人工智能与认识论的哲学互释:从认知分型到演进逻辑

Philosophical Mutual Interpretation of Artificial Intelligence and Epistemology: From Cognitive Classification to Evolutionary Logic

  作者简介:肖峰,华南理工大学马克思主义学院、哲学与科技高等研究所教授。广州 510641

  原发信息:《中国社会科学》第20206期

  内容提要:人工智能与认识论有着独特而内在的关系,使得两者之间可以进行哲学上的互释:一方面是对人工智能的认识论阐释,包括揭示人工智能的认识论根基,尤其是不同人工智能纲领或范式(符号主义、联结主义和行为主义)的哲学认知观,以及它们进行智能(认知)模拟时与人的认知之间所形成的同理、同构、同行、同情的不同关系;另一方面是对认识论进行基于人工智能视角的阐释,包括依托人工智能范式所进行的认知分型(推算认知、学习认知、行为认知和本能认知),进而揭示这些分型之间的多重关系。在此基础上,还可以对人工智能和认识论之间进行动态互释,揭示两者之间难易互逆的关系,由此对人工智能发展走向形成有根据的预判,有助于正视人类智能和人工智能之间的互补,进而推进不同算法和认知类型的融合,并印证人们对认知本质相关阐释的合理性。

  关键词:人工智能/认识论/认知分型/演进/阐释

  标题注释:本文为国家社会科学基金重大项目“基于信息技术哲学的当代认识论研究”(15ZDB019)阶段性成果。

 

  人工智能(AI)和人类所创造的其他科学技术一样,是不断演进和发展的;基于不同纲领的AI流派(符号主义、联结主义和行为主义)陆续成为人工智能的核心范式,就是这一演进的标识。将认识论与人工智能的演进关联起来进行一种哲学上的相互阐释,可以形成互惠于两者的双向启示。其中,将人工智能纳入认识论研究的视野,有助于揭示不同纲领人工智能所蕴含的不同认知观,从哲学上发掘人工智能范式区分的认识论根基,展现出认识论对于人工智能的阐释力。与此同时,我们也可以且有必要将认识论纳入人工智能考察的视野,对“认识是如何进行的”加以基于AI及其算法演进的分型,从而借助人工智能来揭示不同类型认知的运行机制,“反向地”观照我们对自身认知的理解。这种双向互释还可以“同框”展开:人工智能模拟认知类型的演进序列与人自身的认知演进序列,具有一种“先后互逆”进而“难易互逆”的关系,由此人的认知和机器智能之间的运行机制形成一种对比性阐释,并启示我们如何走向人机协调及智能互惠的关系。

  一、人工智能演进的认知观基础

  人工智能的演进是伴随其核心技术的算法的演进进行的,例如,从经典算法到深度学习,也是人工智能从20世纪50年代居于支配地位的符号主义人工智能到80年代后逐渐走向统治地位的联结主义人工智能(或人工神经网络AI)的发展,而在机器学习算法中进一步开发了强化学习算法后,则随之有行为主义人工智能在20世纪末的问世。虽然人工智能的范式划分基于不同的标准有不同的结果,但将其划分为上述三种范式已成为目前普遍接受的视角;而这些不同的人工智能及其算法是以不同的认识论理论(亦即不同的哲学)为基础的。

  人工智能的演进是对人的智能或认知活动的模拟范围或类型不断扩展从而模拟能力不断提升的过程,这个过程与不同范式的人工智能源自或表达的哲学认知观密切关联。这是因为人工智能在追求“像人一样思考”或相似于人的方式作出反应时,必然涉及人是怎样思考与怎样反应的问题,也就是如何进行认知的问题。“如何认知”既包含认知的方式也包含认知的机理和本质,由此构成了哲学上的“认知观”。人工智能演进中的不同范式所诉诸的不同纲领,就是基于不同的认知观而形成的:阐释“认识是什么”以及“认识如何进行”的哲学认知观,构成人工智能的哲学根基,它决定了人工智能如何去模拟人的认知,以及模拟人的什么样的认知,由此确立人工模拟的不同目标,设计不同的技术进路,进而形成不同范式或流派的人工智能。如同人工智能的创始人之一麦卡锡(John McCarthy)所指出:人工智能和哲学比一门科学与这门科学的哲学有更多的共同之处。这是因为人工智能的研究者需要具备一定的哲学态度,特别是认识论的态度。①迄今面世的三种范式的人工智能,分别将认知的本质理解为理性推导、经验学习和人与环境的互动,从而分别建立了基于知识表示、人脑神经网络和感知—行动的人工智能系统或智能体,认识论在这里可视为对人工智能演替进行哲学阐释的主线。

