人工智能技术的哲学思考

     1．寻找日常思维的规则

    人工智能在表述科学理论时得心应手，但在表述人的日常思想时却遇到了麻烦，这一现象表明了科学推理和日常思维推理是有区别的。科学思维具有精确性和严密性，是构建在数学-逻辑基础上的，这种方式与人工智能运作的基础恰好是一致的。所以由人工智能实现科学推理是一件较为容易的事情。日常思维的情况要复杂得多。对于这个问题，虽然不能很快找到答案，但它促使我们重新考察以往的哲学认识论的立场。哲学没有把建立具体的思维体系当作自己的任务，它没有背负起这样的责任，所以它发问的角度与必须担当这种任务的人工智能相比，可能会狭窄得多。哲学看待问题的角度仅仅是从人出发的角，而没有从包括人在内的更完整的世界的角度出发。人工智能使我们看到了，哲学其实没有能力回答这样的问题：一个完整的思维系统应当具备什么样的基本条件。

    从一定意义上讲，传统哲学对于日常思维是相对轻视的。当哲学家区分“意见与理念”、“经验与知识”、“信念与真知”的时候，无疑给予后者以较高的地位。另一方面，直到逻辑经验主义之前，在讨论思维规律的时候，在哲学中并没有对科学思维和日常思维做出严格的区分，所以这两者又同时包含在传统哲学对思维的讨论之中。人工智能的提问，使我们有必要重新考虑以往哲学中孰轻孰重的立足点。

    日常思维有没有自己的规则？回答应当是肯定的。我们能够根据一个人的思维方式区分出他是正常的人，还是精神病患者，这说明正常的思维是遵循一定规则的。但是要对这个规则加以刻画，却不是一件容易的事。为了推进这一方面的认识，我们可以从强弱两个层次着手研究。一个强的规则，应当是一个完善的理论，而一个弱的规则可以仅仅建立在现象的、描述的基础上。弱规则条款是必要条件，而不是充分条件。根据目前的情况，我们只能从弱规则条款的探讨入手。

    日常思维不需要精深的理论知识，一个文盲仍可以正常地思维，所以这个规则不是针对专门的知识背景建立的。

    通过分析科学理论，我们可以看到，科学思维的陈述是可以由日常思维陈述来完成的。科学中最初的陈述无疑要由日常陈述来搭建，即使是经过多次演绎的、复杂形式的科学陈述，仍然可以还原为日常陈述，所以日常思维可以看作科学思维的基础，科学思维只是这个系统的一个子系统。事实上，了解一个子系统总是比了解整个系统要容易得多。

    日常思维在认知中的主要任务是辨识对象（对个体做判断）和解决问题（对事物的关系做判断）。在识别对象时，对人而言，无论是熟悉的还是陌生的事物，都有能力将它纳入自己的思维，成为思考的对象。这种过程实际上是将某一事物按照认知的习惯方式加以指认，根据知识背景，使其与已有的知识框架相联系，而获得意义。即使完全不熟悉的东西，也会因其具有物质的外形，可以从直观的角度加以表述，使其获得定位。所以在物质的经验世界里，日常思维不会留下任何空白。这是日常思维的一个重要特点。关于辨识对象，哲学中的命名问题和摹状词理论是值得借鉴的。人工智能在讨论对象的表征时与之关系密切。

    解决问题可以看作是根据已有的对象关系建立新的所需的对象关系。在从一种状态向另一种状态过渡时，思维是按照一定方式组织的。传统哲学中对此有过一些讨论。在日常思维中，联想是一种常见的思维方式。洛克十分重视这一方式，对其进行过较为详细的探讨。康德将认识划分为感性、知性、理性，这种层次性，以及上层对下层的统摄，从某个角度反映了思维规则。他还指出了二律背反的存在，说明思维中存在矛盾后果的情形。但是用他构造的体系很难直接解释具体的思维过程，或者说人的思维体系难以直接根据这几条规则来构造。在具体构造方面，人工智能“创造”了一些局部行之有效的方法，如“脚本”或“框架”等方法。弗雷格-罗素建立的谓词逻辑理论是对思维形式体系的说明，人工智能借重于这些理论，但它不能解决全部日常思维规则的问题。与之相关的一些方面将在下一个问题中讨论。

