首頁 >> 頭條新聞
人工智能與認識論的哲學互釋:從認知分型到演進邏輯
2020年07月10日 08:04 來源:《中國社會科學》2020年第6期 作者:肖峰 字號

內容摘要:

關鍵詞:

作者簡介:

  摘要:人工智能與認識論有著獨特而內在的關系,使得兩者之間可以進行哲學上的互釋:一方面是對人工智能的認識論闡釋,包括揭示人工智能的認識論根基,尤其是不同人工智能綱領或范式(符號主義、聯結主義和行為主義)的哲學認知觀,以及它們進行智能(認知)模擬時與人的認知之間所形成的同理、同構、同行、同情的不同關系;另一方面是對認識論進行基于人工智能視角的闡釋,包括依托人工智能范式所進行的認知分型(推算認知、學習認知、行為認知和本能認知),進而揭示這些分型之間的多重關系。在此基礎上,還可以對人工智能和認識論之間進行動態互釋,揭示兩者之間難易互逆的關系,由此對人工智能發展走向形成有根據的預判,有助于正視人類智能和人工智能之間的互補,進而推進不同算法和認知類型的融合,并印證人們對認知本質相關闡釋的合理性。

  關鍵詞:人工智能 認識論 認知分型 演進 闡釋

  作者:肖峰,華南理工大學馬克思主義學院、哲學與科技高等研究所教授(廣州510641)。

 

  人工智能(AI)和人類所創造的其他科學技術一樣,是不斷演進和發展的;基于不同綱領的AI流派(符號主義、聯結主義和行為主義)陸續成為人工智能的核心范式,就是這一演進的標識。將認識論與人工智能的演進關聯起來進行一種哲學上的相互闡釋,可以形成互惠于兩者的雙向啟示。其中,將人工智能納入認識論研究的視野,有助于揭示不同綱領人工智能所蘊含的不同認知觀,從哲學上發掘人工智能范式區分的認識論根基,展現出認識論對于人工智能的闡釋力。與此同時,我們也可以且有必要將認識論納入人工智能考察的視野,對“認識是如何進行的”加以基于AI及其算法演進的分型,從而借助人工智能來揭示不同類型認知的運行機制,“反向地”觀照我們對自身認知的理解。這種雙向互釋還可以“同框”展開:人工智能模擬認知類型的演進序列與人自身的認知演進序列,具有一種“先后互逆”進而“難易互逆”的關系,由此人的認知和機器智能之間的運行機制形成一種對比性闡釋,并啟示我們如何走向人機協調及智能互惠的關系。

  一、人工智能演進的認知觀基礎

  人工智能的演進是伴隨其核心技術的算法的演進進行的,例如,從經典算法到深度學習,也是人工智能從20世紀50年代居于支配地位的符號主義人工智能到80年代后逐漸走向統治地位的聯結主義人工智能(或人工神經網絡AI)的發展,而在機器學習算法中進一步開發了強化學習算法后,則隨之有行為主義人工智能在20世紀末的問世。雖然人工智能的范式劃分基于不同的標準有不同的結果,但將其劃分為上述三種范式已成為目前普遍接受的視角;而這些不同的人工智能及其算法是以不同的認識論理論(亦即不同的哲學)為基礎的。

  人工智能的演進是對人的智能或認知活動的模擬范圍或類型不斷擴展從而模擬能力不斷提升的過程,這個過程與不同范式的人工智能源自或表達的哲學認知觀密切關聯。這是因為人工智能在追求“像人一樣思考”或相似于人的方式作出反應時,必然涉及人是怎樣思考與怎樣反應的問題,也就是如何進行認知的問題。“如何認知”既包含認知的方式也包含認知的機理和本質,由此構成了哲學上的“認知觀”。人工智能演進中的不同范式所訴諸的不同綱領,就是基于不同的認知觀而形成的:闡釋“認識是什么”以及“認識如何進行”的哲學認知觀,構成人工智能的哲學根基,它決定了人工智能如何去模擬人的認知,以及模擬人的什么樣的認知,由此確立人工模擬的不同目標,設計不同的技術進路,進而形成不同范式或流派的人工智能。如同人工智能的創始人之一麥卡錫(John McCarthy)所指出: 人工智能和哲學比一門科學與這門科學的哲學有更多的共同之處。這是因為人工智能的研究者需要具備一定的哲學態度,特別是認識論的態度。迄今面世的三種范式的人工智能,分別將認知的本質理解為理性推導、經驗學習和人與環境的互動,從而分別建立了基于知識表示、人腦神經網絡和感知—行動的人工智能系統或智能體,認識論在這里可視為對人工智能演替進行哲學闡釋的主線。

  具體地說,基于經典算法的符號主義即傳統范式的人工智能與理性主義相關,其方法論基礎是演繹推理,哲學上直接受邏輯實證主義的認識論影響。麥卡錫就明確認為:“人工智能(這里當然是指創立之初的符號AI——引者注)已經從分析哲學與哲學邏輯研究中獲益”;皮茨(Walter Pitts)、西蒙(Herbert Simon,中文名為司馬賀)、所羅門諾夫(Ray Solomonoff)等人工智能的其他重要創始人,也均受到過分析哲學的影響,他們都曾在芝加哥大學因聽過卡爾納普的課程而深受其“哲學就是邏輯分析方法”的啟發,以至于他們的思想被認為是發源于卡爾納普的分析哲學思想。而弗雷格、羅素的數理邏輯以及早期維特根斯坦的《邏輯哲學論》也對符號AI產生了深刻的影響。

  邏輯實證主義將認識看作以邏輯為基礎的符號推理過程或計算活動。這一認知觀在符號主義人工智能中得到了透徹的貫通和體現。由經典算法支配的人工智能的工作模式就是:一個既有的算法猶如先在的理性規則或先驗存在的信息加工裝置,等待它要處置的個別數據;機器認知的過程就是將輸入的數據按算法規則加工成輸出的符號,形成知識表征。在哲學家德雷福斯(Hubert Dreyfus)看來,符號AI所主張的這種信息加工模式是一種標準的唯理論,它把“具體的感性同化為用于抽象思維中的受規則支配的符號描述”。這種觀念可追溯到柏拉圖那里,他把全部的推理活動化約為明晰的規則,再把世界分解為可運用這些規則去處理的原子事實;所以認知無非就是按明晰的規則進行計算,一切知識都可以編碼為計算機能夠處理的符號。可以說,經典算法及其相應的符號人工智能較為成功地模擬了人的左腦的抽象邏輯思維。

  建立在人工神經網絡基礎上的深度學習算法及其聯結主義人工智能則跟經驗主義的認識論相關聯,在其看來,學習就是大腦所做的事情,學習的過程就是從不斷積累的經驗中歸納出一般原則的過程,機器學習就是要模擬并實現大腦的這種學習功能。當人把經驗數據提供給機器系統,它就基于這些不斷積累的數據生成模型,然后用這些模型去進行辨識(如圖像、聲音識別等,統稱為模式識別),這就類似于人所進行的學習。這是一種從經驗到理論的認知進路,是從數據中提煉出規律即相應的知識和模型的過程,即從個別到一般的歸納過程;然后在面對新情況時,所形成的一般模型就會提供相應的判斷,此即通過訓練而生成的模式具有對新對象的識別能力。這一范式的方法論與邏輯學基礎是統計學和歸納推理,理論基礎是結構主義,它從神經網絡及其連接狀態來闡釋人的認知機理,主張智能是人腦活動的產物,且是簡單的單元通過復雜而大量的聯結(特定的結構)所涌現出來的功能;學習的過程就是調整神經元之間的聯結強度并形成特定結構的過程,這也是一個面對信息輸入進行自組織自適應的過程。這種可調整的可塑性也是聯結主義賦予人工神經網絡學習功能的根據,它重現了人腦在學習時所發生的現象:在外來信息的刺激作用下改變或形成新的突觸聯系。從經驗歸納的認識論進路看,這一人工智能系統具有將數據或信息加工為知識的指向。由于對圖像(如人臉、筆跡、醫療圖像)具有的強大識別能力,一定意義上可以說基于深度學習的聯結主義AI主要模擬的是人的右腦的形象思維。

