语境难题和知识表示中的“整洁性”意义

为了介绍今年的SSToryline软件工具项目，本文重新回顾了2017年讨论的一些理论材料，有关知识表示中模糊的上下文角色的讨论。通常需要大约十年的时间，一个想法才能被广泛接受，并为开源项目筹集一些资金，以便进一步研究。

语义时空这一理念认为，叙事是解决所有意向性及认知行为难题的关键——甚至最终也包括计算在内的所有领域，因为在这段时间和空间中展开的基本过程与推理之间存在着语义上的联系。

意识可能或可能不是“知识的难题”，但上下文无疑是一个难题！如果说这听起来有点轻率，我可以补充说，两者可能不像你想象的那样远。但我们不应该操之过急！本文不是在谈论意识。这篇文章讨论的是一个软件项目，这个项目旨在以关系的形式来表示知识，从而造福人类。

本文的主要目的是讨论一个代理如何在没有理想化和完美的理论索引的情况下，从技术角度处理和检索特定事件或主题的记忆。然而讽刺的是，我自己发现这非常难以做到。我不擅长随意查找：比如，人们的名字和零碎的信息等。另一方面，视觉或音乐的提示会立刻让我产生记忆。仅凭一抹颜色就能在众多书籍或唱片中找到一本书或一张唱片，因此我从未觉得有必要按字母顺序排列书籍或唱片。为什么我会觉得很难记住简单的名字，却能完整唱出三岁时学的整首歌呢？答案似乎是因为缺乏相关背景。

承诺理论对信任和推理有一定的见解和论述。我将快速回顾我过去关于语义时空模型（SST）和知识表示的文章；然后，我将尝试谈谈“上下文”可能如何作为一种索引机制发挥作用。我说“可能”是因为这仍然是一个尚未解决的活跃问题（成败在于细节），这就是我们采取的方法。

知识到底是什么？

正如我之前多次提到的，知识并不像我们日常生活中所认为的那样。它不是百科全书；它不是可以传递的知识商品。它也不在书本或电脑里。它不是你背下来莎士比亚的诗句，也不是ABBA的歌词。真正的知识只有当你真正了解它，就像了解一个朋友一样，它才存在。

我们在电话簿上看到某人的名字后不会期望认识他们，但有时我们会装作可以通过扫一眼维基百科上的信息来了解一些东西！

如果这让你想起了社交大脑假说，那是有道理的——事实上，我去年与罗宾·邓巴一起研究过这个课题（https://arxiv.org/abs/2410.10845）。能够复述信息并不等于你拥有知识：你得自己讲出一个有说服力的故事，才能让这些信息变成你的知识。在硬盘或网上，信息就像现代的洞穴壁画一样，不是你的知识。在书中，信息也只是别人知识的一个故事邀请，你得自己去了解。

了解知识的关键是“工作”或努力。

在大学时，我们常说复印一篇期刊论文就相当于读了这篇论文。在信息技术领域，我们也是这样看待知识的。只要数据被存储起来供日后查阅，我们就觉得自己“拥有”这些数据，以为自己也“了解”它们。实际上，学习的过程更像是这样：

• 查阅字典和事实目录以找到相关内容。
• 向其他人求助，他们知道去哪里找信息。
• 购买或阅读有关事实和想法的长篇文章。
• 阅读通过特定概述讲述故事的精心编排信息书籍。
• 在数据库和知识网络中进行随机查询浏览。

归根结底，知识是你逐渐学会像朋友一样了解的东西。它是那种熟悉度，让你可以告诉别人这个事物的习惯、缺陷以及如何使用或避免它。事物的行为以及我们如何了解它们是深深植根于具体情境中的。如果你不花时间去了解某样东西，它就会永远是你的陌生人。

IT行业一直热衷于通过委员会将“足够好”的标准正式化，但在区分数据和知识方面却几乎没有做出任何努力。它最接近的定义是将“知识图谱”作为资源描述框架（RDF）和Web本体语言（OWL）的W3C标准。这些XML时代的半吊子标准（上个世纪的产物）通常过于急功近利地标准化一些可销售的工具，而这些工具对用户几乎没有什么实际效果。与此同时，一套过分复杂的分类数据的官僚体系让用户望而生畏。如果你喜欢记账或填报税表，那你也会爱上这些标准。

