5D Library › 具身认知、伯恩斯坦自由度问题与运动协同的控制理论 · English
第六章 技能学习:冻结与释放自由度、外部焦点与「指令即代价」
冻结与释放
伯恩斯坦设想过学习的一种顺序:初学者先把多余的自由度「冻结」起来,例如让几个关节僵硬地一起动,把问题简化;随着练习,再逐步「释放」这些自由度,最后学会利用身体与环境的被动力量。这个设想由维赖肯等人 1992 年的实验带入了实证研究 (Vereijken et al. 1992)。
证据
滑雪模拟器。 维赖肯、范埃梅里克、怀廷与纽厄尔让初学者在滑雪模拟器上练习左右摆动的动作多日,记录下肢与躯干关节的角度。练习初期,关节运动幅度小,关节之间高度耦合,表现为「冻结」;随着练习,关节运动幅度增大,耦合减弱,表现为「释放」(Vereijken et al. 1992)。
但这个顺序不是普遍规律。纽厄尔与瓦扬古 2001 年指出,练习可以增加也可以减少动作的维数,方向取决于任务对动作的要求,而不是一个固定的发展顺序 (Newell and Vaillancourt 2001)。孔恰克、范德费尔登与耶格 2009 年横断比较了 14 名练习量不同的小提琴学习者(4—47 岁,其中 10 名儿童),发现累计练习越多,持弓臂肩部屈伸的幅度越小,肘部则没有系统变化,论文标题就是「靠冻结而不是释放自由度」(Konczak et al. 2009)。范金内肯等人 2018 年在投掷任务中发现,在练习中错误多的一组里,自评的「有意识控制」倾向与投掷臂的「冻结」程度相关 (Ginneken et al. 2018)。杨与肖尔茨 2005 年用 UCM 分析考察投掷学习,发现练习对不同任务变量的协同结构的影响并不相同 (Yang and Scholz 2005)。
「冻结」本身也有不同的操作定义:关节活动幅度变小、关节之间相关升高、变异减小,三者并不总是同时出现。下面的示意模型说明,即使只看其中一种,冻结也可以被理解为对内部模型不准的一种合理回应。
一个示意模型:冻结是对模型误差的回应
推导
模型(作者的示意,不是数据)。 三个关节、一个任务变量 ,。每次动作,关节先有误差 (度);然后练习者用两种方式纠正:任务纠正 ,沿着自己「以为」的影响任务的方向 纠正看到的任务误差( 为观察噪声,标准差 0.3);姿势刚度 ,把每个关节拉回一个模板( 为本体感觉噪声,标准差 0.5)。纠正本身带来信号依赖噪声(标准差为纠正量的 0.5 倍)。练习者对雅可比矩阵的估计 每次都有一个大小为 的随机误差,练习使 变小。对每个 ,选择 与 使「任务方差 + 0.05 × 平均纠正量平方」最小;协方差用解析式计算, 的误差用 4,000 次抽样求期望。最后在 时强加不同的姿势刚度,模拟要求「保持关节角度」的指令。