  符號主義人工智能與聯結主義人工智能之間的差別,關聯著兩種認識論的差別:前者是基于規律—規則的人工智能,人將規律—規則模型化程序化,其中包括從專家的經驗中整理出來的普遍化知識,它能較好地解決理性思維中的推理或計算問題;后者根據人提供的經驗數據等信息去生成模型,即系統從數據中提煉規律,形成知識,能夠較好地解決感性認識中的識別問題。兩相對比,一個是規則在先,一個是規則在后;前者是一般先于特殊,后者是特殊先于一般,所以后者使得算法背后體現的認識論原則或哲學范式發生了“轉型”。正是這種轉型,才克服了傳統人工智能發展中的瓶頸,即智能機器不可能事先都設定好理論模型去處理各種問題。例如人在識別椅子時,無論它使用了什么材質或做成什么形狀,都不會把椅子錯認為桌子,但這樣的識別過程就無法直接用形式化的符號表述出來,從而不可能事先編好可以識別一切椅子的算法,使得智能機器面對各種椅子時都能進行正確的識別。而通過深度學習算法,通過大數據的訓練就可以在人工神經網絡中形成識別出椅子的權重結構模型(狀態),從而可以有效地完成識別那些沒有在訓練中出現的椅子的任務。上述兩種范式人工智能的重大區別,意味著它所折射的思維認識類型也較之傳統的類型發生了“質的轉型”,人腦中那些有深度層次化特征的子模塊(如視覺皮層)成為把握認知機理的重點對象,也成為智能模擬的新范式。

  追求“像人一樣行為”的行為主義范式的人工智能與強化學習算法相關聯。“強化學習”是指可以用來支持人們去做決策和規劃的一種學習方式,它通過對人的一些動作、行為產生獎勵的回饋機制來促進學習。作為學習算法中的一個類型,強化學習從某種意義上形成學習算法的又一次演化,使得學習算法在先前只用來解決“識別”和“理解”問題,進一步演進到用來處理與環境互動的問題,也就是從只行使認知功能(“像人一樣思考”)擴展到“像人一樣行動”的功能。其實,關于人工智能的目標,一開始就并非僅有“像人一樣思考”的理解,而且有更廣義的“像人一樣行動”的追求,后者就是行為主義范式的人工智能。強化學習算法及其行為主義人工智能所秉持的認知觀是:智能源自感知和行動,它是在與環境的相互作用中得以體現的,認知就是身體應對環境的一種活動,是智能系統與環境的交互過程,是在不斷適應周圍復雜環境時所進行的行為調整。這種與環境的互動是造就智能的決定性因素,認知主體是在對環境的行為響應中通過自適應、自學習和自組織而形成智能的,而不是通過符號、表征和邏輯推理等去形成智能,所以傳統AI的“感知—建模—計劃—行動”中的中間兩環節都無必要,“感知—行動”就足以完成與環境的互動,此即“沒有表征的智能”,“機動性、敏銳的視覺以及在動態環境中執行與生存相關任務的能力,為發展真正的智力提供了必要的基礎。”這就是“基于行為的AI”,它不再把研究重點放在知識表示和推理規則上,而是聚焦于復雜環境下的行為控制問題,將智能的本質理解為“在不可預測的環境中做出適當行為的能力”,這也是具身理論所堅持的立場:認知生成于身體與環境的互動。據此,通過建構能對環境作出適恰應對的行為模塊來實現人工智能,使得它具有類似于人類與環境交互的能力,所形成的是環境與行為之間的映射和反饋關系,所模擬的主要是小腦(甚至脊髓)支配運動的功能。

  行為主義既是一種哲學認識論,也是認知心理學的一個重要流派,后者早在20世紀初就已產生,但它作為人工智能中的新學派于20世紀末才出現,其標志性口號是“用世界本身代替世界的模型”,其人工物標志是布魯克斯(Rodney Brooks)研制的新一代“控制論動物”的六足行走機器人:一個模擬昆蟲行為的控制系統,目前則以正在開發的自動(無人)駕駛為典型代表。

  可以說,以上基于不同算法的人工智能表達和主張了不同的認知觀,它不僅論證或支持了某種認識論,也體現了一種反向制約:持何種認識論或認知觀,決定著設計出何種范式的人工智能;從而人工智能要獲得新的突破,也有待于認識論的整合與突破。同時,不同范式人工智能已經實現和尚未實現的目標,又可以進一步對我們反過來評價既有的認識論理論提供可驗證的根據。某種人工智能的長處和不足,在何處成功以及何處陷入困境,可追溯到其認識論立場的長處或不足,從而可以幫助我們反思相關認識論的有效性范圍或有限性程度,并為不同認識論之間的互補協同提供啟示。在這個意義上,人工智能是認識論展現的新平臺或新用武之地,也是認識論理論的校驗場,抑或是在人工載體上運行的各種被模擬的人類認知及其能力。因此人工智能可視為人類智能的某種鏡像,具有折射人的認知活動某些機制的功能,從而使人的認知間接地成為可以科學研究的“客觀”“外在”對象,認識論研究得以在新平臺(計算機)上以可以驗證的方式展開,因為“計算機被視為一種可以模擬大腦功能的設備,因此也被當作一種方便的工具來測試關于大腦和心理過程的假設。”人工神經網絡研究的先驅特倫斯·謝諾夫斯基(Terrence Sejnowski)認為通過研究機器學習這種范式的人工智能,我們可以得到更具說服力的理論來解釋大腦中不同的部分是如何聯系,了解大腦是如何處理信息的。

  從不同人工智能范式模擬了人的不同認知活動這一關聯中,我們還可以進一步在人工智能與人的認知之間區分出“同理關系”“同構關系”和“同行關系”等不同的特征,甚至在基于“情感算法”的情感AI成為可能之后,還會形成“同情關系”或“同感關系”。

  符號AI只模擬和實現了人的計算、推理一類的認知,可稱兩者之間的這種關系為“同理”關系:人的認知和機器的信息處理具有類似或同樣的理性、推理的屬性,都遵循同樣的計算原則,表現出類似的程序化過程。這種“同理”的另一個寓意,還在于理性主義和符號AI都將人的認知過程“理想化”為單一的符號或概念的推演過程。這也是迄今最強的一種關聯性,是人的相關智能(推理和計算智能)被同類人工智能(符號AI)模擬得最徹底的一個側面,“圖靈測試”和“丘奇—圖靈論題”是其理論支柱,它所導向的是認知計算主義,是第一代認知科學的智力基礎和思想來源。

  聯結主義的人工智能范式與人的認知之間主要是“同構”關系:基于深度學習的人工神經網絡模型力求與人的神經系統在結構上達到部分的(即同構)仿生意義上的類似,從而類似于通過搭建神經聯結來構成一個新的大腦。此時機器的信息處理單元與大腦的神經元相對應,單元之間的連接和權值與神經元的軸突、樹突和突觸相契合,且兩者的構架都按照層級方式得以組織,由此使得其工作機制與人腦的學習功能具有了相似性,從而可以通過技術手段達到機器對人的認知功能的部分模擬。當然,這種“同構”關聯性弱于上面的“同理”關系,一是因為人工神經網絡作為由硅器組成的電子元件網絡,畢竟與人腦由生物神經元組成的網絡還具有質的差別;二是因為深度學習算法的工作機制還存在著即使是造就它們的科學家和工程師自己也無法理解的“算法黑箱”:即“用神經網絡進行機器學習是有效的,但我們無法詳細理解和控制神經網絡中的過程”;三是因為機器通過訓練習得識別模式或能力的過程與機制跟人習得相應的能力還存在較大的差距,如人的學習就不需要機器學習所需要的那么多的樣本;四是因為人的學習是在社會交往中進行的,機器學習則是在彼此沒有交互的理想化的“訓練”中進行的。當然,隨著人工神經網絡和人腦之間同構性的增強,可以期待這一視角的關聯性將會進一步提高。