这意味着将知识表示为信息网络的努力既耗时又费力，而最终结果几乎毫无价值。当然，我们还用类型系统和各种语言的模式将乐趣扼杀，这些模式大多是在人们还不太了解扩展挑战的情况下制定的。多入口记账确实能让人们忙得不可开交，但它偏离了主题。无论是哪种方式，IT行业简单地将知识看作是“数据库”的同义词——因为毕竟，这才是你可以卖的东西。当然，也许通过我们的SSTorytime项目，这可能仍然可以实现。

这让我们怎么办？大多数人觉得把知识说成是讲故事是一种随便的说法，因为我们觉得讲故事只是给小孩听的东西，但实际上叙事在推理中起到了关键作用——甚至在形式逻辑中也是如此。我们应该再想想。

我们是如何管理知识的—它更像一个花园而非仓库。

我曾经认为，事实陈述及其相互关系可以通过利用它们的“时空结构”来更直观地表示。这到底是什么意思呢？这指的是我们感知和理解周围空间和时间的能力是所有认知和学习能力的根本。每一个复杂的概念最终都是通过一系列基于时空描述的隐喻构建而成的。这并不是我一个人的想法，之前已经有其他语言学家提出过类似的观点（比如盖伊·德斯蒙（Guy Deutscher）的著作）。

在生命形成之初，并没有网页或书籍可供阅读。眼睛、耳朵和认知大脑只能演化成对周围环境和生物的反应。我们现代的技能一定是从进化赋予我们穿越海洋和森林的能力或技巧，以及记住曾经放置鼓槌的地方，哪种藤壶或猛犸象的皮毛最适合冬季使用等能力中借用而来的。换句话说，我们应该将所有推理视为在某些现实或想象的空间和时间中导航。这反映了语言进化的事实。正如我在《智能时空》和《寻找确定性》这两本书中详细讨论过的那样。

承诺理论定义了四种基本的时空关系类型来构建基础。首先，我们应该停止将焦点放在“事物”上，转而思考“过程”。从这个角度来看，我们遇到的一切都可以被视为一个事件。具有认知能力的代理可以以四种基本方式来思考这些事件。

• 相似性 — 大约差不多一样的事件
• 导致 — 一个事件紧接着另一个事件
• 包含 — 一个事件包含在另一个事件里
• 属性 — 某事物的特征

在时空语言里，这些对应于 等价/区分 ， 时间 结构或组成， 空间的 组成，以及可以识别的属性的空间表达。这些概念的来源可以追溯到 语义时空 的工作。

‘人工智能’并不让这一切变得多余！

最近，与知识相关的问题被所谓的“AI”（人工智能，人工智能的提炼等等，无论你怎么称呼它）所主导。AI 工具旨在将人类的思维处理过程移除，并用生成的响应来替代这些人类的努力。它们通过一种复杂的时空模型，即人工神经网络，来实现这一过程，这些模型是这样的管道处理过程。它们生成美丽流畅的语言输出，希望这些输出能引起读者共鸣。然而，在这样做时，它们替读者完成了工作。然而，即使这些信息是正确的，这种生成的输出也不是知识，因为它不是你自己的。在法庭上，这可能被称为传闻，因为你不是这个说法的见证人，也无法诚实地说出它的真实性。

作为对这种绕过人类认知的方式的对立方案，语义时空STToryline项目认为，我们可以通过机器辅助帮助人类更好地理解和管理知识过程，而不是绕过它。通过整理、记忆以及增强逐渐衰退的记忆能力，以一种既有意义又可自动化的形式来表示这些知识。一个典型的学习过程可能如下：

• 我们根据直接观察或间接传闻来做笔记。
• 我们审视笔记，并试图根据某种直觉模型把它们整理出头绪。整理是一种简化和泛化的关键方式——有时会误认为是在构建本体论。
• 随着时间推移，我们不断回顾笔记并改变自己的看法，进行编辑修改——这通常是仅在脑海中进行，但为了条理清晰，也会在纸上或电脑上进行。
• 最后，我们通过与不同受众的反复审查、修订和演练，将这些碎片化知识整合成一个我们可以讲述的故事。这是一种需要刻意努力记住的“肌肉记忆”。

至关重要的是要明白，不做作业，知识就不会形成。就像花园一样，不打理信息它就不会生长。档案馆就像是知识的墓地。保持知识的生命力是一个持续的过程，而收获的质量取决于你的投入。此外，关键在于你的脑海中的“花园”——你的笔记只是给你一些秘书式的提示。理解和记忆都得靠你自己。你不能雇用AI或机器人助手来照料和浇灌你的记忆，就像机器人不能帮你学钢琴或跳高一样。它们或许能做得更好，但这不是你辛苦获得的理解和体会。如果你试图作弊，你就把自己排除在故事之外。