# A model of "freezing" and "freeing" degrees of freedom (the author's illustrative
# model, not data). Three joints, one task variable y = J q. Each trial the joints
# err by eta ~ N(0, I) (degrees). The learner then corrects in two ways:
# task correction -g * u * (J eta + s), u = Jh' / (Jh Jh'), s ~ N(0, 0.3^2)
# posture stiffness -lam * (eta + p), p ~ N(0, 0.5^2 I) (pull to a template)
# Corrections add signal-dependent noise (SD 0.5 x correction). Jh, the learner's
# internal estimate of J, is wrong by a fresh random error of size eps on every trial;
# practice shrinks eps. g and lam minimise task variance + 0.05 x mean sq. correction.
import math, random
J = [0.6, 0.5, 0.3]; SS, SP, C, ALPHA = 0.3, 0.5, 0.5, 0.05
EYE = [[float(i == j) for j in range(3)] for i in range(3)]
def moments(eps, rng, draws=4000): # E[u] and E[u u'] over model errors
Eu = [0.0] * 3; Euu = [[0.0] * 3 for _ in range(3)]
for _ in range(draws):
Jh = [j + eps * rng.gauss(0, 1) / math.sqrt(3) for j in J]
nh = sum(v * v for v in Jh); u = [v / nh for v in Jh]
for i in range(3):
Eu[i] += u[i] / draws
for k in range(3):
Euu[i][k] += u[i] * u[k] / draws
return Eu, Euu
def covs(g, lam, Eu, Euu):
jj = sum(v * v for v in J)
cross = [[Eu[i] * J[k] + J[i] * Eu[k] for k in range(3)] for i in range(3)]
corr = [[(lam ** 2 * (1 + SP ** 2)) * EYE[i][k] + lam * g * cross[i][k]
+ g * g * (jj + SS ** 2) * Euu[i][k] for k in range(3)] for i in range(3)]
fin = [[((1 - lam) ** 2 + lam ** 2 * SP ** 2 + C * C * corr[i][i]) * EYE[i][k]
- (1 - lam) * g * cross[i][k] + g * g * (jj + SS ** 2) * Euu[i][k]
for k in range(3)] for i in range(3)]
return fin, corr
def summary(S):
nj = math.sqrt(sum(v * v for v in J)); e = [v / nj for v in J]
vo = sum(e[i] * S[i][j] * e[j] for i in range(3) for j in range(3))
vu = (sum(S[i][i] for i in range(3)) - vo) / 2 # per DOF, UCM is 2-D
task = sum(J[i] * S[i][j] * J[j] for i in range(3) for j in range(3))
rr = [abs(S[i][j]) / math.sqrt(S[i][i] * S[j][j])
for i, j in ((0, 1), (0, 2), (1, 2))]
return math.sqrt(task), math.log(vu / vo), sum(rr) / 3, \
math.sqrt(sum(S[i][i] for i in range(3)) / 3)
def optimise(Eu, Euu, lam_fixed=None):
best = None
lams = [lam_fixed] if lam_fixed is not None else [i / 100 for i in range(101)]
for g in (i / 100 for i in range(151)):
for lam in lams:
fin, corr = covs(g, lam, Eu, Euu)
cost = sum(J[i] * fin[i][j] * J[j] for i in range(3) for j in range(3)) \
+ ALPHA * sum(corr[i][i] for i in range(3)) / 3
if best is None or cost < best[0]:
best = (cost, g, lam, fin)
