认为第一个推论在逻辑上成立的人，显然要多于认为第二个推论在逻辑上成立的人。尽管两个推论在结构上一模一样，只不过用“奥普洛班因”这个无意义的词代替了“汽车”而已。他们往往受到自己对汽车知识的误导；他们知道第一个三段论的结论是真实的，因而认定这一推论在逻辑推理上也是正确的。在“奥普洛班因”的情况下所看到的是，他们尽管对奥普洛班因一词毫不了解，但仍认为这一推论不正确，因为他们可以辨认出奥普洛班因与装配发动机的东西之间没有必然的重叠关系。
归纳推理：相对比而言，归纳推理稍为宽松一些，且不很精确。它指的是从具体的想法向更广泛的概念推进，也就是说，从有限的情形向总体的概括方向发展。从“苏格拉底会死”，“亚里士多德会死”和其他案例中，人们有一定的信心推断出，“所有的人都会死”这一结论，尽管任何一个例外都会使该结论无效。
许多人类的重要推理属于这一类型。对思维至关重要的范畴化和概念形成也功于归纳推理，这一点我们在儿童如何形成范畴和概念的研究中已经知道。人类所拥有的有关这个世界的全部高级知识——从死亡的不可避免到行星运动和星系形成的法则——都是从大量具体事例中所推出的概括结果。
在模式辨认中所使用的归纳推理也是解决问题的关键。一个简单的例子：
下个数字是什么？
2 3 5 6 9 10 14 15——
10岁的孩子也会解答这个难题；成人可在一分钟左右看出这个模式和答案（20）。经济学家、公共卫生官员、电话系统设计员和其他许多从事对我们这个现代社会的生存来说至关重要的模式识别的人，利用的也正是这一推理过程。
然而，令人不安的是，研究者发现，许多人不会从信息中进行演绎推理。我们常常只注意那些支持现存想法的东西，并将它们存储在记忆中，却往往忽略相反的东西。心理学家将这种现象称为“验证性偏见”（confirmation bias）。丹恩·拉塞尔（Dan Russell）和沃伦·琼斯（Warren Jones）让受试者阅读有关超感知觉的材料，它们中的一些是确定性的，另一些是否定性的。之后，拉塞尔和琼斯对他们的回忆进行测试。相信超感存在的人百分之百记得确定性的材料，而对那些否定性的材料，只能记起百分之三十九。怀疑论者可记住两方面材料的百分之九十。许多类似的偏见研究发现，有强烈偏见或种族偏见的人往往记住的是他们所仇恨或不信任人物的负面信息，忘掉关于他们的任何支持性信息。
概率推理：人类思维的能力是进化选择的结晶，但我们在高级文明社会里生活的时间过于短暂，不可能形成对统计中的概率问题进行严密推理的先天能力，尽管现代生活非常需要这种能力。
丹尼尔·卡恩曼（Daniel Kahneman）和亚莫斯·特沃斯基（Amos Tversky）在这个领域里均进行过大量基础研究。他们询问一群受试者，让其在下列选择中说出更偏爱什么：你肯定能拿到80美元，或有百分之八十五的机会去拿100美元，当然也有百分之十五的可能是什么也拿不到。大部分人愿意拿80美元，尽管统计上的风险平均数为85美元。卡恩曼和特沃斯基得出结论说，人们一般“不愿冒风险”：他们情愿拿到确定的东西，即使风险性项目更值得一赌。
我们再看另一种情形。卡恩曼和特沃斯基询问另一群，让他们也进行选择：你肯定赔出80美元，或有百分之八十五的可能是赔出100美元，当然也就有百分之十五的可能是一分钱也不赔。这一次，大部分人选择的是赌，而不是照赔，尽管从统计来说，这场赌局的代价可能更大。卡恩曼和特沃斯基的结论是：当在获取中进行选择时，人们不愿意冒险；当在损失中进行选择时，人们会寻机冒险——在两种情况下，他们都可能做出错误的判断。
后来的发现更引人注目。他们让一群大学生在解决公共卫生问题的两种版本面前进行选择。两种办法在数学上是相等的，但措辞不一样。第一个版本是：
假设美国正在准备预防某种罕见的亚洲疾病，估计它能使600人丧生。有人提出两种方案来对付该病。假定对这些方案的后果进行准确的科学的估计如下：
如果采纳A方案，则可能拯救200人：
如果采纳B方案，则有三分之一的可能性使600人全部获救，有三分之二的可能性是600人一个也裁不了。
你倾向于哪一个方案？
第二个版本的故事与前面的一样，只是措辞略有不同：
如果采纳C方案，将有400人死去。
如果采纳D方案，有三分之一的可能性是没有人会死，但也有三分之二的可能性是600人全部死去。