  在行為主義的范式階段,相應的人工智能與人應對環境的行為類型的認知相關聯,由于所指向的都是行為或行動,可稱兩者之間的這種關聯為“同行”(tóng xíng)關系:智能機器人所執行的算法具有導向和人的智能行為相同的效果,兩者此時都可以視為基于“感知—動作”模式的行為控制系統,從而一定意義上兩者同為“行動者”(actor)甚至能動自主體(agent)。此外,這種同行水平的關聯還具有雙關語的意味,即“同行”(tóng xíng )基礎上的“同行”(tóng háng)。人和機器人雖不是同類,卻由于智能機器可以像人一樣行為,因此可以在越來越多的職業和領域中成為同行(tóng háng)或同事,可以進行和人同樣的既能知也能行的活動。當然,目前智能機器和人之間的這種“同行”(tóng xíng )關聯性還不強,因為機器人的行為與人的行為之間的差距還很大,例如自動駕駛的隨機應變、靈活處理新情況的能力還較低,即可主導靈活行為的認知的可算法化有待提高。在這里,背景、身體、互動等納入了認知觀的內容,從而與以具身認知為代表的第二代認知科學相吻合。

  此外,人的認知中還有情感、意志、直覺、靈感等要素或方面,存在大量基于本能的“憑感覺行事”的現象,這些方面的能力還未能開發出相應的算法(如情感算法、意志算法……),甚至它們能否被算法化都是存疑的,所以至少迄今還未能與某種算法的類型建立起成熟的關聯。樂觀的看法認為賦予機器情感只是時間問題。如果相應的算法(如“情感算法”)在將來可以開發出來,則將形成的就是人工智能與人的認知之間的“同情”或“同感”、“同意(志)”“同覺”即“同情共感”(sympathy)的關系,這也正是“終極算法”和“超級人工智能”所追求的目標。目前“人工情感”(情感計算、情感智能體)、“人工意志”的研究雖然被評價為并不是真正意義上的情感模擬和意志模擬,但從其字面所表達的含義上,至少隱含著建構人與機器之間可以同情共感的期待。

  上述的關聯也進一步體現了人工智能及其算法具有認識論上的可闡釋性。之所以如此,從根本上說,還是在于人工智能及其算法終究是人的認知方法的外推;同時,人工智能算法又不是簡單地重復人的認知方法,為了適應機器的特點以及解決新問題的需要,它對既有的認知方法加以了形式化及其他改進甚至創新,這種推進無疑又反過來對理解人的認知活動形成“反哺”或新的啟示,使得認識論對于人工智能也產生了內在需求。兩相結合,認識論與人工智能之間結成了相互制約、相互需要和相互驅動的內在關系。

  二、基于人工智能演進的認知分型

  人工智能演進中形成的不同范式所模擬的人的思考方式或思維側重面各有所不同,由此和認知類型關聯起來,并構成一種互相啟發的闡釋關系。其中,當某種智能模擬成功后又反過來對該類認知形成一種“反向的”闡釋力。

  人的認知有多種類型,基于不同的視角可以進行不同的分型。算法與人工智能的范式演進,也正在積淀為一種考察認知分型的特殊視角,其根據在于不同的認知類型被機器模擬時采用的是不同類型的算法,基此可以獲得關于認知分型的新理解,并呈現出人工智能模擬認知的內在邏輯進程。

  從前面所介紹的算法演進的大致過程來看,如果將以后可能出現的情感算法也包括在內,就有一個如下的演進鏈條:傳統算法—深度學習算法—強化學習算法—情感算法,它們對應了人工智能的演進鏈條:符號主義人工智能—聯結主義人工智能—行為主義人工智能—(未來的)情感人工智能。與這些范式相對應的則可以歸納并分型出如下的認知類別:推算認知—學習認知—行為認知—本能認知。

  “推算認知”即人所進行的推理和計算活動,是標準的“理性認識”,也是人所從事的“高級形態”的認知活動,甚至是人所具有的與其他動物區別開來(即所謂“人是理性的動物”)的一種認知能力。這一類型的認知也是既有的哲學認識論中被普遍承認的一種認知類型,因此也是一開始就被符號人工智能認定為代表人類認知的本質從而力求加以模擬的對象。作為人工智能及其算法技術發展的起點,推算認知是最早納入其視野的認知,它是理性主義視野中唯一被推崇的認知類型,基于它開辟了基于人工智能的認知科學中計算主義、功能主義所貫通的信息加工模式:從普遍性的知識出發,根據嚴格的規則推演出某種特殊的結論,使得輸入在經過程序加工后產生輸出。這也與亞里士多德的認識分類有部分的交叉,他把靈魂分為無邏各斯的部分和有邏各斯的部分,后者分有邏各斯,遵從數學定理、服從真理。皮亞杰的發生認識論將兒童的認知能力發展的最后階段歸結為“運算”能力的形成,也相當于可以從事我們這里所說的推算類活動。邏輯規則和數學演算既是這類認知的工具,也是其標志。

  “學習認知”是人在學習過程中進行的認知活動。人具有學會某種知識、形成某種認知能力的智能,這就是學習認知,它尤其指借助符號表征或語言媒介在信息交流中進行的學習,即“以語言為中介,自覺地、積極主動地掌握社會和個體經驗的過程”,可簡稱為“基于表征的學習認知”。人在學習認知中汲取新知識的過程,就是人腦中已有認知結構對新輸入的信息進行同化或順應的過程,在這個過程中人腦的認知結構被不斷地建構。這一學習原理也正是深度學習的工作機理:學習算法中的“調參”(調整神經元聯結權重的參數)就相當于學習認知中的調整認知結構,而人腦中認知結構的調整,其生物學底層就是對人腦的神經網絡構造的重塑或再構,兩者的機理相通:都是通過對網絡結構的調整來改變網絡的功能,形成新的認知模型,亦即形成知識表征,“學習就是構造或改進對經驗的表征,就是通過已有的內在條件對外部實在作出適當的表征。”這也是前面所歸結的兩者之間同構關系。

  基于表征的學習認知是人的一大類認知活動。認知是需要知識的,知識在認知中舉足輕重,學習認知就是解決知識的獲取問題,而學習算法,就是解決機器如何獲得知識的問題。對人來說,學習認知意味著“學而知之”,它不同于后面所要討論的源于本能的“生而知之”和源于行為的“實踐出真知”(直接經驗),而是借助語言獲得間接經驗,它是人在后天所具備的知識和認知能力的重要獲取通道。這樣的學習認知,使得人具有了指稱、定義、理解和構造對象、事實和世界的認知能力,具有了陳述、表達、提問、爭辯等交流能力,這些都是在學習中進行認知的方式。基于深度神經網絡的人工智能就是對人的這種學習認知的模擬,深度學習就是一種基于對數據進行表征學習的方法,其中的標注學習猶如人通過指稱來掌握符號的含義,即通過表征來把握對象,從而是基于表征的學習在人工系統中的再現,它的成功使得我們有充分的必要將學習認知作為人的一種重要的認知類型來看待,并探討它和其他類型認知活動的關系。例如,如果將學習認知與推算認知加以比較,那么它是比推算認知更基礎的認知類型,因為人的推算能力也是通過學習(訓練)而形成的。由此還可以看到,學習認知是跨越傳統的感性和理性分型的一種涵蓋面更大的認知類型,因為學習的初級階段是在感性識別和分類中所進行的感性經驗的積累,而這種經驗積累達到一定程度可以形成概念或模式時,就進入理性的階段,人就可以用這些概念或模式去進行推算類型的認知。學習認知的重要性也反映了人工智能重點的遷移:從以推算為重點,到以知識為重點,再到以學習為重點,因為有效的推理和決策需要充足的知識,而充足的知識僅靠符號AI式的編程輸入是不夠的,它更需要機器的自我學習能力,深度學習就造就了機器的這種能力。