  具体地说,基于经典算法的符号主义即传统范式的人工智能与理性主义相关,其方法论基础是演绎推理,哲学上直接受逻辑实证主义的认识论影响。麦卡锡就明确认为:“人工智能(这里当然是指创立之初的符号AI——引者注)已经从分析哲学与哲学逻辑研究中获益”;②皮茨(Walter Pitts)、西蒙(Herbert Simon,中文名为司马贺)、所罗门诺夫(Ray Solomonoff)等人工智能的其他重要创始人,也均受到过分析哲学的影响,他们都曾在芝加哥大学因听过卡尔纳普的课程而深受其“哲学就是逻辑分析方法”的启发,以至于他们的思想被认为是发源于卡尔纳普的分析哲学思想。③而弗雷格、罗素的数理逻辑以及早期维特根斯坦的《逻辑哲学论》也对符号AI产生了深刻的影响。

  逻辑实证主义将认识看作以逻辑为基础的符号推理过程或计算活动。这一认知观在符号主义人工智能中得到了透彻的贯通和体现。由经典算法支配的人工智能的工作模式就是:一个既有的算法犹如先在的理性规则或先验存在的信息加工装置,等待它要处置的个别数据;机器认知的过程就是将输入的数据按算法规则加工成输出的符号,形成知识表征。在哲学家德雷福斯(Hubert Dreyfus)看来,符号AI所主张的这种信息加工模式是一种标准的唯理论,它把“具体的感性同化为用于抽象思维中的受规则支配的符号描述”。④这种观念可追溯到柏拉图那里,他把全部的推理活动化约为明晰的规则,再把世界分解为可运用这些规则去处理的原子事实;所以认知无非就是按明晰的规则进行计算,一切知识都可以编码为计算机能够处理的符号。可以说,经典算法及其相应的符号人工智能较为成功地模拟了人的左脑的抽象逻辑思维。

  建立在人工神经网络基础上的深度学习算法及其联结主义人工智能则跟经验主义的认识论相关联,在其看来,学习就是大脑所做的事情,学习的过程就是从不断积累的经验中归纳出一般原则的过程,机器学习就是要模拟并实现大脑的这种学习功能。当人把经验数据提供给机器系统,它就基于这些不断积累的数据生成模型,然后用这些模型去进行辨识(如图像、声音识别等,统称为模式识别),这就类似于人所进行的学习。这是一种从经验到理论的认知进路,是从数据中提炼出规律即相应的知识和模型的过程,即从个别到一般的归纳过程;然后在面对新情况时,所形成的一般模型就会提供相应的判断,此即通过训练而生成的模式具有对新对象的识别能力。这一范式的方法论与逻辑学基础是统计学和归纳推理,理论基础是结构主义,它从神经网络及其连接状态来阐释人的认知机理,主张智能是人脑活动的产物,且是简单的单元通过复杂而大量的联结(特定的结构)所涌现出来的功能;学习的过程就是调整神经元之间的联结强度并形成特定结构的过程,这也是一个面对信息输入进行自组织自适应的过程。这种可调整的可塑性也是联结主义赋予人工神经网络学习功能的根据,它重现了人脑在学习时所发生的现象:在外来信息的刺激作用下改变或形成新的突触联系。从经验归纳的认识论进路看,这一人工智能系统具有将数据或信息加工为知识的指向。由于对图像(如人脸、笔迹、医疗图像)具有的强大识别能力,一定意义上可以说基于深度学习的联结主义AI主要模拟的是人的右脑的形象思维。

  符号主义人工智能与联结主义人工智能之间的差别,关联着两种认识论的差别:前者是基于规律—规则的人工智能,人将规律—规则模型化程序化,其中包括从专家的经验中整理出来的普遍化知识,它能较好地解决理性思维中的推理或计算问题;后者根据人提供的经验数据等信息去生成模型,即系统从数据中提炼规律,形成知识,能够较好地解决感性认识中的识别问题。两相对比,一个是规则在先,一个是规则在后;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体现的认识论原则或哲学范式发生了“转型”。正是这种转型,才克服了传统人工智能发展中的瓶颈,即智能机器不可能事先都设定好理论模型去处理各种问题。例如人在识别椅子时,无论它使用了什么材质或做成什么形状,都不会把椅子错认为桌子,但这样的识别过程就无法直接用形式化的符号表述出来,从而不可能事先编好可以识别一切椅子的算法,使得智能机器面对各种椅子时都能进行正确的识别。而通过深度学习算法,通过大数据的训练就可以在人工神经网络中形成识别出椅子的权重结构模型(状态),从而可以有效地完成识别那些没有在训练中出现的椅子的任务。上述两种范式人工智能的重大区别,意味着它所折射的思维认识类型也较之传统的类型发生了“质的转型”,人脑中那些有深度层次化特征的子模块(如视觉皮层)成为把握认知机理的重点对象,也成为智能模拟的新范式。