受试者对两个版本的反应差别极大：百分之七十二的人选择方案A而不是方案B，但百分之七十八的人（另一小组）选择方案D而不是方案c。卡思曼和特沃斯基的解释是：在第一版中，结果是以获取（拯救的生命）来描述的，在第二个版本中是以损失（损失的生命）来描述的。这是与上述金钱方面的实验所具有的相同的偏差，受试者的判断在这里再次受到扭曲，即使所涉及的是人类的生命。
我们在这些情况下会做出糟糕的判断，因为涉及的因素是“非直觉的”；我们的思维不愿抓住概率中的现实。这一缺点既影响着个人，也影响着整个社会。选民和选民代表经常因为很差的概率推理而做出代价昂贵的决定。理查德·尼斯比特（Richard Nisbett）和李·罗斯（Lee Ross）在其所著的《人类推理》一书说道，许多政府在危机时期所采用的政策和策略往往因其所带来的效果而被视为有益的，尽管这些政策经常是无用甚至有害的。错误的判断是由人类的倾向性引起的。人们倾向于将结果归因于产生这一结果的行动，尽管这些结果经常是事物的自然进展，是从异常回归正常的自然趋势。
类比推理：到70年代末，认知心理学家已开始认识到，许多被逻辑学家视为谬误推理的东西实际上是“自然”或“行得通的”——它们往往不准确，不严密，比较直觉，且技术上不成立，但往往行之有效，富于竞争力。
此类思维之一便是类比。只要我们认识到一个难题可与另一个我们所熟悉且知道答案的不同难题进行类比时，我们的思维往往会一下子跳跃进结论。比如，许多人在组装一件散落的家具或机器零件，大家根本不看说明手册，而是仅凭“感觉”动手——寻找各零件之间的关系，并在不同的家具或机器零件之间寻找他们曾组装过的东西的类同之处。
类比推理形成于儿童心理发展的晚期。近来一直从事类比思维研究的认知心理学家迪德尔·金特纳，分别就云彩在哪些方面与海绵相似这一问题询问一些5岁的孩子和成人。孩子们的回答依据的是其类似的外在特点（“都是圆圆的，毛茸茸的”），成人依据的则是其内在的类似点（“都储水，且都能将水反馈出来。”）
金特纳将类比推理看做存在于一个域和另一个域之间的高级关系的“测绘”；她和两位同事甚至还编写一个计算机程序，即“结构一测绘引擎”，它可以模拟这一处理过程。当它在计算机上运行时，人们输入进去一些有关原子和太阳系的资料，这一程序立即像伟大的物理学家拉瑟弗德爵士（L0rd Rutherford）一样，立即识别出它们是可类比的，并给出了较为合适的答案。
面对困难和不熟悉的问题时，人们一般不用类比推理，因为他们很少进行远距离类比，即使其可能给出解决这一难题的答案。然而，如果有意识地进行寻找，他们往往能够轻易发现某种并不那么明显的类比。M·L·吉克（M．L．Gick）和基思·霍利约克（Keith Holyoak）利用我们已读到过的登克尔（Duncker）传统问题，即我们如何利用x一射线杀死胃癌，同时确保正常组织完好无损。大部分受试者并不能自发地发现答案。接着，吉克和霍利约克让他们阅读一篇故事，提示说答案可能就在该故事里。它描述的是一支军队无法从正面攻陷一座城堡，但将军把部队分成单独的团体，他们从四面八方进攻，结果成功了。看完之后，他们有意识地寻找可以解决这—x—射线问题的类比，许多受试者都能看出，将x—射线分成许多不太强烈的光束，从身体的各个部位集中到肿瘤上，有可能解决这一问题。
专家推理：许多认知心理学家在纽厄尔和西蒙的工作触发之下，认为他们的理论有可能利用到各个领域的专家的问题解决中去，但结果他们吃惊地发现，这样行不通。在一个富含知识的领域里，专家们进行得更多的是向前的搜寻而不是向后的搜寻，也很少做手段一目的分析法，他们的思维经常不是一步一步地向前，而是跳跃式的。他们不是从细节着手，而是察看整体的关系。他们知道哪些范畴或原理涉及在里面，因而会从上向下着手。对比而言，新手们缺少这样的透视能力，因而是从下向上工作的，他们会从细节着手，尽量收集足够多的资料以形成整体的看法。
到80年代，几个中心均在对专家问题解决进行研究。明尼苏达大学的保尔·E·约翰逊（Paul．E．Johnson）及其同事就是典型。他们请心脏病学、商贸学、化工和法律方面的专家从事问题解决。在分析受试者的思维时，约翰逊和同事吃惊地发现，专家们经常根据少数事实跳向对问题本质的正确评估，且能很快形成答案。比如，心脏病专家可能根据两到三条信息而得出某种具体的心脏病的正确诊断，而刚毕业的医生在遇到同一病案时，往往可能问出许多问题，慢慢逼近可能的解答范围。解释是：与新手不一样的是，专家们拥有以图式形式组织和排列的知识，里面充满了各种基于经验的特别捷径。