知识吸收的瓶颈在于我们的大脑处理速度，所以即使“AI”能更快地向我们传递知识，如果我们不能更快地吸收这些知识也没有用。如果结果是给我们看的话，那么就需要多久就是多久。这应该告诉我们，在人类世界中，AI 的有用角色是处理大规模影响的服务，而不是模仿人类创造力的花招。

知识整理的最后一步或许是真正理解某件事。当我们能讲出一个让自己满意的故事时，我们就说我们理解了它：一个足够令人满意的叙述，能够将我们收集到的断断续续的断言连接起来。当我们的故事天衣无缝且情感上令人满意时，我们就会觉得我们理解了事物。每个人对于是否理解某件事有自己的标准。通常，故事需要形成一个条理清晰的链条，这样我们才能连接起零散的事实。为什么这会成为我们的标准？这可能是因为当你需要穿越森林时，没有魔法传送器，你只能一步一步地自己走过去。至少目前还没有——这只能通过更大规模的社会合作来建立。但归根结底，这都关乎于讲故事。

为什么?! 解释一下！

“等一等！”，你说，一个故事不是应该真正真实才算知识吗？这种胡说八道我们不要！

当然，理想的情况下的答案是肯定的！如果我们能做出这样的判断就好了。但实际上，我们很少能以无可争议的方式确定事实。最终，我们只能接受“可信的假设”。我们的情绪充当了捷径，避免了陷入无尽的“为什么??!”，使我们能够说：“够了！”它们为故事提供了满意的结局。

为什么啊？！告诉我为什么啊！

即使是备受尊敬的数学逻辑也只能在假设的基础上尝试连接点。确实，客观真理在大多数情况下可能只是虚幻的追求——这实际上是以一种不可靠的方式存在的东西。最终，这关乎于我们选择相信或信任的那个版本。理解的过程，或者说理清我们的故事就是这样：

• 我们在我们看到的事实之间创造一个故事线。
• 当有人问“为什么……（见鬼）？”时，我们就扩展故事，以提供一个令人满意的答案。
• 最终，我们对“为什么”的问题感到厌烦，于是选择相信某个任意的起点被认为是真实的。在数学中称之为公理，即使是最严谨的科学也遵循这一原则。
• 我们的“理解”就是在信息森林里找到的路径。它正是我们能够讲述我们所理解的故事。正如考试中所说的那样：‘用自己的话来回答’。

当然，人类最早讲述的故事可能是（就像蜜蜂和狼一样）关于如何找到食物，如何回家，如何识别晚餐并避免成为别人的食物。能够识别自然中的模式和故事情节可能是语言和推理的起源。有趣的是，这些都源于在时间和空间中发生的事情。

策略：从笔记到编故事

这种观点的结果是，通过一个简单的计算机表示法来表示笔记和关系（即N4L语言），我们可以将笔记转化为用于解释和恢复的过程。这种语言基于勾画出片段并连接它们的基础。从这些片段中，我们可以用不同的算法将这些片段组合成不同的故事——这得益于我们对时空结构原理的了解。例如，假设我们要了解大脑。我们先通过阅读或询问来了解情况，并记下一些我们认为重要的信息。

随手读了一本书后记下的大致笔记可能像这样……

就这样。在这种形式下，语言可以很容易地转换成可搜索的结构，因为每个括号内的关系必须映射到上述四种时空语义类型中的一个。难点在于 i) 让笔记准确且表达充分，以及 ii) 确定哪些类型适用于当前情况。虽然需要几个小时才能掌握，但这些原则让看似复杂的建模变得相当简单。这就是为什么即兴尝试是行不通的。正确理解语义需要时间和耐心。找到正确的关系并确定它们属于哪一种类型，正是这项工作将帮助我们更好地理解。

事件的时间-空间结构从这里和现在开始，扩展成一个因果相关的未来事件锥体。在物理学上，我们称它为“光锥”。

�

user
Please ensure the translation includes the term that reflects a more colloquial tone as suggested by the experts. The translation should also maintain the casual tone indicated by the hashtag in the source text.