  追求“像人一样行为”的行为主义范式的人工智能与强化学习算法相关联。“强化学习”是指可以用来支持人们去做决策和规划的一种学习方式,它通过对人的一些动作、行为产生奖励的回馈机制来促进学习。作为学习算法中的一个类型,强化学习从某种意义上形成学习算法的又一次演化,使得学习算法在先前只用来解决“识别”和“理解”问题,进一步演进到用来处理与环境互动的问题,也就是从只行使认知功能(“像人一样思考”)扩展到“像人一样行动”的功能。⑤其实,关于人工智能的目标,一开始就并非仅有“像人一样思考”的理解,而且有更广义的“像人一样行动”的追求,后者就是行为主义范式的人工智能。强化学习算法及其行为主义人工智能所秉持的认知观是:智能源自感知和行动,它是在与环境的相互作用中得以体现的,认知就是身体应对环境的一种活动,是智能系统与环境的交互过程,是在不断适应周围复杂环境时所进行的行为调整。这种与环境的互动是造就智能的决定性因素,认知主体是在对环境的行为响应中通过自适应、自学习和自组织而形成智能的,而不是通过符号、表征和逻辑推理等去形成智能,所以传统AI的“感知—建模—计划—行动”中的中间两环节都无必要,“感知—行动”就足以完成与环境的互动,此即“没有表征的智能”,“机动性、敏锐的视觉以及在动态环境中执行与生存相关任务的能力,为发展真正的智力提供了必要的基础。”⑥这就是“基于行为的AI”,它不再把研究重点放在知识表示和推理规则上,而是聚焦于复杂环境下的行为控制问题,将智能的本质理解为“在不可预测的环境中做出适当行为的能力”,⑦这也是具身理论所坚持的立场:认知生成于身体与环境的互动。据此,通过建构能对环境作出适恰应对的行为模块来实现人工智能,使得它具有类似于人类与环境交互的能力,所形成的是环境与行为之间的映射和反馈关系,所模拟的主要是小脑(甚至脊髓)支配运动的功能。

  行为主义既是一种哲学认识论,也是认知心理学的一个重要流派,后者早在20世纪初就已产生,但它作为人工智能中的新学派于20世纪末才出现,其标志性口号是“用世界本身代替世界的模型”,⑧其人工物标志是布鲁克斯(Rodney Brooks)研制的新一代“控制论动物”的六足行走机器人:一个模拟昆虫行为的控制系统,目前则以正在开发的自动(无人)驾驶为典型代表。

  可以说,以上基于不同算法的人工智能表达和主张了不同的认知观,它不仅论证或支持了某种认识论,也体现了一种反向制约:持何种认识论或认知观,决定着设计出何种范式的人工智能;从而人工智能要获得新的突破,也有待于认识论的整合与突破。同时,不同范式人工智能已经实现和尚未实现的目标,又可以进一步对我们反过来评价既有的认识论理论提供可验证的根据。某种人工智能的长处和不足,在何处成功以及何处陷入困境,可追溯到其认识论立场的长处或不足,从而可以帮助我们反思相关认识论的有效性范围或有限性程度,并为不同认识论之间的互补协同提供启示。在这个意义上,人工智能是认识论展现的新平台或新用武之地,也是认识论理论的校验场,抑或是在人工载体上运行的各种被模拟的人类认知及其能力。因此人工智能可视为人类智能的某种镜像,具有折射人的认知活动某些机制的功能,从而使人的认知间接地成为可以科学研究的“客观”“外在”对象,认识论研究得以在新平台(计算机)上以可以验证的方式展开,因为“计算机被视为一种可以模拟大脑功能的设备,因此也被当作一种方便的工具来测试关于大脑和心理过程的假设。”⑨人工神经网络研究的先驱特伦斯·谢诺夫斯基(Terrence Sejnowski)认为通过研究机器学习这种范式的人工智能,我们可以得到更具说服力的理论来解释大脑中不同的部分是如何联系,了解大脑是如何处理信息的。

  从不同人工智能范式模拟了人的不同认知活动这一关联中,我们还可以进一步在人工智能与人的认知之间区分出“同理关系”“同构关系”和“同行关系”等不同的特征,甚至在基于“情感算法”的情感AI成为可能之后,还会形成“同情关系”或“同感关系”。

