--- schema_version: "library-reader-v1" source_type: "original_book" title: "人工智能哲学" author: null edition: null publisher: null year: null isbn: "7532740544" library_document_id: "7f418071-0fdc-4a5a-a4c5-82dd1979d9c2" source_sha256: "1a81e5f3981b3c472c59c41e3051e038e997d095f1ab9e963fbb8a043c2cba34" pdf_physical_page_count: 501 pdf_physical_page_index_base: 0 range_start: 330 range_count: 10 html_url: "https://workshop.closeclaw.top/api/ai/read/7f418071-0fdc-4a5a-a4c5-82dd1979d9c2?start=330&limit=10" markdown_url: "https://workshop.closeclaw.top/api/ai/read/7f418071-0fdc-4a5a-a4c5-82dd1979d9c2.md?start=330&limit=10" previous_url: "https://workshop.closeclaw.top/api/ai/read/7f418071-0fdc-4a5a-a4c5-82dd1979d9c2.md?start=320&limit=10" next_url: "https://workshop.closeclaw.top/api/ai/read/7f418071-0fdc-4a5a-a4c5-82dd1979d9c2.md?start=340&limit=10" --- # 人工智能哲学 > 页码规则：PDF_PHYSICAL_PAGE_INDEX 是从 0 开始的权威文件物理页索引；PRINTED_PAGE 是页面中识别出的印刷页码，可能为空，二者不得混用。 ## PDF_PHYSICAL_PAGE_INDEX=330 | PRINTED_PAGE=322 假定就此停步。我们就在增进对本文-音位转换现象的理解的方式方面得到了一个有用的玩具，但是是一个很小的玩具。当然，联结论者并不就此停步，他们现在必须做的工作是，从大有发展前途的层次-3的实现方式回到对这一任务的较高层次的理解上。这就是玛尔透镜。这一较高层次的理解怎样获得呢？ 可使用的策略是各种各样的，将来还会发现更多。这里我只说三种。第一，简明的、非微观层次的观察。给出一个特定的输人，联结论者就可以看到(隐蔽单元中)所产生的单元活动模式。(网络在一台能记录这种活动的常规计算机上被模拟时，情况总是这样的。)正如塞诺斯基所指出的，这样就提供了神经科学家不得不费力去搜集的那种数据。因为在记录单一细胞的活动方面，神经科学具有精良的技术。但是在记录分布于大量细胞上的同步活动的模式方面，它并不处于有利的地位。（也见待出版的Churchland 1989。)第二，网络病理学。故意损坏人的大脑，以帮助我们弄清细胞的次级组合体在各种不同任务中所起的作用，显然是违反道德标准的，然而损坏人工神经网络，看起来要容易接受得多。最后，也许是最重要的，联结论者能够向我们描绘系统是以何种方式学会对试图要对付的认知空间进行划分的。这种描绘是由所谓“分层簇分析”完成的，在我看来，正是这一描绘为高层次的、语言能力理论的理解提供了最接近于联结论的模拟。 人工智能哲学 322 ## PDF_PHYSICAL_PAGE_INDEX=331 | PRINTED_PAGE=323 “何种表述方式已被编码在网络的隐蔽单元之中？”这就是簇分析要回答的问题。这是一个难题，因为如前所述，表述方式一般具有较为复杂的、不明显的、维度切换的特征。为了弄清簇分析是如何工作的，我们把网络的任务看做是配置隐蔽单元的加权值，其方式是使它能完成一种集合的分割。其目标是使隐蔽单元，当且仅当该输入正好应该得到这一独特的输出时，以独特的方式作出响应。这样，在从文本到音位的转换中，我们希望隐蔽单元在以“the”作为输入时的表现与以“said”作为输入时会有很大不同。但是我们希望它们在以“sail”和“sale”作为输入时的表现是等同的。所以隐蔽单元的任务就是以与当前工作相适应的方式分割一个空间(由这些单元的数目和它们可能的激活水平所确定)。一个非常简单的系统，如丘奇兰提出的岩石/矿藏网络(Churchland1989，待出版)，可能只需把由隐蔽单元所确定的空间分割为两个主要子空间—一个独特的模式用于标明矿藏的输入，一个用于标明岩石的输入。为使文本-音位转换的复杂性保持原样，NET讲话必须把它的隐蔽单元空间划分得更细小(事实上分割得使79种可能的从字母到音位的配对中的每一种有一个独特的模式)。正如罗森堡和塞诺斯基(Rosenberg and Sejnowski 1987)所做的那样，簇分析实际上在隐蔽单元激活的79种独特的稳定模式的这一基本层次之上构造了一个层级分割。把79种模式一一取出，并把它和最接近的相邻者即与它共同之处最多者配对，就构成这一层级体系。