  “行為認知”是人在從事行動、發生行為時貫穿的認知,它主要是人在行動時應對各種周圍環境、調節行為指令的認知活動,也是為了在身體與環境的互動中達到預期目的從而需要對行為邏輯加以理解和運用中形成的“實踐知識”或“技能知識”,就是基于身體行為的認知或“具身認知”。這是具有行為能力的人都擁有和必須經常從事的一類認知,也是“干中學”(包括皮亞杰所揭明的兒童從游戲中習得知識)所積累和形成的直接經驗。在一些秉持具身認知立場的認知科學家看來,認知就是一種具身的行為(cognition as embodied action),心智哲學中的行為主義甚至將行為看作唯一的心智現象。我們雖然不贊同這樣的極端化觀點,但至少可以將行為認知視為人類認知的一個必不可少的類型。

  行為認知具有不同于其他認知的特點和功能,但又與其他類型的認知相互交織。例如,它是人在行為中學習和積累經驗而成的,因此它與學習認知部分疊加,或者說它屬于廣義的學習認知,只是與較狹義的基于表征的學習認知相區別;行為中也有推理和計算的活動,如一個只能負重100斤的人,不會去嘗試負重200斤,其中就有對行為的計算和推理。但行為認知也有自己的獨特之處,“認知行為理論”就揭示了其中的一些獨特特點,如它包含“自動化思考”(automatic thinking),即某些重復性的行為經歷長時間的積累后,就形成相對固定的模式,使得該行為的啟動和進行似乎不需要經過大腦的有意識思考,而是被既有的模式所不自覺地支配,其實就是關于如何行為的思考與進行行為的過程自動地相結合,是行為中獲得的常識經過積淀后形成的潛意識反應,由此在熟悉的場景中完成習慣性的行為目標時就會出現“不假思索地行動”的現象。所以,行為認知既包括自覺支配行為的有意識活動,也包括自發控制行為的那些無意識活動,其功能是調節人與外部世界的互動,使其能夠在這種互動中達到人的目的。從認知科學來說,它就是具身—生成理論所主張的認知觀,是行動中的身體與環境的互動中生成的認知,這種認知也同時引導身體靈活地應對環境;這種認知也可視為“知行關系”中所說的與行直接融合在一起的知。從知識形態的角度說,行為認知包含的是“如何做”“怎樣改變對象”的知識,它與“對象是什么”“為什么對象會如此”之類的知識形成區別。和推算認知通常是從抽象到具體、學習認知通常是從具體到抽象不同,行為認知通常是一種從具體到具體的認知。凡此種種,表明行為認知有獨特的特點,并且是人的一個十分重要的認知類型,沒有它,就沒有屬人意義上的行動,就沒有改造世界的物質性的活動即實踐。

  “本能認知”是基于遺傳、可憑借本能對外界進行反應的認知活動,也是人與生俱來確保自己能夠生存下去的“天賦”認知能力(廣義地還包括人的“天性”“本性”等),如“直覺”地理解世界的運作模式,像“兒童在早期就可以利用結構化的表征和算法處理對象、集合、位置以及時空連續性等概念。”本能認知不是自覺的智能行為中所貫穿的認知,其中許多是基于生理反應的心理反應,也是人的七情六欲中所蘊含的認知。以情感為例,喜怒哀樂等許多情感體驗和表達是人一出生就具有的認知反映能力,是生理上受到不同刺激后可以在心理層面上映射出來的反應,是人還不具備行為能力和基于表征的學習能力時就已經具有的“本領”,從而是人一開始就內在天生地可以讓自己活下去的那些認知能力,也“是將近40億年的進化才使其成為一種內在的能力”,這種天生內在能力的運行過程和生成機制很難用符號模型來形式化地表征,所以本能認知迄今難以為AI所模擬。

  四種認知的不同也表現為它們分別調動的主要能力和行使的主要功能不同:推算認知主要動用邏輯和計算能力,主要行使演繹的功能,主要的任務是表征知識。學習認知主要動用模仿和記憶能力,以及基于語言能力的對新信息的同化和順應能力(學習能力),主要行使歸納和模擬的功能。行為認知則主要動用身心協調能力,以及與環境互動和進行行為決策的能力,也是知行交互或以肢體行事的能力。本能認知則主要動用由基因決定的原始生存能力,具體如情感能力、直覺能力以及其他主要源于遺傳而來的能力,其主要任務是確保認知主體的存在。

  四種認知盡管不同,但關聯性極強,彼此之間形成從初級到高級的前后相繼的階梯。本能認知是最為基礎的認知類型,是一切其他類型認知的“始基”,提供了以后可以形成行為能力、學習能力和推算能力的普適的動作機制、學習機制和計算機制,沒有它就沒有后面的一切其他認知。它也如同初始條件,可以影響后續各類認知的進行。行為認知是在本能認識基礎上衍生的認知類型和認知能力,由它又進一步衍生出基于表征的學習認知和學習能力,所以它既以本能認知為基礎,又是學習和推算認知的基礎,這也是實踐(行)對于認識(知)的基礎關系。從行為認知到學習認知,也是從直觀認知到符號認知或間接認識的能力提升,使人在不和對象直接交互(行為)時也能認識對象,這是人的認知發展的一次重大飛躍,它使人從只能以實指的方式把握概念到可以用定義(符號界定符號)的方式把握概念,從而使更多無法直觀的對象得以認識。基于表征的學習認知對于行為認知和推算認知具有居間性:學習是為了行動,或者說學習包括習得如何行為,如何控制自己的肢體,形成行為方面的默會知識和明言知識;學習也包括推算能力的習得。學習認知可以下沉為感知經驗,以便更好地去行動,也可以上升為理性和邏輯能力,以便更好地去進行推算。從總體上四種認知的遞進關系是,能推算者必先能學習(通過學習而掌握推算的原理和規則,并掌握熟能生巧的推算技藝),能學習者必先能行動(只有行動中才能取得直接經驗,有了直接經驗才可能形成間接經驗),能行動者必先有生存的本能。

  這一前后相繼的認知類型演進,可以從皮亞杰所揭示的發生認識論得到直接的印證。皮亞杰在總結多年實驗研究的基礎上,把兒童的智力(也即認知能力)發展區分為感知運動、前運算、具體運算和形式運算四個階段,其中感知運動(他又稱為“活動”“純實踐性的智力”)與運算是兩個基本的階段,而感知運動階段相當于我們所分型的本能認知和行為認知,即兒童從基于本能所進行的各種動作中獲取認知,某些偶然的動作會使他們認識到客體的某些性質,甚至形成因果觀念。皮亞杰的“運算”是指內部化了的觀念上的操作,是一種可以進行邏輯推理和符號計算的認知,相當于我們所說的推算認知中對表征的計算。皮亞杰認為感知運動和運算之間有一個過渡階段,就是在前運算階段中習得語言、形成符號化(表征)的能力。皮亞杰認為,學會使用符號(即語言)的活動對兒童的智力發展起了重要作用,它使動作得以內化,認知圖式得以形成,從而可以憑借象征格式進行表象思維,這就為下一步的抽象思維提供了準備;另外,習得語言又獲得了交流和溝通的能力,相當于可以借助語言來進行學習、增長知識、發展認知能力,于是認知就不僅來源于親身行動(感知運動)的直接經驗,而且可更大量地來自學習他人的間接經驗。可以說,皮亞杰揭示的兒童智力發展中顯現了“本能—動作—語言—運算”的演進環節,本質上吻合于我們關于四種認知分型所構成的鏈條,只不過他進一步在運算階段增加了一個離不開具體事物支持的“具體運算”階段,然后再進入抽象化的“形式運算”階段,而我們則用更廣義的“推算”來加以概括。皮亞杰還認為,每個新階段的到來都以新的心智能力的形成為標志,使得兒童可以用不斷增加的復雜方式去理解世界,從而也映現了我們這里所表述的從本能、行為認知到學習、推算認知的由初級到高級的演進系列。

