她脑海中的生成模型，她可以从中生成(即想象)许多不同的蜂巢建筑图纸。在AI中，这种生成模型首先是基于它在数据中识别的模式创建的，然后用于预测该模型的概率，例如产生它所训练的数据的新变体。在VicariousRNC的情况下，它的归纳偏差使它能够基于少量的训练数据学习字母的轮廓和表面，然后反过来通过生成分割字符来打破captcha(George et al.2017)。这一代可以被理解为一种人工想象，因为以这种方式分割字母类似于想象它们在不同形状、方向和位置或没有特定背景或失真的情况下的样子。在这种情况下，想象似乎不仅与创造行为有关，而且与适应不同的情况或嘈杂的环境有关。对于Vicarious来说，为AI配备想象力的最终目标是使其能够将学习转移到一个完全不同的领域。重要的是，这种转移可以被理解为适应性，这个词是AI研究人员用来解释AI如何变得普遍智能和/或更像人类的(Alpaydin 2016:ix, xii, 17,24;Kaplan 2016: 49-50)。
什么劳动?
人类和动物之间的差异并不像马克思所认为的那样明显，人类和机器之间的区别正变得越来越模糊，机器学习系统变得越来越复杂。然而，这些动物和机器生产或看似富有想象力、创造性和适应性的行为的例子，是否真的挑战了马克思关于劳动是人类独有特征的假设?提出马克思关于劳动和价值创造的人类学概念化是无效的，指出他所说的人类独有的东西也存在于更广泛的动物王国中，正如劳伦斯·王尔德所说，只不过是一种修辞策略，即科学来源被用来“模糊生产技术的区别，而没有真正掌握马克思的论点”(2000:44)。将最复杂的深度学习系统的狭隘能力和特殊功能与劳动等同起来也是错误的。虽然马克思的人类中心主义必须受到挑战，但仅仅列出一系列行为或生产活动并不能推翻他的论点。只要AI系统只能执行一项甚至几项
124
inhuman power