  符号AI只模拟和实现了人的计算、推理一类的认知,可称两者之间的这种关系为“同理”关系:人的认知和机器的信息处理具有类似或同样的理性、推理的属性,都遵循同样的计算原则,表现出类似的程序化过程。这种“同理”的另一个寓意,还在于理性主义和符号AI都将人的认知过程“理想化”为单一的符号或概念的推演过程。这也是迄今最强的一种关联性,是人的相关智能(推理和计算智能)被同类人工智能(符号AI)模拟得最彻底的一个侧面,“图灵测试”和“丘奇—图灵论题”是其理论支柱,它所导向的是认知计算主义,是第一代认知科学的智力基础和思想来源。

  联结主义的人工智能范式与人的认知之间主要是“同构”关系:基于深度学习的人工神经网络模型力求与人的神经系统在结构上达到部分的(即同构)仿生意义上的类似,从而类似于通过搭建神经联结来构成一个新的大脑。此时机器的信息处理单元与大脑的神经元相对应,单元之间的连接和权值与神经元的轴突、树突和突触相契合,且两者的构架都按照层级方式得以组织,由此使得其工作机制与人脑的学习功能具有了相似性,从而可以通过技术手段达到机器对人的认知功能的部分模拟。当然,这种“同构”关联性弱于上面的“同理”关系,一是因为人工神经网络作为由硅器组成的电子元件网络,毕竟与人脑由生物神经元组成的网络还具有质的差别;二是因为深度学习算法的工作机制还存在着即使是造就它们的科学家和工程师自己也无法理解的“算法黑箱”:即“用神经网络进行机器学习是有效的,但我们无法详细理解和控制神经网络中的过程”;⑩三是因为机器通过训练习得识别模式或能力的过程与机制跟人习得相应的能力还存在较大的差距,如人的学习就不需要机器学习所需要的那么多的样本;四是因为人的学习是在社会交往中进行的,机器学习则是在彼此没有交互的理想化的“训练”中进行的。当然,随着人工神经网络和人脑之间同构性的增强,可以期待这一视角的关联性将会进一步提高。

  在行为主义的范式阶段,相应的人工智能与人应对环境的行为类型的认知相关联,由于所指向的都是行为或行动,可称两者之间的这种关联为“同行”(tóng xing)关系:智能机器人所执行的算法具有导向和人的智能行为相同的效果,两者此时都可以视为基于“感知—动作”模式的行为控制系统,从而一定意义上两者同为“行动者”(actor)甚至能动自主体(agent)。此外,这种同行水平的关联还具有双关语的意味,即“同行”(tóng xíng)基础上的“同行”(tóng háng)。人和机器人虽不是同类,却由于智能机器可以像人一样行为,因此可以在越来越多的职业和领域中成为同行(tóng hóng)或同事,可以进行和人同样的既能知也能行的活动。当然,目前智能机器和人之间的这种“同行”(tóng xíng)关联性还不强,因为机器人的行为与人的行为之间的差距还很大,例如自动驾驶的随机应变、灵活处理新情况的能力还较低,即可主导灵活行为的认知的可算法化有待提高。在这里,背景、身体、互动等纳入了认知观的内容,从而与以具身认知为代表的第二代认知科学相吻合。

  此外,人的认知中还有情感、意志、直觉、灵感等要素或方面,存在大量基于本能的“凭感觉行事”的现象,这些方面的能力还未能开发出相应的算法(如情感算法、意志算法……),甚至它们能否被算法化都是存疑的,所以至少迄今还未能与某种算法的类型建立起成熟的关联。乐观的看法认为赋予机器情感只是时间问题。如果相应的算法(如“情感算法”)在将来可以开发出来,则将形成的就是人工智能与人的认知之间的“同情”或“同感”、“同意(志)”“同觉”即“同情共感”(sympathy)的关系,这也正是“终极算法”和“超级人工智能”所追求的目标。目前“人工情感”(情感计算、情感智能体)、“人工意志”的研究虽然被评价为并不是真正意义上的情感模拟和意志模拟,但从其字面所表达的含义上,至少隐含着建构人与机器之间可以同情共感的期待。

  上述的关联也进一步体现了人工智能及其算法具有认识论上的可阐释性。之所以如此,从根本上说,还是在于人工智能及其算法终究是人的认知方法的外推;同时,人工智能算法又不是简单地重复人的认知方法,为了适应机器的特点以及解决新问题的需要,它对既有的认知方法加以了形式化及其他改进甚至创新,这种推进无疑又反过来对理解人的认知活动形成“反哺”或新的启示,使得认识论对于人工智能也产生了内在需求。两相结合,认识论与人工智能之间结成了相互制约、相互需要和相互驱动的内在关系。(11)