  這一認知分型與“感性”和“理性”的分型之間也相互交叉且部分重疊。如果行為認知多屬感性認識,推算認知屬于理性認識,學習認知則介于兩者之間,既有感性也有理性。于是從行為認知經學習認知再到推算認知,也體現出人的認知由初級階段的感性到高級階段的理性的提升過程。

  基于人工智能及其算法理論所進行的這種認知分型還可以用來考察人的不同認識方式和路徑。對于一個正常的人,這些認知類型所體現的認知能力都為其所需,只不過有的可能是強項,有的可能是弱項,使得現實中不同的人在這些能力中可能有不同的偏重,形成不同的“認知風格”,如有的強于推導,有的擅長學習,有的熱衷行動,有的則情感豐富。當然也有人可能不只強于一種認知能力,甚至還有人屬于均衡型認知風格或全面擁有各種認知特質,此即通過認知分型呈現出來的人的差異性或豐富多樣性,進而也折射為人工智能作為認識手段的形態異質性。

  基于人工智能范式區分的這種認知分型對于認知外延的覆蓋也具有一定程度的全面性。人工智能力求越來越完全地模擬人的智能,在這一歷程中所形成的上述演進,也真實地反映了它對人類智能逐漸趨向更多認知類型的覆蓋,所以才有了關于人工智能的越來越多的定義,如認為“人工智能是與人類思考方式相似的計算機程序”,“是會學習的計算機程序”,“是根據對環境的感知,做出合理的行動,并獲得最大收益的計算機程序”,如此等等。這些定義也反映了三種范式的人工智能所模擬的分別是人的三種類型的認知,這種“分別模擬”不僅缺乏統一的AI范式,而且還未進入對本能認知的模擬,所以還處于“弱人工智能”的階段。而到了“強人工智能”階段,不僅需要實現對三種認知模擬的整合,形成統一的人工智能范式,而且還要能夠模擬包括情感認知在內的人的本能認知。如果四類認知能夠在人工智能中實現融合與會聚,就可以構成具有完整意義的智能:從情感、意志到感知、認知、推理、學習和執行,這也是所謂“通用人工智能”的真實追求所在。

  還需要指出的是,這種認知分型并不是為了在人的認知類型之間劃出不可逾越的鴻溝。實際上它們之間是互相滲透和彼此交織的,還是可以過渡和轉化的。如基于本能的認識(被火刺激時迅即避開)和從行為中積累的習慣(見火勿觸碰)可集合為“常識”,這種常識積累多了,就是一種從經驗中學習的認知活動,懂得如何識別和預防火情;而當類似的經驗被加以普遍性的總結后,還可以提升為規范性的認知,以此去推導各種需要防火的原則。皮亞杰的發生認識論也主張,兒童智力發展的各階段既有不變的先后相繼順序,也可以發生一定程度的交叉重疊,并且前階段的能力被整合到下一階段,成為新的更復雜的智力。這種交織和過渡也在算法和人工智能的范式中表現出來,例如“人工神經網絡的經驗知識可以被提煉成為專家系統所需要的規范知識,而人工神經網絡的經驗知識和專家系統的規范知識又可能被凝聚為常識知識供感知動作系統應用。”

  此外,這一認知分型的意義還在于,從中可以發現智能模擬的演進邏輯,并從這種邏輯中獲得認識論上的新啟示,這就是下面所要討論的問題。

  三、智能模擬的演進邏輯及其意義

  (一)人工智能演進中的從易到難過程

  人工智能及其算法的演化進程表明,就歷史進程來說,AI先是成功地模擬了人的推算認知,然后是學習認知,再然后是行為認知,這一先后序列或演進邏輯的技術合理性在于:所有技術人工物都包含由簡單到復雜演進的發明邏輯,人工智能作為一種技術實踐,只能從機器最容易模擬的認知類型開始,然后向難以模擬的認知類型過渡。

  從“先易后難”的一般過程來看,模擬人的推算認知對于人工智能來說最容易,因為推算認知可以不具身也不具境地理想化表示。由于擺脫了身體和環境介入的各種復雜參數,推算認知最容易形式化和程序化,從而最容易成為一個被單純化或簡約化的認知類型,所以在人工智能的初級階段首先能夠研發的就只能是符號人工智能,所模擬的也只是人是如何理性地思考,其根基也在于它所理解的“和人一樣的智能”只是人的推算智能,這種簡約化的理解也一度形成“樂觀主義”的預測:只要我們愿意,以后就可以造出具有和人完全一樣智能的機器。

  目前各種范式人工智能的工作原理,都是建立在對符號的計算之上,這也是它所擅長的工作。但不同范式的人工智能在技術性地實現各自的功能時,進入計算所需的環節是不一樣的,如符號AI所模擬的推算,在標準化的數據輸入后直接就進入計算,所以在技術上最容易實現;人工神經網絡所模擬的識別,則增加了對神經網絡的形式化建模、對大數據(作為訓練樣本)的需要,以及還需要對感知到的數據進行編碼、壓縮、集成、融合的環節,然后才能進行計算,所以較之符號AI的實現難度增大,從而由機器模擬學習認知更難于模擬推算認知,或者說使機器具有學習能力比使機器具有推理能力更難實現。而機器人要模擬人作為agent的行為認知能力,則技術難度進一步提高。拿自動駕駛來說,它面對的不再是一個用符號表示的模型世界,而是千變萬化的復雜路況,一方面感知的難度大增,另一方還要由感知的路況生成精準合適的“駕駛動作”,需要增加傳感器和執行器的技術環節,更重要的是在這個過程中還需要機器具有靈活應對環境的能力,而人的這種能力來自日常生活中積累的常識、技能知識等,其中有許多是迄今難以算法化而進行計算的,所以它較之僅進行識別的人工神經網絡學習系統來說又增加了新的技術環節,于是理想的能像人那樣行為的AI(agent)就更難實現。在這個意義上,越能將問題直接納入計算過程抑或單純地就是個計算問題的智能模擬就越容易實現,而越需要增加過渡環節才能進入計算過程的智能模擬就在技術實現上越復雜,由此形成的從模擬推算認知到學習認知再到行為認知的演進過程。