return best
if __name__ == "__main__":
rng = random.Random(1992)
print("model error g* lam* task SD ln(Vucm/Vort) mean|r| joint SD")
for eps in (0.6, 0.45, 0.3, 0.2, 0.1, 0.0):
_, g, lam, fin = optimise(*moments(eps, rng)); t, lr, r, js = summary(fin)
print(f" {eps:4.2f} {g:4.2f} {lam:4.2f} {t:6.3f} {lr:+6.2f}"
f" {r:5.2f} {js:5.2f}")
print("accurate model (eps = 0) with posture stiffness imposed (an 'internal' cue):")
m0 = moments(0.0, rng)
for lam in (0.3, 0.6, 0.9):
_, g, _, fin = optimise(*m0, lam); t, lr, r, js = summary(fin)
print(f" lam = {lam:.1f}: g* {g:4.2f}, task SD {t:5.3f}, ln(Vucm/Vort)"
f" {lr:+5.2f}, joint SD {js:4.2f}")
# model error g* lam* task SD ln(Vucm/Vort) mean|r| joint SD
# 0.60 0.43 0.37 0.427 +0.78 0.21 0.68
# 0.45 0.50 0.30 0.399 +1.01 0.26 0.70
# 0.30 0.58 0.23 0.372 +1.25 0.30 0.72
# 0.20 0.60 0.20 0.360 +1.36 0.31 0.74
# 0.10 0.63 0.18 0.352 +1.43 0.33 0.74
# 0.00 0.64 0.17 0.349 +1.47 0.33 0.75
# accurate model (eps = 0) with posture stiffness imposed (an 'internal' cue):
# lam = 0.3: g* 0.52, task SD 0.356, ln(Vucm/Vort) +1.18, joint SD 0.67
# lam = 0.6: g* 0.26, task SD 0.435, ln(Vucm/Vort) +0.37, joint SD 0.59
# lam = 0.9: g* 0.00, task SD 0.571, ln(Vucm/Vort) +0.00, joint SD 0.68模型误差大()时,最优的做法是少用任务纠正()、多用姿势刚度():既然不确定哪个方向影响任务,就把每个关节都拉回模板。这时关节变异较小(每关节标准差 0.68), 只有 +0.78,任务标准差 0.427。随着模型误差减小, 增大到 0.64, 降到 0.17,关节变异增大到 0.75,对数比升到 +1.47,任务标准差降到 0.349(图五右)。也就是说,在这个模型里,「冻结→释放」与「UCM 结构增强」是同一个过程的两面:练习者越了解任务的结构,就越能放任不影响任务的变异。
但模型中关节之间的平均相关并没有像维赖肯等人描述的那样在早期升高(从 0.21 升到 0.33):这里的「冻结」是幅度与刚度意义上的,不是耦合意义上的。这提醒我们,「冻结」的不同定义可能对应不同的机制。
模型的最后三行回答另一个问题:如果模型已经准确,却被要求「保持关节角度」(强加 ),会怎样? 时任务标准差从 0.349 升到 0.356, 时 0.435, 时 0.571,对数比从 +1.47 降到 +1.18、+0.37 与 0.00。强加的刚度挤占了任务纠正( 从 0.64 降到 0.52、0.26、0),所以任务变差。
假说 · 尚未验证 · 冻结是对内部模型不确定性的理性回应
作者的诠释:初学者的「冻结」(关节幅度小、刚度高、UCM 结构弱)至少部分是对内部模型不准的合理回应,而不只是能力不足。可检验的预测: 在同一任务中,人为增加练习者对任务结构的不确定性(例如在练习中随机改变关节到光标的映射),应当使已经「释放」的练习者重新表现出更小的关节幅度与更低的 ;而给出关于任务结构的明确反馈(例如显示解流形)应当加快「释放」。能推翻它的结果: 映射的不确定性对关节幅度与 UCM 结构没有影响,或者影响方向相反。
外部焦点:回顾与补充
第 10 本已经详细讨论过注意焦点的研究,这里只作回顾,并补充对迁移与试验设计有用的部分。
证据
外部焦点的研究。 沃尔夫、赫斯与普林茨 1998 年在滑雪模拟器与平衡板任务中比较了两种指令:把注意放在身体动作上(内部焦点)或放在动作对器械的效果上(外部焦点),外部焦点组在保持测试中学得更好 (Wulf et al. 1998)。沃尔夫、麦克内文与谢伊 2001 年提出「约束动作假说」:内部焦点使人有意识地干预本应自动化的控制过程 (Wulf et al. 2001)。沃尔夫 2013 年的综述总结了 15 年的研究 (Wulf 2013)。马斯特斯 1992 年在高尔夫推杆中发现,以显性知识学习的人在压力下表现下降,以隐性方式学习的人则没有 (Masters 1992)。
证据