Philosophical Mutual Interpretation of Artificial Intelligence and Epistemology: From Cognitive Classification to Evolutionary Logic

  作者简介:肖峰,华南理工大学马克思主义学院、哲学与科技高等研究所教授。广州 510641

  原发信息:《中国社会科学》第20206期

  内容提要:人工智能与认识论有着独特而内在的关系,使得两者之间可以进行哲学上的互释:一方面是对人工智能的认识论阐释,包括揭示人工智能的认识论根基,尤其是不同人工智能纲领或范式(符号主义、联结主义和行为主义)的哲学认知观,以及它们进行智能(认知)模拟时与人的认知之间所形成的同理、同构、同行、同情的不同关系;另一方面是对认识论进行基于人工智能视角的阐释,包括依托人工智能范式所进行的认知分型(推算认知、学习认知、行为认知和本能认知),进而揭示这些分型之间的多重关系。在此基础上,还可以对人工智能和认识论之间进行动态互释,揭示两者之间难易互逆的关系,由此对人工智能发展走向形成有根据的预判,有助于正视人类智能和人工智能之间的互补,进而推进不同算法和认知类型的融合,并印证人们对认知本质相关阐释的合理性。

  关键词:人工智能/认识论/认知分型/演进/阐释

  标题注释:本文为国家社会科学基金重大项目“基于信息技术哲学的当代认识论研究”(15ZDB019)阶段性成果。

 

  人工智能(AI)和人类所创造的其他科学技术一样,是不断演进和发展的;基于不同纲领的AI流派(符号主义、联结主义和行为主义)陆续成为人工智能的核心范式,就是这一演进的标识。将认识论与人工智能的演进关联起来进行一种哲学上的相互阐释,可以形成互惠于两者的双向启示。其中,将人工智能纳入认识论研究的视野,有助于揭示不同纲领人工智能所蕴含的不同认知观,从哲学上发掘人工智能范式区分的认识论根基,展现出认识论对于人工智能的阐释力。与此同时,我们也可以且有必要将认识论纳入人工智能考察的视野,对“认识是如何进行的”加以基于AI及其算法演进的分型,从而借助人工智能来揭示不同类型认知的运行机制,“反向地”观照我们对自身认知的理解。这种双向互释还可以“同框”展开:人工智能模拟认知类型的演进序列与人自身的认知演进序列,具有一种“先后互逆”进而“难易互逆”的关系,由此人的认知和机器智能之间的运行机制形成一种对比性阐释,并启示我们如何走向人机协调及智能互惠的关系。

  一、人工智能演进的认知观基础

  人工智能的演进是伴随其核心技术的算法的演进进行的,例如,从经典算法到深度学习,也是人工智能从20世纪50年代居于支配地位的符号主义人工智能到80年代后逐渐走向统治地位的联结主义人工智能(或人工神经网络AI)的发展,而在机器学习算法中进一步开发了强化学习算法后,则随之有行为主义人工智能在20世纪末的问世。虽然人工智能的范式划分基于不同的标准有不同的结果,但将其划分为上述三种范式已成为目前普遍接受的视角;而这些不同的人工智能及其算法是以不同的认识论理论(亦即不同的哲学)为基础的。

  人工智能的演进是对人的智能或认知活动的模拟范围或类型不断扩展从而模拟能力不断提升的过程,这个过程与不同范式的人工智能源自或表达的哲学认知观密切关联。这是因为人工智能在追求“像人一样思考”或相似于人的方式作出反应时,必然涉及人是怎样思考与怎样反应的问题,也就是如何进行认知的问题。“如何认知”既包含认知的方式也包含认知的机理和本质,由此构成了哲学上的“认知观”。人工智能演进中的不同范式所诉诸的不同纲领,就是基于不同的认知观而形成的:阐释“认识是什么”以及“认识如何进行”的哲学认知观,构成人工智能的哲学根基,它决定了人工智能如何去模拟人的认知,以及模拟人的什么样的认知,由此确立人工模拟的不同目标,设计不同的技术进路,进而形成不同范式或流派的人工智能。如同人工智能的创始人之一麦卡锡(John McCarthy)所指出:人工智能和哲学比一门科学与这门科学的哲学有更多的共同之处。这是因为人工智能的研究者需要具备一定的哲学态度,特别是认识论的态度。①迄今面世的三种范式的人工智能,分别将认知的本质理解为理性推导、经验学习和人与环境的互动,从而分别建立了基于知识表示、人脑神经网络和感知—行动的人工智能系统或智能体,认识论在这里可视为对人工智能演替进行哲学阐释的主线。