    在解决问题的过程中目的性具有重要作用，导向是其作用之一。推理过程在每一节点上存在着多种选择，必须有导向的机制存在，人工智能的搜索过程就面临着导向的问题，而采用“启发式”策略，是其采用的方法之一。

    日常思维的机制是直接与遗传（本能）机制相衔接的。乔姆斯基之所以愿意像研究一个身体器官一样讲究人的语言能力，是因为越是接近基础，与天赋的关系也将越密切。这方面的一个例子是，心理学的研究发现，面孔的识别在人的大脑中占有一个专门的位置，它与物体的识别分属两个系统。人对面孔的识别能力中天赋的因素在起主要作用，所以幼小的儿童就具有这种能力，而计算机获得这种能力却是相当困难的。先天的机制具有较为固定的模式，了解这种模式的形态是怎样的，是一项重要工作。这种研究有些类似于“解剖学”和仿生学，对于人工智能模仿人的智能来说，是十分重要的。

    日常思维的规则是一个有待研究的方面，继续挖掘哲学的资源，也许可以将认识推进一步。

    2．逻辑与日常思维推理的关系

    为了研究人的日常推理，出现了一些突破传统逻辑的新方法，如缺省逻辑，非单调逻辑，模糊逻辑，动态逻辑等等。但是这些方面仍然不能全部涵盖日常思维的规则。日常思维同逻辑的关系是值得探讨的问题。许多并非符合逻辑的思维过程实际上却是合理的。例如，在选择一条旅游线路时，往往是偶然因素在起作用，可以是因为阅读了旅游书籍，也可能因为思想深处的某种感情。还有一个常见的现象，人在解决问题时，常常有各种奇思妙想，其出现的原因无法解释，而谓之顿悟。在这类思维方式中，猜谜语有一定的代表性。原先的知识系统可以自由地进行各种组合，可能出现的结果几乎是无穷多的。

    这里的一个问题是，思维可以在完全不同的系统中自由地转换，既有很具体的系统，也有很抽象的系统。仅仅根据逻辑系统，这种转换是很难表述的。还有一个问题，在多通道系统中，逻辑本身只提供选择的分配，而不提供选择的原因。从一定意义上说，逻辑是对一种即定的思想过程的描述，而不是驱动思维发展的机制。日常思维是和需求（目的）相联系的，而逻辑不能反映需求或需求的变化。再一个问题，逻辑中的量词和关系词虽然可以反映思维运用的一些基本概念，如“全”、“非”等，但是它们和日常思维中的用法却是不同的。日常思维离不开对“域”的设置，但是域的界限不是非常严格的，而仅仅是为了思维的方便。

    3．学习的本质和机器学习的可能性

    知识学习对于个体人的发展和人类的进步都是必不可少的。知识学习在个体身上是如何发生的？对人而言，这是一个生成和建构的过程，是通过对自身经验的总结，以及继承他人的经验成果实现的。自身经验总结虽有归纳的特点，但如皮亚杰所说，是一个复杂的“同化和顺应”的过程。继承性学习则包含了生成、建构过程，也是一个系统创生的过程。事实上，这两者中都包含了创造性的因素。前者表现为从哪个角度去归纳，以及归纳中是否包含着范式的创新。人可以灵活地做出多种选择，而机器只能根据人的规定去归纳。后者是建立在概念（语义）基础上的，同时要有联想和想象的参与，以建构的方式形成一些新的知识系统。如果把学习看成是一种本质上是创造性的活动，是否可以说，机器是不能完成真正的学习的。

    人工智能中联结主义的学习系统虽然可以产生出与初始状态完全不同的系统，但这种“不同”只是表面上的，各种新的状态都是众多（可能是数量很大的）备选状态中的一种，是在选择该系统时已经确定下来的模式中的一种。机器的学习是以模拟为机理的，这与人类学习有着本质的差异。

    4．信息的组织形式

    信息开采（信息挖掘）是当前人工智能研究的重要方面之一。已经获取的信息库（如人造卫星拍摄的大量照片），以及自然界固有的信息，如果运用计算机来开采，其效率势必大大提高。

