Heinz von Foerster展开控制论丨Unfolding the Cybernetics

​Read More