  具体地说,基于经典算法的符号主义即传统范式的人工智能与理性主义相关,其方法论基础是演绎推理,哲学上直接受逻辑实证主义的认识论影响。麦卡锡就明确认为:“人工智能(这里当然是指创立之初的符号AI——引者注)已经从分析哲学与哲学逻辑研究中获益”;②皮茨(Walter Pitts)、西蒙(Herbert Simon,中文名为司马贺)、所罗门诺夫(Ray Solomonoff)等人工智能的其他重要创始人,也均受到过分析哲学的影响,他们都曾在芝加哥大学因听过卡尔纳普的课程而深受其“哲学就是逻辑分析方法”的启发,以至于他们的思想被认为是发源于卡尔纳普的分析哲学思想。③而弗雷格、罗素的数理逻辑以及早期维特根斯坦的《逻辑哲学论》也对符号AI产生了深刻的影响。

  逻辑实证主义将认识看作以逻辑为基础的符号推理过程或计算活动。这一认知观在符号主义人工智能中得到了透彻的贯通和体现。由经典算法支配的人工智能的工作模式就是:一个既有的算法犹如先在的理性规则或先验存在的信息加工装置,等待它要处置的个别数据;机器认知的过程就是将输入的数据按算法规则加工成输出的符号,形成知识表征。在哲学家德雷福斯(Hubert Dreyfus)看来,符号AI所主张的这种信息加工模式是一种标准的唯理论,它把“具体的感性同化为用于抽象思维中的受规则支配的符号描述”。④这种观念可追溯到柏拉图那里,他把全部的推理活动化约为明晰的规则,再把世界分解为可运用这些规则去处理的原子事实;所以认知无非就是按明晰的规则进行计算,一切知识都可以编码为计算机能够处理的符号。可以说,经典算法及其相应的符号人工智能较为成功地模拟了人的左脑的抽象逻辑思维。

  建立在人工神经网络基础上的深度学习算法及其联结主义人工智能则跟经验主义的认识论相关联,在其看来,学习就是大脑所做的事情,学习的过程就是从不断积累的经验中归纳出一般原则的过程,机器学习就是要模拟并实现大脑的这种学习功能。当人把经验数据提供给机器系统,它就基于这些不断积累的数据生成模型,然后用这些模型去进行辨识(如图像、声音识别等,统称为模式识别),这就类似于人所进行的学习。这是一种从经验到理论的认知进路,是从数据中提炼出规律即相应的知识和模型的过程,即从个别到一般的归纳过程;然后在面对新情况时,所形成的一般模型就会提供相应的判断,此即通过训练而生成的模式具有对新对象的识别能力。这一范式的方法论与逻辑学基础是统计学和归纳推理,理论基础是结构主义,它从神经网络及其连接状态来阐释人的认知机理,主张智能是人脑活动的产物,且是简单的单元通过复杂而大量的联结(特定的结构)所涌现出来的功能;学习的过程就是调整神经元之间的联结强度并形成特定结构的过程,这也是一个面对信息输入进行自组织自适应的过程。这种可调整的可塑性也是联结主义赋予人工神经网络学习功能的根据,它重现了人脑在学习时所发生的现象:在外来信息的刺激作用下改变或形成新的突触联系。从经验归纳的认识论进路看,这一人工智能系统具有将数据或信息加工为知识的指向。由于对图像(如人脸、笔迹、医疗图像)具有的强大识别能力,一定意义上可以说基于深度学习的联结主义AI主要模拟的是人的右脑的形象思维。

  符号主义人工智能与联结主义人工智能之间的差别,关联着两种认识论的差别:前者是基于规律—规则的人工智能,人将规律—规则模型化程序化,其中包括从专家的经验中整理出来的普遍化知识,它能较好地解决理性思维中的推理或计算问题;后者根据人提供的经验数据等信息去生成模型,即系统从数据中提炼规律,形成知识,能够较好地解决感性认识中的识别问题。两相对比,一个是规则在先,一个是规则在后;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体现的认识论原则或哲学范式发生了“转型”。正是这种转型,才克服了传统人工智能发展中的瓶颈,即智能机器不可能事先都设定好理论模型去处理各种问题。例如人在识别椅子时,无论它使用了什么材质或做成什么形状,都不会把椅子错认为桌子,但这样的识别过程就无法直接用形式化的符号表述出来,从而不可能事先编好可以识别一切椅子的算法,使得智能机器面对各种椅子时都能进行正确的识别。而通过深度学习算法,通过大数据的训练就可以在人工神经网络中形成识别出椅子的权重结构模型(状态),从而可以有效地完成识别那些没有在训练中出现的椅子的任务。上述两种范式人工智能的重大区别,意味着它所折射的思维认识类型也较之传统的类型发生了“质的转型”,人脑中那些有深度层次化特征的子模块(如视觉皮层)成为把握认知机理的重点对象,也成为智能模拟的新范式。