  當然這僅僅是一種總體性的比較,任何一種范式的人工智能,在向極致發展的過程中,都會變得極為復雜,如符號AI要建成能夠滿足各種需要的知識庫,人工神經網絡要建立起真正像人腦一樣復雜的神經網絡,都比建造出當年布魯克斯的六足行走機器人要復雜。所以這里所比較的,可以說是不同的人工智能范式模擬或實現出一個正常人的各種認知類型的平均智能的困難程度,也可視為各種AI范式需要達到的成熟水平(例如可以真正成為人所使用的有效工具)之間的比較,此時無疑可以發現,由符號AI所能達到的人的一般人的推算能力最早也相對而言最容易地得到了技術化實現;人工神經網絡所模擬人的學習和識別能力次之;而具有agent能力的行為AI則相對來說更困難,它不僅要有推算和學習能力,還要有靈活性和一定程度的自主性,它所模擬的行為認知也不僅是一種智能,而是體能和智能的結合,或體知合一的能力,原則上比模擬單純的智能更具難度。而模擬人的本能認知從而完全具備人的所有能力的“強人工智能”還遙遙無期:智能機器是否會感到“疼痛”“幸福”,是否會形成“欲望”“愛情”,從而不僅具有“智商”而且具有“情商”等,還只能說是處于概念探討的階段。即使本能認知有可能被智能機器所模擬,其難度也遠超前述的各個階段,所以是迄今所能設想的人工智能發展的更為“高端”的形態,相對于幾乎已發展到巔峰的符號人工智能來說,它還只是一種遙遠的憧憬,因為我們關于牙痛的可怕感受抑或從情侶那里所感受的愛,以及種種因為人擁有身體而形成的基于生理反應的心理反應,要把握清楚其機理并被形式化為機器載體上的一種計算狀態,使得機器可以擁有這些源于人的(身體和生理)本能而具備的認知體現能力,某種意義上也是要機器具有人的身體性甚至本性,使其成為“人性化的機器”,無論在概念的解釋框架上,還是技術實現的路徑上,都還有無數的障礙需要去克服和突破,甚至還可能存在著難以逾越的種種鴻溝。

  從適應性的角度看,人工智能及其算法的水平也可以根據對環境和周圍情況的適應能力來衡量。只具有推算功能的符號人工智能及其經典算法,所有的前件都是預設好的,它本身就是去語境化去語義化的,其符號是不接地的,所以不具有適應環境的能力。而基于深度學習和強化學習的人工智能,可以在人所設置的環境中適應性地進行識別和決策,所以比起符號人工智能顯得更加智能化,也更接近人的日常認識活動。基于行為主義的agent更是將對環境的反應和適應作為其技術的核心,甚至力求向具身的方向提升其與環境互動中的適應性,使得機器認知的從簡單到復雜演進,也是從離身性到具身性的演進。如何使機器能夠模擬人的具身的行為認知甚至本能認知,是其發展的重要方向。人工智能演進的總體進程,也是一種“自上而下”的發展進路,這個“上”就是抽象的符號和形式化的符號推算,這個“下”,就是符號如何接地、內容如何嵌入環境、載體如何具身、應對如何更加靈活等。

  這個序列的延伸,也將是AI從弱到強的發展趨向。弱人工智能只是對人的推算、基于表征的學習和部分行為認知的分別模擬,而強人工智能不僅要將這些局部模擬貫通起來,而且還要實現對人的智能的靈活性、適應性(行為認知中表現)、價值性(情感和本能認知中表現)的模擬,使得包括本能認知在內的人的通用智能得以人工地再現和增強。

  (二)人機認知的難易互逆現象

  人工智能對認知類型的模擬所形成的上述序列,如果對照人的認知能力形成的過程,一定意義上呈現出先后順序上的互逆關系,即人工智能首先較為成熟地模擬的是人最后形成的認知(推算)能力,其次是學習能力,再次是行為能力,這種先后互逆的順序一定程度上隱喻了兩者之間難易互逆的性質,這里主要指其技術實現的難度上,后來出現的人工智能更難于先前出現的人工智能,從而也使我們看到:對機器最難實現的,對人來說則是最容易的,對人最難(“最費腦筋”)的對機器來說則是最容易實現的。比如一個人在街上行走并不需要很多智能,他會感到走路比做出一道數學難題容易多了;而對于人工智能來說,要完成像人一樣行走則要比完成像人一樣計算困難多了。如果說“自上而下”是機器認知由易到難的邏輯順序,那么人的認知由易到難的提升則表現為正好相反的“自下而上”的邏輯順序,即從具身、具體的本能認知、行為認知通過學習認知提升到離身、抽象的推算認知。列維—布留爾的原始思維研究和皮亞杰的兒童思維研究共同揭示,人的越原始、越幼小階段的思維,越是動作化、直觀化、具象化的思維,越不具有抽象化、符號化(表征)、形式化的能力;所以無論是人的群體還是個體的認知能力演進,都切合了本文所提出的難易相繼鏈條。

  具體說來,對人而言,生而知之的本能認知是人最早也是最容易獲得的認知能力。其次是行為認知,像兒童通過游戲等過程中的動作而逐步形成了對世界的初步認識,包括“主客體分化”的觀念,可以說人的一生中還未進入利用語言進行學習的階段之前,就主要是積累這種基于行為的“常識知識”或“直接經驗”。再次是習得語言表征能力的過程中也同步學會了通過語言進行學習認知的活動,它可以使人的知識通過間接經驗的獲取而突飛猛進,人的一生都會不斷進行這類認知(所謂“活到老,學到老”),一旦停止了這類認知,人就難以獲得新經驗、新知識、新能力。推算認知是學習認知在高級階段的產物,是前面積累的各種認識能力的一種發揮,也是最有可能形成創新和創造的認知形態,所以對人來說也是最復雜最高端的認知。

  在這個以人為中心又是基于人工智能及其算法視角所形成的認知分型中,內含這樣一個判別標準:越需要更多的學習和訓練才能具備和掌握的認知能力就是難度越大的認知能力,從而是越高級的認知類型;反之不學自會或稍學就會的認知能力,就是較容易的認知類型,所對應的就是越初級的認知類型。對機器來說,越容易被設計出來模仿的認知,就是越容易的類型。通過這一考察,可以發現人和機器的認知類型之間,確實呈現出難易互逆的關系,從而蘊含了人工智能演進中的這樣一種邏輯關系:對人來說越高級的認知類型,對智能模擬來說越容易實現;對人來說越容易的甚至是生而就會的認知類型,對智能模擬來說則越難實現。這一關系也為“莫拉維克悖論”(Moravec’s paradox)所闡明:要讓電腦像成人一樣下棋是相對容易的,但要讓電腦像一歲的兒童那樣感知和行動卻是相當困難的,甚至是不可能的,因為下棋所使用的邏輯推理能力只需很少的計算能力,而感知和行動中所包含的無意識的本能、技能和直覺卻需要極大的計算能力。其實,下棋屬于博弈類游戲,主要使用可以與語境無關的局限于棋盤中的推算能力。人類頂級棋手通常被視為最聰明、擁有超高智商的人,他們從事的對人來說是最復雜最耗智能的腦力活動,而這對于機器智能來說則屬于最簡單的推算認知模擬,所以在相應的算法開發出來之后,就很容易超過人類的所有棋手;而與此同時,AI中的行為機器人要在行為的靈活性上與人相比,則還有很大的差距,因此確實表現出“人工智能和人做事的難易程度往往恰好相反——對人容易的往往對人工智能難,對人難的(如下圍棋)往往對人工智能容易。”所以現實中的人工智能,當它的簡單能力遠勝于人的復雜能力時,其復雜能力則遠遜于人的簡單能力。