    我们可以把信息的类别区分为语义的信息和物理的（包括生物的）信息。这两种信息的组织方式是不同的。当学者从龟甲上发现一些异样的条纹时，就可以断定其中包含着文字信息；我们也可以根据线条的特征区分出它是乱画的曲线还是文字的笔画，即使是一种陌生的文字。这些现象说明了文字（语义）信息自身一定是有某种外在形式的特征的。除了外在的形式特征，语义信息系统也有内在的组织特征，这种研究有可能帮助考古学家破解古埃及文字的内容。与计算机的方法结合起来研究这些问题，也许会有新的发现。

    物理信息是自然状态的。对物理信息而言，可以说，信息的存在也就是事物的存在：信息是告诉我们事物存在的方式。如果我们从普通的事物里看到了不寻常的信息，这种“不寻常”只是与习惯不一致，并不是信息本身有什么特殊。外部世界可以通过各式各样的方式组织起来，向我们呈现意义，通过这样一种过程，它们就变成了可以被理解的信息，而这些组织信息方式是我们先天具有的，或者后天建立的。

    所谓信息发掘有两种情况，第一种情况是，信息以我们已经具备的理解系统存在着，但是它同其他东西混杂在一起，被隐蔽起来，寻找它，就是将它和其他的东西分离开来，使其成为我们可认识的形式；还有一种是，我们原先不具备认识它的能力（系统），当我们具有了新的理论或是新的仪器后，原先无意义的信息成为有价值的了。自然界向我们提供什么样的信息，不在于自然界本身，而在于我们的筛选机制。我们从自然界无际的“信息海洋”里捞取出那些对我们来说是有意义的部分，关键取决于我们的“过滤”工具。在这个意义上，将自然界看作是物自体，是合情合理的。

    自然界中许多极其重要的信息，由于没有得到发掘，都白白流失了。近年来出现的功能脑成像技术，非常有力地说明了这一点。在原有的磁共振成像机上增加一个截取信息的软件，就可以显示以来完全无法看到的大脑思维活动的状况，一个崭新的研究领域也由此被开拓出来，让人不能不感叹信息获取方式的改善所产生的巨大影响。

    一方面人类通过建立各种理论，开辟新的获取信息的切入点，另一方面，人直接获取信息的方式又是受到自身条件限制的。为此，人们设计了各种仪器，来拓展原有的信息获取方式。计算机可以借鉴这些已有的方式，但是也可能开辟不同于以往的方式。计算机在信息组织方面的灵活性大大超出其他机器。人工智能中发展起来许多新的开采信息的方法，是非常有效的。在认识世界的方式上，计算机作为拓展我们原有的思维工具，有可能带来非常深刻的创新。

    5．何谓理解？

    塞尔“中文屋”思想实验的例子在哲学界和人工智能界都引起了较大的反响。这个例子不仅因为比喻精当而引人深思，它还包含着值得进一步探讨的问题：理解究竟是什么？理解的机制是什么？借助于这个例子，我们尝试做出一些回答。

    比照塞尔的例子，我们假定有一个只懂中文而不懂英文的人，看一看他回答在两语言提问时的情况是怎样的。当他回答中文问题时，他是根据语义运作的；当他回答英文问题时，他是根据中文工具书的指令来运作的。如果我们把语义看成是一种联结关系，将它同工具书发出的机械指令联结关系来比较，会看到一些差别。首先，语义联结方式更灵活，效率更高。这种差别在人的目的性行为和动物由本能产生的行为模式的比较中很容易看到。昆虫的向性是一种固定的行为模式，可以看作一种生理的机械联结。它可以产生出一些表面上看来是目的性的行为，但是如果环境稍有变化，它的机械僵硬的弱点就会暴露出来。语义方式的灵活性来自语义结构的多连通性，以及语义转换的快捷性。但是语义结构的构造是不容易模仿的，因为对它的许多方面我们还缺乏透彻的认识。

    这里还存在着另一个差别。这个懂中文的人在理解中文时也可以不直接理解，而通过一本中文指令书来操作。在这种情况下，他必须对中文指令书做出理解，而且是语义的理解。这两种情况的差别在于理解的基点不同。由于人的生理特点，人在同一时刻注意的内容是有限的，只能有一个中心区域。这个区域的内容可以被理解，并按语义的方式被组织，以某种方式进行操作。凡在中心区域以外的内容是得不到理解的，也不被操作。如果我们同时听两个人说话，一般情况下只能理解其中的一个。当我们一个非常复杂的句子时，会感到理解的困难，或是遇到一些陌生词汇时感到理解的困难，是因为复杂句子的内容不能进入中心区，或者某些词汇不能与语义结构接通，都因不能在中心区被操作而达不到理解。就这个意义而言，能够理解的东西必须是在意义上能够直达的东西。