  追求“像人一样行为”的行为主义范式的人工智能与强化学习算法相关联。“强化学习”是指可以用来支持人们去做决策和规划的一种学习方式,它通过对人的一些动作、行为产生奖励的回馈机制来促进学习。作为学习算法中的一个类型,强化学习从某种意义上形成学习算法的又一次演化,使得学习算法在先前只用来解决“识别”和“理解”问题,进一步演进到用来处理与环境互动的问题,也就是从只行使认知功能(“像人一样思考”)扩展到“像人一样行动”的功能。⑤其实,关于人工智能的目标,一开始就并非仅有“像人一样思考”的理解,而且有更广义的“像人一样行动”的追求,后者就是行为主义范式的人工智能。强化学习算法及其行为主义人工智能所秉持的认知观是:智能源自感知和行动,它是在与环境的相互作用中得以体现的,认知就是身体应对环境的一种活动,是智能系统与环境的交互过程,是在不断适应周围复杂环境时所进行的行为调整。这种与环境的互动是造就智能的决定性因素,认知主体是在对环境的行为响应中通过自适应、自学习和自组织而形成智能的,而不是通过符号、表征和逻辑推理等去形成智能,所以传统AI的“感知—建模—计划—行动”中的中间两环节都无必要,“感知—行动”就足以完成与环境的互动,此即“没有表征的智能”,“机动性、敏锐的视觉以及在动态环境中执行与生存相关任务的能力,为发展真正的智力提供了必要的基础。”⑥这就是“基于行为的AI”,它不再把研究重点放在知识表示和推理规则上,而是聚焦于复杂环境下的行为控制问题,将智能的本质理解为“在不可预测的环境中做出适当行为的能力”,⑦这也是具身理论所坚持的立场:认知生成于身体与环境的互动。据此,通过建构能对环境作出适恰应对的行为模块来实现人工智能,使得它具有类似于人类与环境交互的能力,所形成的是环境与行为之间的映射和反馈关系,所模拟的主要是小脑(甚至脊髓)支配运动的功能。

  行为主义既是一种哲学认识论,也是认知心理学的一个重要流派,后者早在20世纪初就已产生,但它作为人工智能中的新学派于20世纪末才出现,其标志性口号是“用世界本身代替世界的模型”,⑧其人工物标志是布鲁克斯(Rodney Brooks)研制的新一代“控制论动物”的六足行走机器人:一个模拟昆虫行为的控制系统,目前则以正在开发的自动(无人)驾驶为典型代表。

  可以说,以上基于不同算法的人工智能表达和主张了不同的认知观,它不仅论证或支持了某种认识论,也体现了一种反向制约:持何种认识论或认知观,决定着设计出何种范式的人工智能;从而人工智能要获得新的突破,也有待于认识论的整合与突破。同时,不同范式人工智能已经实现和尚未实现的目标,又可以进一步对我们反过来评价既有的认识论理论提供可验证的根据。某种人工智能的长处和不足,在何处成功以及何处陷入困境,可追溯到其认识论立场的长处或不足,从而可以帮助我们反思相关认识论的有效性范围或有限性程度,并为不同认识论之间的互补协同提供启示。在这个意义上,人工智能是认识论展现的新平台或新用武之地,也是认识论理论的校验场,抑或是在人工载体上运行的各种被模拟的人类认知及其能力。因此人工智能可视为人类智能的某种镜像,具有折射人的认知活动某些机制的功能,从而使人的认知间接地成为可以科学研究的“客观”“外在”对象,认识论研究得以在新平台(计算机)上以可以验证的方式展开,因为“计算机被视为一种可以模拟大脑功能的设备,因此也被当作一种方便的工具来测试关于大脑和心理过程的假设。”⑨人工神经网络研究的先驱特伦斯·谢诺夫斯基(Terrence Sejnowski)认为通过研究机器学习这种范式的人工智能,我们可以得到更具说服力的理论来解释大脑中不同的部分是如何联系,了解大脑是如何处理信息的。

  从不同人工智能范式模拟了人的不同认知活动这一关联中,我们还可以进一步在人工智能与人的认知之间区分出“同理关系”“同构关系”和“同行关系”等不同的特征,甚至在基于“情感算法”的情感AI成为可能之后,还会形成“同情关系”或“同感关系”。

