元認知也許并不是人的專利，AI做起來（比如IBM的Watson）并不比人差，或者應該說，比人先進很多。

首先介紹一個重要概念：貝葉斯網絡（Bayes Network），也叫信念網絡（Belief Network）。

我們腦中有很多觀念，這些觀念一直在變化。其中有一些我們不是很確信，比如努力真的有用嗎（因為會同時看到努力和看起來不努力的人，過得都非常好）；而另一些觀念是很確定的，比如健康肯定是好的。

把這些觀念想象成一個個結點，它們是以我們的確信程度以<u>概率分布</u>（與<u>概率</u>不同）的形式存在于我們的腦中，同時這些觀念的概率分布也會根據外部的信息更新自己——例如某天我們發現，那個看起來不努力的人，其實一直在某個方向上默默的努力著，于是我們對努力這件事又確信了一些。

我們腦中所有觀念和它們所依賴的信息/事件交織在一起，組成一個復雜的、認知與現實世界交互的網絡，而這可以被貝葉斯網絡所描述。

貝葉斯網絡一般結構很復雜，但到最后可以被簡化成以下兩種形式：A影響B和C，或者X和Y<u>分別</u>影響Z：

上圖B、C是A的衍生觀念。觀念之間還可以組成復雜結構，比如A同時影響B和C、而A和B分別影響C：

遺憾的是，我們的大腦是有惰性和粘性的。<u>惰性</u>是指，在更新觀念A的概率分布之后（比如被新的事實打臉），大腦并不會沿著觀念A往下找，看看哪些觀念是A的衍生觀念，對它們進行更新。而AI不同，任何節點/觀念的更新，會觸發AI往下遍歷所有的衍生節點，接著對它們的概率分布進行更新。久而久之可想而知，我們的知識體系和觀念網絡會留下很多漏洞，需要我們自行彌補。<u>粘性</u>是指我們的執念，也就是無論發生什么事我們都不會改變的觀念（這可以是好事也可以是壞事），AI顯然沒有。

從這個角度去想，元認知也許就是我們對自己的信念網絡/認知系統的認知——了解現有觀念之間的依存關系、及時更新觀念及其衍生關系的概率分布等等。而AI由于沒有前面提到的惰性和粘性，在元認知這方面其實比我們更勝一籌。

可是要實時更新整個認知網絡，大腦的成本是很高的。一個簡單的方法可以用來判斷某一個想法或者觀念是否有漏洞：就是往上找這個想法到底是從哪來的，看看上面那個想法站不站得住腳。引用卓老板的一句話就是：

知識這東西就得經常的核實的訂正，尤其是那些從別人那兒聽來的知識。