    建立在语义基础上的意义的直达是理解的必要条件。这是一种特殊的组织结构，它具有强大的功能。

    6．从物理关系到语义关系的转换

    当我们说“那棵树上落着一只鸟”的时候，如果是因为看到了这样一个实在的场景，那么我们的感知系统和语义系统同时对此做出了反映。这两者结合得如此自然，如果不刻意区分，就不会感到这是两个可以分离的方面。但实际上感觉系统中的物理世界和语义系统中的意义世界处在两个不同的范畴。它们之间存在着一种对应关系，这种关系中的某些因素是相当稳定的，尤其在日常思维中，但是这种对应关系却不是单一的和不可改变的。

    感知的内容是以表象方式呈现的，而表象是以实体本身的样式存在的（人以为的实体本身的样式），这种样式是由形状、颜色、声音等物理的特点构成的，所以由感觉反映出的是一种物理的关系。语义的内容是由概念的意义和和意义形成的概念间的关系构成的，是通过语言系统表达的语义关系。这两个系统是各自独立的，还是可通约的？它们的对应关系是如何建立的？是值得讨论的问题。这里我们遇到了认识论的基本问题。

    就出现的顺序而言，物理关系是先于语义关系的。但是另一方面，物理关系可以通过语义关系来表述，反之却不能。有时候，在思维中两种关系形式是并存的，如借助于图形来说明某一抽象问题，但这只是一种比喻或类比，而不是真正建立物理关系。一般说来，思维中的操作是基于语义关系的。这种情况使我们看到，若要将两个关系统一起来，即进行通约的话，只能统一于语义关系。但事实上这两个系统是不能完全通约的。因为若要从语义关系还原到物理关系也是不可能的。这两个系统是独立存在的，因为它们的构成、运作方式都不相同，虽然它们之间存在着对应关系。从上面简单的分析看，同物理关系相比，语义关系处在更基本的地位上。这种看法与物理关系先于语义关系之说是否矛盾呢？这里所谓“先后”之分是指时间上产生的顺序，而“基础”性，是指两者产生之后，在运作时所处的地位。另外，并非所有的物理关系都必须转化成语义关系后才能在思维中运作，可能存在着一些系统，直接在物理关系的层面上被加工，例如人的面孔识别，神经科学已发现，这是一个独立于其他物体识别的系统。

    这种关系问题正是机器人所面临的。一方面，它的摄像头得到了外部世界的信息，而同时它内部又有某些指令（可以表达抽象的理论）。指令是信息和信息运作的组织者，指令甚至也决定着摄像头应获取什么样的信息（在人获取信息时，“注意”起着类似的作用）。机器人之不同于一般的自动机，正在于它的内部运作根据的是建立是语义基础上的理论模式，在这里起作用的完全不是物理关系，而是那些电子器件上附加的语义关系——某种机器语言。

    在建立对应关系时，有一个从物理关系到语义关系的转换，它是如何完成的呢？机器能否产生和人一样的转换呢？对后一问题的回答是：非常困难，至少目前还无法实现，因为人的转换具有极大的选择性。人会根据此刻的情况和目的性产生出各种不同的语义关系。人的语义系统可以产生出多个不同的结果，机器所具备的只是其中之一。

    7．人和机器是怎样辨识物体边界的？

    在通常的情况下，人可以毫不费力地将一个物体与它的背景区分开来，也可以将图片上的图形与背景区分开来。然而对于机器来说，这却不是一个简单的任务。在这方面，人工智能已经开发了许多行之有效的技术。例如，记录下闯红灯的汽车牌号，辩识手写字体，等等。我们需要了解的是，人工智能实际上是用什么方法来解决这个问题的。

    人是如何完成这些任务的？心理学的某些研究对此有一定的帮助。知觉过程本身有一定的组织作用，如视觉中的恒常性。福多在心理模块性中提到不少这一方面的成果。这种能力也可以看作是以往经验形成的参照系在起作用。