  符号AI只模拟和实现了人的计算、推理一类的认知,可称两者之间的这种关系为“同理”关系:人的认知和机器的信息处理具有类似或同样的理性、推理的属性,都遵循同样的计算原则,表现出类似的程序化过程。这种“同理”的另一个寓意,还在于理性主义和符号AI都将人的认知过程“理想化”为单一的符号或概念的推演过程。这也是迄今最强的一种关联性,是人的相关智能(推理和计算智能)被同类人工智能(符号AI)模拟得最彻底的一个侧面,“图灵测试”和“丘奇—图灵论题”是其理论支柱,它所导向的是认知计算主义,是第一代认知科学的智力基础和思想来源。

  联结主义的人工智能范式与人的认知之间主要是“同构”关系:基于深度学习的人工神经网络模型力求与人的神经系统在结构上达到部分的(即同构)仿生意义上的类似,从而类似于通过搭建神经联结来构成一个新的大脑。此时机器的信息处理单元与大脑的神经元相对应,单元之间的连接和权值与神经元的轴突、树突和突触相契合,且两者的构架都按照层级方式得以组织,由此使得其工作机制与人脑的学习功能具有了相似性,从而可以通过技术手段达到机器对人的认知功能的部分模拟。当然,这种“同构”关联性弱于上面的“同理”关系,一是因为人工神经网络作为由硅器组成的电子元件网络,毕竟与人脑由生物神经元组成的网络还具有质的差别;二是因为深度学习算法的工作机制还存在着即使是造就它们的科学家和工程师自己也无法理解的“算法黑箱”:即“用神经网络进行机器学习是有效的,但我们无法详细理解和控制神经网络中的过程”;⑩三是因为机器通过训练习得识别模式或能力的过程与机制跟人习得相应的能力还存在较大的差距,如人的学习就不需要机器学习所需要的那么多的样本;四是因为人的学习是在社会交往中进行的,机器学习则是在彼此没有交互的理想化的“训练”中进行的。当然,随着人工神经网络和人脑之间同构性的增强,可以期待这一视角的关联性将会进一步提高。

  在行为主义的范式阶段,相应的人工智能与人应对环境的行为类型的认知相关联,由于所指向的都是行为或行动,可称两者之间的这种关联为“同行”(tóng xing)关系:智能机器人所执行的算法具有导向和人的智能行为相同的效果,两者此时都可以视为基于“感知—动作”模式的行为控制系统,从而一定意义上两者同为“行动者”(actor)甚至能动自主体(agent)。此外,这种同行水平的关联还具有双关语的意味,即“同行”(tóng xíng)基础上的“同行”(tóng háng)。人和机器人虽不是同类,却由于智能机器可以像人一样行为,因此可以在越来越多的职业和领域中成为同行(tóng hóng)或同事,可以进行和人同样的既能知也能行的活动。当然,目前智能机器和人之间的这种“同行”(tóng xíng)关联性还不强,因为机器人的行为与人的行为之间的差距还很大,例如自动驾驶的随机应变、灵活处理新情况的能力还较低,即可主导灵活行为的认知的可算法化有待提高。在这里,背景、身体、互动等纳入了认知观的内容,从而与以具身认知为代表的第二代认知科学相吻合。

  此外,人的认知中还有情感、意志、直觉、灵感等要素或方面,存在大量基于本能的“凭感觉行事”的现象,这些方面的能力还未能开发出相应的算法(如情感算法、意志算法……),甚至它们能否被算法化都是存疑的,所以至少迄今还未能与某种算法的类型建立起成熟的关联。乐观的看法认为赋予机器情感只是时间问题。如果相应的算法(如“情感算法”)在将来可以开发出来,则将形成的就是人工智能与人的认知之间的“同情”或“同感”、“同意(志)”“同觉”即“同情共感”(sympathy)的关系,这也正是“终极算法”和“超级人工智能”所追求的目标。目前“人工情感”(情感计算、情感智能体)、“人工意志”的研究虽然被评价为并不是真正意义上的情感模拟和意志模拟,但从其字面所表达的含义上,至少隐含着建构人与机器之间可以同情共感的期待。

  上述的关联也进一步体现了人工智能及其算法具有认识论上的可阐释性。之所以如此,从根本上说,还是在于人工智能及其算法终究是人的认知方法的外推;同时,人工智能算法又不是简单地重复人的认知方法,为了适应机器的特点以及解决新问题的需要,它对既有的认知方法加以了形式化及其他改进甚至创新,这种推进无疑又反过来对理解人的认知活动形成“反哺”或新的启示,使得认识论对于人工智能也产生了内在需求。两相结合,认识论与人工智能之间结成了相互制约、相互需要和相互驱动的内在关系。(11)

转载来源:中国社会科学网

未经允许不得转载:思问哲学网 » 人工智能与认识论的哲学互释:从认知分型到演进逻辑

分享到: 生成海报