在编程中，我们过去常常用流程图。下面就是它的样子，这就是一个可能的样子。

老式的流程图就是知识图的例子。

流程图是一种相对简单的图表，就像逻辑代数是处理转换系统的一种相对简单的方法。用N4L表示，上面的图看起来会是这样。

如上简单流程图所示的N4L表示。

这种提炼其实是教师和作家在实践中常做的。这并不一定对每个人来说都很容易，因此，软件可以在这个过程中辅助我们。我们可以想象这些“AI”工具帮助我们学习，而不是取代我们的学习。

要讨论空间和时间在认知中扮演的角色

总之来说，一切都是事件，而事件通过四种类型的箭头被连接成故事。因此，这些连接点的箭头有许多名称，但它们都属于上述四类之一。

• 相似性 — 相似的程度
• 导致 — 因果关系
• 包含 — 一件事是否包含另一件事？
• 属性 — 节点的描述或表达特性

让我们先从因果关系（因果性）说起，因为这是描述过程和变化的基础。下面的图展示了一些因果箭头及其含义。

因果关联有许多名称，这里只举几个例子。

因果关系的方向大致具有传递性。如果A发生在B之前，B发生在C之前，那么A也发生在C之前。因此它们的方向保持一致。同样，我们可以从观察者的角度来考虑“包含或不包含”，而不是“相邻”。包含这个概念也是传递的。

换个名字，还是遏制。

把时空中的任何一点或区域当作一个事件，我们能通过事件的特性来描述它的表现。这不具备传递性。

某物或某人的属性

最后，相似性和差异的评估属于相似性语义学。这通常是自然科学首先关注的问题，用定量、度量和急于求成的方式来处理。即使在今天，从统计学到人工智能的大多数数学系统仍然使用某种人造空间中的毕达哥拉斯几何距离来衡量相似性，而不是决定区分的标准。我们将语义区分转化为连续体测量作为一种计算手段。这就是所谓的“AI”所做的，这也导致了阈值模糊。

关于相似性和等同性的问题是一个微妙的概念，我们在科学中经常过度强调它。

所以这就是时空方法简述。希望你懂的……我们如何标记这些箭头呢？或许我们不知道，但这也是一部分。有一点经验后，学会这并不难，稍微练习一下就行。

示例：归属感

有些关系挺难搞清楚的。比如说，有些关系挺难搞清楚的。关于所有权的意思并不完全清楚。比如说，当我们提到“拥有”时，有时并不很清楚具体是什么意思。

这条手链是马丁的

这手链是马丁的财产，还是他身体的一部分？作为一件物品，我们可以选择把它看作马丁的“扩展空间”的一部分。没有固定答案。你可以根据具体情境选择适合自己的方式。两者实用上的差异在于它们最终如何被查找，作为 过程 的一部分。再次说明，我们被教导要以“事物”为思考对象，而实际上我们应该思考的是过程，而不是事物。

如果我们把手链视为“马丁的一部分”，那么我们也可以这么说手链里含有一颗钻石，因此这颗钻石也是马丁的一部分，因为“一部分”是一个传递关系。但如果我们说手链只是描述他的一个特征，这就不能明确说是传递关系，因为手链可能被描述成金色的，但这并不意味着马丁也变成了金色。

一开始你可能会犯错误，但更改决定非常简单，因为这种关系的定义与你使用它的数据无关。你会在过程中发现措辞中的错误，并且正是这种重新调整构成了学习的过程。

语言接口现在变得非常有用。编辑笔记比维护数据库容易得多。

80/20 分配？背景!

到目前为止，这还算直接，尽管并不容易。但我们还没有解决一个更难的问题，那就是确定我们收集的信息的相关性。我们可以轻松地将它构建成一个巨大的网络，但从哪里开始，又在哪里结束？除了使用暴力文本搜索外，我们如何找到与我们记录的内容相关的东西？

现代计算的趋势是追求“大数据”——追求更多的数据以找到正确答案。但这与我们情感大脑的做法恰恰相反。情感大脑倾向于尽早结束努力，采用粗粒度的近似（少即是多）。然而，大数据的支持者则认为（多即是多）。他们不惜任何代价！