  這一人機認知的難易互逆關系表明,AI的長處恰恰是人的短板,而人的長處則為AI的短板,尤其是人的那些(似乎毫無難度或毫無智能含量)隨性而得體的舉手投足、順勢而自然的情景反應成為機器智能最難企及的“本領”。換句話說,越是程序化的“照章辦事”屬性越強的任務對于人工智能來說就越容易,而越是需要隨機應變、靈活應對、隨意發揮的任務,對于人工智能來說就越困難。此即德雷福斯所說,行為認知或“軀體技能所隱含的知識如何被形式化”對人工智能來說是一個嚴峻的問題,行為認知中所包含的大量與動作相聯系的隱性知識,使得“人腦中所進行的大量活動是無法編成計算機程序的”。而對于人來說,行為認知中存在大量不是“照章辦事”就應付得了的情況,需要在新情況新問題出現時創造性地去處理各種“意外”情況。也就是說,一旦人所面對的問題不是模式化問題時,人工智能就難以處理了;而人基于本能、常識、經驗和創造力等則可以自由應對和處理這樣的問題。諾貝爾獎得主克里克(Francis Crick)也持類似的看法,他認為“計算機按編寫的程序執行,因而擅長解決諸如大規模數字計算、嚴格的邏輯推理以及下棋等某些類型的問題……但是,面對常人能快速、不費氣力就能完成的任務,如觀察物體并理解其意義,即便是最現代的計算機也顯得無能為力。”相較于人的那些輕而易舉的認知能力,撇開本能不說(因為智能機器要能模擬人的本能認知還太遙遠),僅拿“常識”來說:“要使計算機程序具有人類水平的智能,其重要困難在于,我們尚不知道如何對計算機賦予人類水平的常識。如果沒有常識,計算機就無法實現人類水平的智能。一旦計算機程序具有了常識,就可以直接提升計算機性能并改善算法設計,從而使計算機更加智能化。理解常識亦是解決許多哲學問題的關鍵。”或者說,一項任務需要的背景信息越多,計算機迅速完成它的可能性就越小,因為計算機中沒有“常識”方面的信息。與此相關的認識論“框架問題”(即背景信息中哪些該重視哪些該忽視,也是“常識問題”的另一種表述)也是如此,它對人很容易,但對于人工智能則很困難。

  可見,越初級的只具有“低端”功能的電腦或人工智能,就只能模擬人的越“高端”、越要經過學習和訓練才能掌握的認知類型和能力;而功能越復雜的電腦或人工智能,才能模擬人的越初級、需要越少學習甚至不學自會的認知類型和能力。“我們與其他族群(這里尤指機器——引者注)的巨大差異不是因為我們掌握了二進制或擁有一些基本技能,而是因為我們能通過遠比其他族群更為復雜和靈活的方式來使用這些技能”;人和人工智能之間的這種長短互反關系用通俗而簡潔的說法就是:對機器越是“高智能”的對人則越是“低智能”的甚至無智能的,從而模擬人的似乎無需什么智能的本能認知對AI來說成為具有最高智能的追求。

  若以抽象性為闡釋的軸心則可以看到,人的認知演進也是一個從無抽象度的直接認知(本能和行為認知)到借助表征的有一定抽象度的學習認知再到純抽象的推算認知的抽象度不斷演進的鏈條,它表明越直觀化對于人在認知中把握對象就容易,因為所見即所得;越借助表征抽象化則越間接化(所見并非所得而需要賦義釋義等認知轉換),對于把握對象來說就越復雜越困難;或者說對人來說越要借助抽象能力來進行的學習和推算活動,就越是高層次的信息加工活動。而智能機器起初就是作為符號處理裝置設計出來的,所以它依賴表征進行抽象的符號轉化或以處理抽象問題為起點,因此越抽象化就越容易形式化、算法化、程序化,從而就越容易在作為邏輯機器的AI系統上基于數字化地操作。無論是認知的四種類型,還是AI的三種范式,都在抽象度或具體度上形成了梯度的差異,因此也形成了難易程度上的不同針對性。

  從日常認知與科學認知之間的區別及其在人機之間的難易配置中也能體現這種互逆關系。日常認知直接形成于人的生活實踐,最切近于人的本能和行為,因此是人更熟悉從而最易習得的認知;科學認知的理想形態是用精確的符號語言和數學工具建構的數理科學,典型體現在推算類認知中,是現實對象的間接模型,需要人的漫長學習才能把握。從日常認知推向科學認知(自下而上)對于人來說是由易到難的提升,因此對人的認知來說越日常化越初級,越科學化越高級,即“愈下愈易,愈上愈難”。人工智能的演進則與此相反,它的“成長”路徑是一個從科學世界向人的生活世界延伸(自上而下)的過程,這個過程就是AI適用范圍的不斷擴大,使得機器不僅能處理理想化的科學計算和推理問題,而且也能處理某些日常生活問題,如識別對象、進行與環境互動的行為等。所以對于AI的認知模擬來說,越科學化越容易辦到,越日常化越難以辦到,即“愈上愈易,愈下愈難”。這也是因為以推算為主的科學認知的機制更容易搞清楚,這類認知處于一種理想的、規范的條件中(如棋子被擺放于棋盤中、符號被置于方程中),它們可以在明言知識的層面上被揭示出來,從而為形式化和機器模擬所容易實現。我們還知道,還原方法是科學思維中的一種普遍方法,對于人工系統的建造來說,越還原就越抽象,處理問題的機制就越簡單。符號AI就是對智能活動的一種還原,是將復雜的世界和認知還原為“原子事實”“原子命題”后,在“信息DNA”即0和1兩個數字的組合與變換中進行的計算過程,所以最容易成為人工智能的起步之處。而以行為為主的日常認知的機制則難以搞清楚,尤其是如何靈活地應對環境,更是包含了許多難言的經驗和需要隨機應變的由偶然性觸發的靈感。這就是德雷福斯所說的:“沒有人知道如何把作為感知和軀體化技能特征的全局性組織及其不確定性編成程序”;或者說,自然智能中的簡單性恰恰是人工智能中的復雜性所在。

  德雷福斯也對這種難易互逆有特定的表述,他認為可區分出四類智能活動,其中前兩類適合數字計算機模擬,第三類只是部分可程序化,第四類全部不可駕馭。第一類包括意義同上下文環境及有關活動無關的、各種形式的初級聯想行為(如各種形式的條件反射行為、語言翻譯中的機器辭典,問題求解中純試錯搜索程序和模式識別中的根據固定模板匹配模式);第二類為數學思維,它由概念世界而不是感知世界構成,問題可完全形式化,并且完全可以計算,此為“簡單—形式化領域”,在其中形式語言取代了自然語言,人工智能在這一領域都是可能的;第三類為“復雜—形式化系統”,其中包括原則上可形式化但實際上無法駕馭的行為;第四類為非形式化行為領域,包括有規律的但無規則支配的我們人類世界中的所有日常活動,如我們對自然語言中歧義的識別,規則不確定的游戲(猜謎),這一層次上的技巧,通常是以概括事例的方法教授的,然后被直覺地遵從,無需求助規則。

  總之,如果將人的認知能力發展和認知類型前后相繼形成與提升的現實過程,與人工智能演進的客觀進程加以同框的邏輯對比,則人機之間難易互逆的關系就成為明顯存在的現象或事實。造成這一難易互逆關系的原因,無疑在于人和機器各自的物理構造和運作機制上的差異,這種差異就是前面曾提到的“具身性”:在人那里越具身(與身體關聯越緊密的認知)越容易,在機器那里則越具身越困難。由于人是身心統一體,人的認知與自己的身體以及身體與環境的互動密切相關,人本身就是“具體”而非“抽象”地成長起來的,所以越直接與對象或環境進行具身互動對于人來說就越自如,就越是人所原初具有的認知能力;而那些越脫離身體和環境的認知活動,則越是需要經過學習、訓練后才能掌握的認知能力,從而對人越具有復雜性和困難性。由于機器沒有人的身體,也不是在類似于人的生活環境中成長起來的,所以要在其中融入環境信息就是一種額外的重負,要使其產生出類似人的“切身”認知,顯然是勉為其難的要求;也正是因為這一點,所以那些與身體關聯相對不緊密的認知,無疑就是AI所“擅長”的。兩相對比,人的認知從低級到高級的推進,是一個擺脫具體、得意忘形或“形式擺脫內容糾纏”的過程;而機器認知由簡單到復雜的推進,則是一個“符號落地”、概念走向具體、使形式與內容結合、從純粹表征—計算走向具象化和情景化的過程。

  (三)延展意義

  把握人機間認知的難易互逆這一演進邏輯還具有如下的意義:

  第一,根據這一邏輯,可以合理地評價各代人工智能及其算法的恰當地位和功能,并對人工智能發展的走向形成一種有根據的預判。人工智能迄今的發展所顯示出來的趨向,預示其自身存在著“循序漸進”的進化序列,這就是人工智能越往后面的階段演進,所模擬的人的智能類型就越“初級”,這或許可以作為人工智能從業者進行預測和決策的概念基礎,從而根據自身的實力和目標做出有所為與有所不為的選擇。模擬本能認知的人工智能假如能夠實現也需要十分漫長的努力,一定程度上它寄希望于終極算法和超級人工智能的開發,由此也提出了“終極算法是否可能”的問題:當包括本能認知在內的一切認知皆可算法化從而皆可人工地模擬后,也意味著人工認知中“終極算法”的獲得,猶如人的認識中“絕對真理”之達成一樣。從辯證的真理觀來看,這只能是原則上可以追求并無限接近但不可能在某一個具體時段完全窮盡的過程。這也正是“終極算法”的魅力所在:算法化的范圍可以無限擴展,但不會在哪一天可以終結這種擴展,使得我們用植入了終極算法的機器解決了一切問題,而人從此無所事事。換句話說,人機在認知上難易互逆的關系也表明了認知研究的不可窮盡性:總存在我們依靠科學手段和技術工具所不能完全把握的認知奧秘和不能完全模擬的認知活動,所以它才是需要無窮探索的研究對象。

  第二,這一邏輯使得我們需要正視人的智能和人工智能之間的“各有長短”,不可能也無必要使兩種智能完全趨同。由于人工智能不僅要模仿人的智能,還要延伸和擴展人的智能,所以必然既有弱于人的方面(模仿不到位),也有強于人的地方(延展后的智能);它雖然不能解決人腦所能解決的一切問題,但在這種延展中也具有了新的能力:能夠解決人腦所不能解決的一些問題,這就需要在有差異的基礎上進行人機之間的合理分工。這種各有所長的關系可以使我們更清醒地看到,即使是自然進化而來的人的智能,也不是完美的智能,當然人工智能就更不具備完美性了。盡管不完美,通過相互之間的比較又凸顯了各自的優越性,所以人工智能雖然對人的某些認知難以模擬甚至無法模擬,但我們也不能因此而貶低人工智能的價值,因為它已經在若干方面遠超于人,如機器的記憶、計算和推理能力已超過人,機器智能進行人臉識別的正確率也高于人,機器智能借助知識庫對復雜事物進行預測與判斷(如基于醫學影像精準識別基礎上的醫學診斷)的準確度也正在全面超過人。在這個意義上,人也是智能上有缺陷的主體,所以才需要并發明了人工智能來彌補這樣的缺陷。因此我們無需要求人工智能只以人的(有缺陷的)智能為終極的模擬對象,不必在人工智能的研究中為模仿人類的錯誤和缺陷而殫精竭慮,因為即使是有些帶有“智力”性質的工作,也“不必按照人的方式進行,也不必具有人的靈活應變性”。同時,也不能因為人工智能在推算和識別上的高效率與高精確度就訓練人向機器看齊,即用機器的標準來要求人,這顯然隱含著把人變成機器的危險。神經哲學家丘奇蘭德(Patricia Churchland)對兩者之間這種反差描述道:“在許多事情上,計算機做起來比我們快得多,比如計算。但無論如何,至少到目前為止,計算機卻做不出人腦需要緩慢進行的那些深刻的事情。它們提不出有關物質的本性或者DNA的起源的新假設。”基于人機的能力迄今所具有的這種難易互逆關系,更有意義的追求是在兩者之間建立一種互補的協同,將人的“弱項”尤其是低效而沉重地充當工具時的任務交由可高效完成的智能機器去承擔,如將那些只求效率和精準的認知工作,那些需要有超大數據量和計算量且目標單一明確、數據優質、信息完全的任務,盡可能多地交由人工智能去做;而將基于人的本性合乎人的價值和意義(如能夠體驗生活、進行創造與獲得幸福感)的活動加以保留或更多地開發于人,這對人來說也是一種“卸擔”和身心的進一步解放,由此使“人之為人”“機之為機”“各顯其長”“各得其所”的人機協同得以形成。

  第三,走向算法融合。在目前已取得實際成效的三類認知的智能模擬中,基本上是三種范式各行其是,所模擬的角度也互不協調,分別是功能模擬 (物理符號系統)、結構模擬 (人工神經網絡)和行為模擬 (感知—動作系統),由此造就了智能之人工實現的“分而治之”的格局。人工智能本身的發展就是一個新的范式不斷克服先前范式缺陷的過程,但新的范式同時也形成了新的局限,所以范式間的融合就成為人工智能進一步發展或突破的根本要求。這種融合的可能性,其根基在于它們所模擬的認知類型之間的可融合性。比如在人的現實認知中,演繹與歸納之間是可以互補的,感性和理性之間是可以互相轉化的,經驗知識和規范知識之間是可以互相過渡的,所以人工智能中的經典算法和深度學習也是可以相融合的。如AlphaGo的設計者們就打破了符號主義和聯結主義的藩籬:“本來,博弈是功能主義人工智能 (專家系統) 的分支,神經網絡是結構主義人工智能的成果,但是他們卻把結構主義人工智能 (神經網絡) 的成果利用到功能主義人工智能分支來了,即一方面利用功能主義的博弈搜索技術去發現‘可能的下步走法’;另一方面又用結構主義深層神經網絡的深度學習方法 (取代原來的‘啟發式估價函數’) 來估算‘這些可能走法之中何者勝算更大’。這一結合,就使 AlphaGo 的棋力得到極大提升。”也就是說,當AlphaGo將分別已經存在并發展了數十年的算法(包括線性模型、深度學習、強化學習、蒙特卡洛搜索等算法)等加以融合后,形成了強大的組合優化,由此在圍棋水平上實現了對人類的成功超越。這也折射了人的認識能力提高的一種普遍路徑:認識的各種類型在融會貫通的過程中往往可以生成更高的認知能力,就類似于不同的物種在雜交后有可能形成品性更優良的物種一樣。目前人工智能“分而治之”所面臨的各自困境,正是它們排他性地秉持單一的認識論理念和方法所致;而要實現AI的綱領融合或算法融合,在基底上還是要尋求一場“認識論革命”,即走向一種可以整合理性主義、經驗主義和具身認知的新的認識論。認識論和人工智能的內在關聯在此也愈加緊密。

  這種融合如果再回歸到對智能或認知本質的理解上,也會帶給我們新的啟示。目前三種范式的人工智能對認知的本質秉持不同的理解,分別視智能“由計算—表征來定義”“由經驗來定義”和“由行動來定義”,這些可以說都是智能或認知的側面。人工智能不同流派和算法的融合,也反映了人工智能對人的認知本質的更全面、更完整的把握以及在此基礎上的模擬;如果要追求“通用人工智能”,也只能在此基礎上去追求。這里同樣也展現了人工智能與認識論的互釋互惠關系,即:我們將智能或認知的本質在認識論上理解為什么,就會在技術上去追求將人工智能做成什么;而我們實現了什么樣的人工智能,則印證了我們對認知本質的相關理解之合理性,所以在一定意義上我們甚至可以說:人工智能就是認識論。

 

作者簡介

姓名:肖峰 工作單位:

轉載請注明來源:中國社會科學網 (責編:張賽)
W020180116412817190956.jpg
用戶昵稱:  (您填寫的昵稱將出現在評論列表中)  匿名
 驗證碼 
所有評論僅代表網友意見
最新發表的評論0條,總共0 查看全部評論

回到頻道首頁
QQ圖片20180105134100.jpg
jrtt.jpg
wxgzh.jpg
777.jpg
內文頁廣告3(手機版).jpg
長頭條(16字及以上用).jpg
中國社會科學院概況|中國社會科學雜志社簡介|關于我們|法律顧問|廣告服務|網站聲明|聯系我們
12选5任七万能码