元分析与报告偏倚。 蔡、希门尼斯—迪亚斯、卢思韦特、金与沃尔夫 2021 年在《心理学公报》上的元分析报告,外部焦点相对内部焦点的效应量(赫奇斯 )在表现测试中为 0.264(73 项研究、1,824 人),保持测试 0.583,迁移测试 0.584(95% 置信区间 0.325 到 0.842),肌电指标 0.833 (Chua et al. 2021)。麦凯等人用稳健贝叶斯元分析校正报告偏倚后,得到表现 0.01、保持 0.15、迁移 0.09、肌电 0.06,所有分析的贝叶斯因子都偏向零效应( 从 1.3 到 5.75),并在所有分析中发现中等到强的发表偏倚证据 (McKay et al. 2024)。该文 2024 年发表于《心理学公报》;以上数字据 2024 年 4 月更新的预印本第 3 版(与正式版被接受同月),本书未见正式版全文。
对本书来说,这两组数字有两个含义。第一,迁移正是第八章试验的主要结局,而它恰恰是两种估计分歧最大的地方:未校正时约 0.58 个标准差,校正后不到 0.1。第二,如果真实效应只有约 0.1 个标准差,一项为 0.375 个标准差设计的试验多半会得出「没有值得行动的差别」;第八章的样本量程序会算出这一点。第 33 本讨论过发表偏倚与小样本研究怎样共同夸大效应,这里不再重复。
指令即代价函数
为什么外部焦点会更好(如果它确实更好)?第二章的最优反馈控制提供了一种表述:指令改变的是练习者的代价函数。外部焦点(「让光标跟住目标」)只对任务结果付代价;内部焦点(「保持两个关节按规定的比例」)则对任务无关的方向也付代价。
推导
程序沿用第二章的双效应器求和任务,但运动噪声改为信号依赖(标准差为 牛)。「外部」指令只对位置之和付代价;「内部」指令另加 ,即要求两个效应器保持相等的份额——注意它只约束任务无关的方向,对位置之和的代价不变。反馈增益按各自的代价函数求出,再在信号依赖噪声下模拟 3,000 次;各行使用相同的随机数。
# Instructions as cost functions (the author's model, not data). The two-effector sum
# task of p03 with SIGNAL-DEPENDENT noise: each motor command u carries noise of SD
# 0.25 |u| + 0.5 N. "External" cue: pay only for the task sum p1 + p2 = 0.20 m.
# "Internal" cue: also pay lam x (p1 - p2)^2, i.e. keep the two effectors on a fixed
# template (equal shares). The weight on the task sum itself is unchanged, so the cue
# only constrains the task-irrelevant direction. Gains are the LQR gains for each cost
# (certainty-equivalent design); outcomes are simulated with the signal-dependent
# noise (3,000 trials each).
import math, random
DT, TAU, N, TARGET, C_SDN, C_ADD = 0.01, 0.04, 50, 0.20, 0.25, 0.5
def mm(A, B):
return [[sum(a * b for a, b in zip(r, c)) for c in zip(*B)] for r in A]
def tr(A):
return [list(c) for c in zip(*A)]
def add(*Ms):
return [[sum(v) for v in zip(*rows)] for rows in zip(*Ms)]
def inv2(M):
d = M[0][0] * M[1][1] - M[0][1] * M[1][0]
return [[M[1][1] / d, -M[0][1] / d], [-M[1][0] / d, M[0][0] / d]]
A = [[0.0] * 7 for _ in range(7)]; B = [[0.0] * 2 for _ in range(7)]
for k in (0, 3):
A[k][k] = 1; A[k][k + 1] = DT; A[k + 1][k + 1] = 1; A[k + 1][k + 2] = DT
A[k + 2][k + 2] = 1 - DT / TAU; B[k + 2][k // 3] = DT / TAU
A[6][6] = 1
def outer(c, w):
return [[w * a * b for b in c] for a in c]
def cost(lam):
Q = add(outer([1, 0, 0, 1, 0, 0, -TARGET], 1.0),
*[outer([float(i == j) for j in range(7)], w)
for i, w in ((1, 0.05), (4, 0.05), (2, 1e-4), (5, 1e-4))])
if lam:
Q = add(Q, outer([1, 0, 0, -1, 0, 0, 0], lam))
return Q
def gains(Q, r=1e-6):
S, L = Q, []
for _ in range(N):
K = mm(inv2(add(mm(mm(tr(B), S), B), [[r, 0], [0, r]])), mm(mm(tr(B), S), A))
S = mm(mm(tr(A), S), add(A, [[-v for v in row] for row in mm(B, K)]))
L.append(K)
return L[::-1]
def simulate(L, rng, trials=3000):
out = []
for _ in range(trials):