在这里，我们寻求大数据的对立面。我们希望数据是便宜的、小的、相关的。讽刺的是，这意味着确定知识相关性的背景必须比关键知识本身更广泛。该项目的一个发现，正如承诺理论所预测的，是知识似乎被寻找其相关性所主导。这有助于解释为什么现代“AI”方法会迅速变得如此昂贵。大多数的数据和计算成本实际上与上下文有关。这揭示了关于推理本质的重要教训，这个教训在关于逻辑的传统叙述中被忽略了：科学在其提炼原则的策略中寻求“适当理想化的简化”。最终，这与知识本身的广泛性和复杂性产生了矛盾，但它总结了人类的方法。我们寻求情感上共鸣的概要，相信细节可以在社会层面上得到扩展和验证，作为更大过程的一部分。这就是知识扩展的过程。

我们用几种不同的意思来用“上下文”这个词。

• 战略索引上下文 *：在做笔记时，我们使用标题和标题来描述一个“主题”的上下文：以短语形式出现的关键词，来描述在段落中我们会找到的内容。这是一种战略性地使用上下文。这样做是为了让您通过查找这些关键词来找到相关内容。或者，当我以后搜索这个内容时，我将查找哪个索引项。
• 场景描述：得益于我们的感官，我们思考某事物的上下文可能取决于一个复杂的事件网络（归属和因果关系），最终概括为我们所认为的情景状态的一个快照。因此，上下文的最全面描述就是一个那一刻的背景故事。想象一下法医调查人员解决一个谜题。他们将上下文作为事实描述和因果动机，并说明这些因素是如何结合在一起的。
• 作为我们当前的状态：我们正在周围发生的事情的记忆短期缓存，保持相关性。
• 我们当前的意图。

我们可以想象一种场景描述语言，作为一种描述上下文的理想目标。稍加思考就会发现，这种假设的场景描述语言只不过是我们在N4L中开发的语义时空模型的一部分。它并非完全独立的事物，只是同一模型中的一个部分。一个区域与另一个区域相连通。上下文的区别在于其使用方式。例如：

马丁也在。他认识萨莉，于是过来帮她搬那个装满酒的重箱子。因为箱子太沉，他就把它放到了桌子上。结果桌子一塌，就把一瓶氨水摔碎了。氨水让好几个人呼吸不畅，其中还有一个人心脏病发作……

这种描述，渐渐导向某个关键事件，需要所有时空类别来表达：什么跟随什么，什么在什么地方，物品有什么属性，谁和谁靠近等等？从关于死亡或谋杀的本体论角度来看，这一切都离你可能会写在那个标题下的内容相去甚远。在本体论中，你可能会写下：刺杀、枪击等，完全不涉及搬运一箱箱酒。因此，在实践中，构成谋杀背景的细节可能完全无关，像是知识图谱中遥远的枝节。然而，听到这些细节时，它们会引发谋杀相关的联想。就像提到披萨可能会让人联想到《黑帮家族》里的某个谋杀场景一样。我们的思维是杂乱无章且具有联想性的。

一个大型犯罪现场的知识体系可能涉及许多原本来自不同情境的独立部分或区域。我们现在的新情境是如何把这些部分联系起来的呢？

但背景更多是关于场景描述。例如，想想你最喜欢的电视节目中任何像《犯罪现场调查》、《Silent Witness》或阿加莎·克里斯蒂作品中的法医调查。

在信息技术领域的知识系统中，“本体论”这一正式概念在研究人员中大受欢迎，并被简化为一种简单的逻辑即OWL（讽刺的是，因为写这类论文很容易）。这个概念认为存在一种正确的分类意义的树形结构，这反映了信息技术领域的一种简单思维方式。不幸的是，这一想法已被证明是有缺陷的，甚至可能是错误的，多次。分类法和本体论只是网络命名区域的集合。是的，它们试图将事物归类以保持整洁。但这些类别并不完全互斥（鸭嘴兽是哺乳动物还是产卵动物？）。将完整的逻辑强加于不完整的知识上，对于组织而言，这至少是一种糟糕的策略。

总是有许多可能的涵盖树，或者不同的解读来分类意义。当我们讲故事时，我们可能会从开头依照时间顺序讲述，或者我们可以从结局开始，倒叙讲述。我们可能在不同时间点之间跳跃，来回穿梭，以探讨各个部分如何与整体相关。上下文并不是一棵涵盖树。

通过追踪思维的路径，我们正在汇集一串前提条件，这些条件我们的大脑能够理解，而我们的大脑进化是为了在自然景观中导航。如果我们陷入完美逻辑的自满和傲慢中，我们将倾向于过度限制信息，使其难以在没有存储时使用的精确标准下找到。这可能是使用如RDF和OWL（网络本体语言）这样的工具时最常见的错误，因为这些工具基于一阶逻辑体系。逻辑会反过来阻碍我们，因为我们需要复制精确的查找键才能找到我们想要的信息——甚至我们自己也不清楚到底在寻找什么！记忆的主要好处在于创造性地组合思想，通过“混合搭配”。

