元认知也许并不是人的专利，AI做起来（比如IBM的Watson）并不比人差，或者应该说，比人先进很多。

首先介绍一个重要概念：贝叶斯网络（Bayes Network），也叫信念网络（Belief Network）。

我们脑中有很多观念，这些观念一直在变化。其中有一些我们不是很确信，比如努力真的有用吗（因为会同时看到努力和看起来不努力的人，过得都非常好）；而另一些观念是很确定的，比如健康肯定是好的。

把这些观念想象成一个个结点，它们是以我们的确信程度以<u>概率分布</u>（与<u>概率</u>不同）的形式存在于我们的脑中，同时这些观念的概率分布也会根据外部的信息更新自己——例如某天我们发现，那个看起来不努力的人，其实一直在某个方向上默默的努力着，于是我们对努力这件事又确信了一些。

我们脑中所有观念和它们所依赖的信息/事件交织在一起，组成一个复杂的、认知与现实世界交互的网络，而这可以被贝叶斯网络所描述。

贝叶斯网络一般结构很复杂，但到最后可以被简化成以下两种形式：A影响B和C，或者X和Y<u>分别</u>影响Z：

上图B、C是A的衍生观念。观念之间还可以组成复杂结构，比如A同时影响B和C、而A和B分别影响C：

遗憾的是，我们的大脑是有惰性和粘性的。<u>惰性</u>是指，在更新观念A的概率分布之后（比如被新的事实打脸），大脑并不会沿着观念A往下找，看看哪些观念是A的衍生观念，对它们进行更新。而AI不同，任何节点/观念的更新，会触发AI往下遍历所有的衍生节点，接着对它们的概率分布进行更新。久而久之可想而知，我们的知识体系和观念网络会留下很多漏洞，需要我们自行弥补。<u>粘性</u>是指我们的执念，也就是无论发生什么事我们都不会改变的观念（这可以是好事也可以是坏事），AI显然没有。

从这个角度去想，元认知也许就是我们对自己的信念网络/认知系统的认知——了解现有观念之间的依存关系、及时更新观念及其衍生关系的概率分布等等。而AI由于没有前面提到的惰性和粘性，在元认知这方面其实比我们更胜一筹。

可是要实时更新整个认知网络，大脑的成本是很高的。一个简单的方法可以用来判断某一个想法或者观念是否有漏洞：就是往上找这个想法到底是从哪来的，看看上面那个想法站不站得住脚。引用卓老板的一句话就是：

知识这东西就得经常的核实的订正，尤其是那些从别人那儿听来的知识。