x = [0.0] * 6 + [1.0]; eff = 0.0
for t in range(N):
u = [-sum(k * v for k, v in zip(row, x)) for row in L[t]]
eff += sum(v * v for v in u) * DT
u = [v + rng.gauss(0, C_SDN * abs(v) + C_ADD) for v in u]
x = [sum(a * v for a, v in zip(row, x)) + sum(b * w for b, w in zip(br, u))
for row, br in zip(A, B)]
out.append((x[0], x[3], eff))
return out
def var(v):
m = sum(v) / len(v); return sum((a - m) ** 2 for a in v) / (len(v) - 1)
if __name__ == "__main__":
print("cue task SD bias ln(Vucm/Vort) mean effort")
for name, lam in (("external (task only)", 0.0), ("internal, lam = 0.1", 0.1),
("internal, lam = 1", 1.0), ("internal, lam = 10", 10.0)):
s = simulate(gains(cost(lam)), random.Random(2013)) # common random numbers
so = [a + b for a, b, _ in s]; su = [a - b for a, b, _ in s]
bias = 1000 * (sum(so) / len(so) - TARGET); eff = sum(e for *_, e in s) / len(s)
print(f"{name:26s} {1000 * math.sqrt(var(so)):6.2f} mm {bias:+5.2f} mm"
f" {math.log(var(su) / var(so)):+6.2f} {eff:6.3f}")
print("Monte Carlo SE of each task SD about 1.3 %; same noise draws in every row")
# cue task SD bias ln(Vucm/Vort) mean effort
# external (task only) 1.11 mm -1.45 mm +4.69 2.959
# internal, lam = 0.1 1.11 mm -1.45 mm +1.77 2.974
# internal, lam = 1 1.11 mm -1.45 mm +0.01 2.991
# internal, lam = 10 1.11 mm -1.46 mm -1.94 3.019
# Monte Carlo SE of each task SD about 1.3 %; same noise draws in every row结果出人意料地「平淡」: 从 0 增加到 10, 从 +4.69 降到 −1.94,变化了 6.6 个单位,而任务标准差始终是 1.11 毫米(蒙特卡罗标准误约 1.3%),平均偏差 −1.45 毫米左右,努力只增加 2%。在这个模型里,只约束任务无关方向的指令几乎不影响任务结果:额外的纠正很小,它带来的信号依赖噪声也很小。与上一节的静态模型对比可以看出:那里强加的姿势刚度同时拉动了影响任务的方向,挤占了任务纠正,所以任务变差。
这个结果对第八章的试验设计有两个直接的含义。第一, 可以在任务结果完全不变时大幅变化,所以它不宜作为主要结局;主要结局应当是任务本身的准确度。第二,如果外部焦点在任务准确度上有优势,这个优势不能只靠「放任 UCM 变异」来解释,还需要别的机制,例如内部指令是否也干扰了影响任务的纠正、是否增加了注意负荷,或者 UCM 变异是否在迁移到新条件时才显出价值(第一章的假说)。
本章小结
「冻结—释放」是维赖肯等人 1992 年在滑雪模拟器上描述的学习过程,但不是普遍规律:维数可以随练习增加也可以减少,练习量较多的小提琴学习者肩部活动反而较小。在一个示意模型中,冻结(少用任务纠正、多用姿势刚度)是对内部模型误差的合理回应,模型误差减小时 从 +0.78 升到 +1.47。外部焦点的元分析效应(迁移 0.584)在校正报告偏倚后降到约 0.1 以下。把指令看作代价函数时,只约束任务无关方向的「内部」指令可以让对数比从 +4.69 降到 −1.94 而任务标准差不变;强加同时影响任务方向的刚度才使任务变差。下一章把这些研究与古代关于技艺的文本并读。
参考文献
Fan, Y. (2026). Embodied Cognition, Bernstein's Degrees-of-Freedom Problem and the Control Theory of Motor Synergies: From the Uncontrolled Manifold Hypothesis and Internal Forward Models to Fitts's Law, Read Beside Classical Chinese Thought on Skill and the Way [具身认知、伯恩斯坦自由度问题与运动协同的控制理论] (Version 1.0.0). 5D Library. https://doi.org/10.5281/zenodo.23828057 · Licensed under Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0).