新兴推理能力：没有速成捷径

当我们试图写下一些复杂的关系时，我们想要表达的关系集合在当时很难想象。想想在某事发生后尝试写警察笔录的情景。你可能试图将细节描述导向某个引导性描述，而不是简单地描述你知道的情况，因为你还没有清晰地看到这些细节是如何与结果相关联的。回过头来看，情况就变得清晰了。通过整理和重新加工我们的笔记，我们逐渐提炼出一个更整洁的故事，用象征性的行为和事件讲述一个更令人满意的故事，就像程序员所说的那样，重构代码。

让我们明确一点，一个令人愉悦的故事，实际上是让人在情感上感到愉悦的故事，而不是一个纯粹从代数角度讲正确的故事。最终所使用的语言变成了一种具有类似关注点的专门化语言。动机、方法、凶手、受害者等。通过极端的信息处理提取模式，从而提炼其本质。随着时间的推移，这有助于压缩信息，使之更易于作为语言传递。

其他过程包括在法庭上的证据推理，最终由一位受信任的法官进行情感解读，或者在研究期刊中讲述关于某一现象的各种故事（称为理论或模型），这些理论或模型最终会被同行接受。进化是在一个混乱的环境中通过长时间的统计持续性来实现的。这些都是有效的过程模型，但如果我们将某个特定场景强行套用到不合适的流程中（就像一些程序员有时会将数据模型强行套用），就很容易陷入困境。

N4L方法在谋杀现场的应用方式

知识包含了许多不同尺度的元素，我们试图将它们拼凑在一起。我们从世界的感官信息中提取数据，并将这些数据编织进故事里。

结束这个故事

知识表示的一个不舒适之处在于它通常不会整洁有序。我们追求的整洁需要大量的工作才能提炼出一种专门的语言。因此，语言是总结和重构知识过程中的关键——通过整理、重构、遗忘以及有意删除事实，我们才能讲出一个连贯的故事。

无论是口语还是书面语，将事件浓缩为一种象征性的蒸汽，通过粗粒化和精简引用，这可以看作是一种记忆管理的算法。通过写作来理解世界的人学会了将这一过程当作一种任务（甚至是一种工作）来做。老师和教育者也擅长编写故事或线索，以一种共鸣的方式传达思想。知识也有其社会层面，我们通常认为知识仅存在于我们的内心，但实际上它的痕迹和线索随处可见。我们依赖的大部分记忆都在我们头脑之外，因为我们被地点、道路、事物和过程所指引。

这么说来，寻找意义的过程就是从症状追溯根本，从底层追溯到一个概括全局的高层次事件，该事件涵盖了后续的所有事情。注：此处的“matrioidal”是指某种包含一切的高层次事件。

我们从基础开始学习，但在交流时通常自上而下进行。我们首先用概括性的语言作为经济策略，希望避免解释细节，但前提是如果我们需要填补这些细节时。毕竟，语言是一维符号流，总结某一时期复杂的历史。然而，我们可以通过叙事构建出一幅画面。这并不像我们想象的那么简单，如果不仔细分析，事情的真相可能会变得扭曲。然而，语言具有强大的力量，能够引发他人的共鸣和理解。

当我们想要记住的时候，困难就开始了。我们应该从哪里开始进入记忆网中的故事？在我们确定之前，可能有许多并行激活的可能性。我们的意识有一种注意力机制，一次只让我们专注于一个故事（也许除了那些有多重人格障碍的人？）或许这就是意识体验的起源——作为一种必要的时间线构建者，以便理解和整理记忆与经验。

简而言之，也许最深刻和最难的部分在于“上下文”所扮演的角色：由历史环境交织而成的网络，照亮了我们周围发生的种种变化，并将每个瞬间的分类，使我们能够在将来利用这些信息。知识本质上是能付诸行动的。这不应该让我们感到意外：毕竟，我们高级心智能力的最可能原因在于动物王国中所需技能的进化，例如在地形中导航和识别朋友、敌人和食物。

请继续关注这个项目，不妨试试这个软件，我正需要志愿者来试用甚至折腾它！https://github.com/markburgess/SSTorytime/tree/main