§§§第六节思维是计算机吗？计算机是思维吗？
哪怕是在信息加工学说和计算机模拟推理的第一次热潮之中，有些更喜欢人脑而不是计算机技术的心理学家，就已经对思维与机器之间的可比较性有所保留了。的确也存在很大的不同。一方面，计算机只寻找和提取所需要的信息，可是，人类却不需要任何搜寻就能提取到许多条信息，比如，我们自己的名字，还有我们说出来的大部分话。另一方面，如认知科学家唐纳德·诺曼所指出的，如果有人问你说：“查尔斯·狄更斯的电话号码是多少？”你马上就知道这是一个愚蠢的问题，可是，一台计算机却不这样想，它会到处找这个号码。
再说，思维知道词语和其他符号的深刻意义，计算机却不知道，对于计算机来说，这些都只是标签而已。计算机上的任何东西都不可能与无意识或者无意识里面发生的事情相提并论。
这是少数几个明显的差别。在一般被认为是新心理学第一篇重要声明的《认知心理学》一书中，作者乌尔里克·赖塞尔对一些计算机程序也表达了很强的保留意见。这些程序是在逻辑理论器和GPS之后开发出来的，都被认为是人类思维过程的模型，但他说：
在我看来，这些程序里没有一个堪与人类思维过程的复杂性相提并论。“人工智能”程序与人类不一样，它们头脑简单，不可能分心，更没有感情。再说，它们一般从一开始就配备有解决问题所需要的全部认知材料。
然而，这位权威性丝毫不亚于赫伯特·西蒙的人确定地说，思维和机器在范畴上是类似的。1969年，他出版了一系列讲座，称为《人工智能科学》，书中提出，计算机和人类思维都是“符号系统”——能够处理、转变、精确化且一般也能操纵各类符号的物理实体。
在整个70年代，麻省理工学院、卡耐基一默伦大学、斯坦福大学等部分致力于心理学和计算机事业的科学家狂热地相信，他们已处于一个巨大突破的前夜，有能力开发出思维何以运行及人类思维机器版的理论程序。至80年代初期，这项工作已扩张至几所大学和一些大公司的实验室里。这些程序可执行许多活动，比如下国际象棋，对句子进行语法分析，根据繁杂的原始数据推论出行星的运行规律，将基本句子从一种语言翻译成另一种语言，根据大量光谱数据推论出分子结构等。
狂热者认为，信息加工理论解释思维运行原理的能力无边无际，人工智能也可无限制地通过执行同一些过程以检测这些解释。他们相信，这些程序最终能做得比人类更好。1981年，哥达德太空研究院的罗伯特·杰士特罗（Robert Jastrow）预测道，“到1995年左右，按照现在的发展趋势，我们将看到硅制大脑之类突然出现的生命形式，它们将与人类展开竞争。”
跟赖塞尔一样，一些心理学家感到，计算机只是对思维某些方面的机械模拟，心理过程的计算机模式根本不合适。赖塞尔本人在1976年时也对信息加工模式“非常失望”，出版的第二本书即《认知及现实》。赖塞尔深受詹姆斯·吉布森及其“生态”心理学的影响，在该书中提出，信息加工模式太过狭窄，与现实生活中的知觉、认知和有目的的活动相距甚远，且根本没有考虑我们从周围的世界里持续不断地吸收来的经验和信息。
其他心理学家虽没有表明他们深感失望，但却在想办法扩展信息加工的观点，试图囊括思维对图式、捷径和直觉的利用，并使其能够模拟有意识和无意识层次上并行展开加工过程的能力（这是个关键话题，我们随后将谈到这一点）。
还有另一些人则向计算机编程后能像人类那样思维这一概念提出了挑战。他们认为，人工智能根本无法同人类智力相提并论，尽管它也许在计算方面胜人类思维一筹，因为它永远不可能轻松或完全无法从事人类思维在平素轻而易举就能完成的工作。
最重要的差别在于，计算机不能理解它自己正在思考的问题。贝克莱的哲学教授约翰·塞尔（John Searle）和休伯特·德赖弗斯（Hubert：Dreyfus），还有麻省理工学院的计算机科学家约瑟夫·魏森包姆（Joseph Weizenbaum）等人认为，计算机在按编程进行推理时，只会操纵符号，根本不了解这些符号的意义或含义。比如，通用问题解决器（GPS）也许能够推算出父亲和两个孩子如何渡河，但这项工作它们只能以代数符号的形式进行；它不知道一只船、父亲和孩子是什么，“沉船”后意味着什么，他们在沉下水后又会发生什么，或这个现实世界里的其他任何东西。
然而，写于七十与八十年代的许多程序的确似在解决现实世界的现象，典型的是“专家系统”。该系统模拟了专家的推理，利用了专家的特定知识，解决问题的范围从肿瘤学到投资，从静脉定位到马铃薯种植。