这些配对用作下一步分析的建造模块，在下一步中，(原有那对的成员之间的)一个平均激活轮廓图就被计算出来，并和它的最近的相邻者配对，这个相邻者是从通过对原有每对取平均值而生成的二次图形库中取得的。反复进行这一过程，直到生成最后的一对。这就是网络学到的最粗略的隐蔽单元空间划分———在NET讲话的情形中，这一划分其实是对应于元音和辅音之间的划分的。 12 联结论、语言能力和解释方式 323 ## PDF_PHYSICAL_PAGE_INDEX=332 | PRINTED_PAGE=324 这样，簇分析就为可能的隐蔽单元激活的空间形状提供了一种描绘，而隐蔽单元的激活加强了网络的性能。通过对这个空间各个方面(即各种成簇现象)的考虑，理论家可望得到对该系统当前行为的某种深入认识。例如，可能发现这系统原来是对某个一直未被注意到或是被当做不重要的次级规律性高度敏感的。这就如同在我们试图理解认知空间时，为我们提供了对该空间的形状的勾画。这种勾画必须加以解释，而这是一个实际的、有时是困难的任务。但这并不是暗中摸索，因为我们能弄清什么输入同那种构形有联系(即使这是一个由簇分析揭示出的较高层次的构形)。 这样我们就得到了当前每一类别的成员—于是该任务就是寻找用来描述各类别成员资格条件的概念层次上的明白易懂的术语。 我想指出，一个得到充分解释的簇分析构成了最接近于经典语言能力理论的联结论模拟。像语言能力理论一样，它提供了一个比算法层次更高(即更一般)的理解层次。因为在联结论者看来，“算法”说明的内容必须包括(a)网络构形，(b)单元规则和联结强度。但是在这种算法说明和特定的簇分析之间存在着多对一的映射，例如，一个在开始时带有一组不同的随机加权值的网络，经过训练，就会表现出相同的分割轮廓图(因而具有等同的簇分析)，但这样做用的是一组差别很大的个体加权值。然而，簇分析与经典语言能力理论不同，通常它看来不像一组定义在概念层次实体上的状态转变规则。相反，它更像一块认知领地的形状的某种几何图像。那些认为高层次解释必须像一组命题和规则的理论家，可能会感到难以适应这一点。 人工智能哲学 324 ## PDF_PHYSICAL_PAGE_INDEX=333 | PRINTED_PAGE=325 另一方面，一些激进的反命题的理论家(如Churchland1989，待出版)或许会认为，解释后的簇分析给予日常陈述话语的东西太多了。丘奇兰的看法是，正确的理解层次位于联结的加权值层次。他坚持认为，原因在于这些就是系统“真正”知道的一切。系统并没有表述它自己的诸分割。此外，在给定新输入时，两个系统的学习方式可以不同，即使它们在时刻t1的簇分析是等同的。因为联结的加权值(我们已了解到它与簇分析的关系是多对一的)是认知进化中的关键性部分。 然而，这看上去就像常见的高层次解释那种有所得也有所失的情况。有时我们要选择一个分析层次，使之对特定联结的加权值的说明进行分组，而成为由公共簇分析支配的等价类，这时我们自然地以特殊性换取了一般性。正像纯粹的达尔文主义未对隐性特征加以解释，而是强调了存在于一类进化机制中的一般原则一样，簇分析也未对认知发展的某些细节作出解释，而是强调了能使一类网络设法成功地对付给定认知领地的总的感受性。如果联结论准备对认知性能做深入的解释，那么某个像这样的高层次理解看来就是非常重要的。仅仅只对一组联结的加权值作出说明，当然不是一种解释方式，甚至连反命题论者也是这样看。 然而，我想强调的主要论点与对簇分析优缺点的任何看法都不相干。它关系到传统认知科学的方法论转换。不管用什么手段，联结论者是通过对一个学会完成当前任务的网络的反思和修修补补，来获得对一个认知任务的高层次理解的。与受玛尔鼓舞的经典理论家不同，联结论者不是先制定好(句子、符号的)语言能力理论的骨架，然后再赋予它算法的血肉。相反地，它从层次-0.5开始，训练一个网络，然后再尝试掌握已由网络体现出的高层次规则。可以说这给认知科学带来了不可思议的好处，因为该学科一直被特别规定和命题主义的(有关的)弊病困扰着。由于不得不将语言能力理论归结为一组组定义在经典的符号数据结构上的规则，理论家们已经凭空抽取出一些原理，以便使他们的工作条理化。与之不同的是，联结论方法论允许该任务提出自行勾画轮廓的要求，从而，以不受标准符号公式化要求左右的方式提出该空间的形状。于是我们就避免了把我们有意识的命题思想的形式强加于我们无意识加工的模型之上一—这种强加方式一般地说既在实践上是不成功的，也在演化上显得异乎寻常。 12 联结论、语言能力和解释方式 325 ## PDF_PHYSICAL_PAGE_INDEX=334 | PRINTED_PAGE=326 总之，联结论者不得不在没有经典语言能力理论援助的情况下设法做事情，但是它既没有失去高层次解释力量，也没有失去方法论的合理性。相反地，联结论解释的方法论完全做到了避免专门的组织原则，及避免命题、语言的偏颇。还剩下几个重要的、尚未解决的问题，它们与联结论可能提供的提取和表达这种高层次解释的最好方法有关。但是像簇分析、网络症状研究和激活记录这样一些技术业已形成，毫无疑问将会得到充分理解。一旦如此，认知解释中的哥白尼革命就走上坦途了。 6. 结论：瀑布、堤坝和分流 实际的加工(层次-2)模型与传统语言能力理论应有什么样的关系，对这一问题的看法，经典主义者和联结论者看来必然存在着根本分歧。本文在开始时列举了经典主义者对这一关系的看法，以及两种联结论的替代方案。可以方便地把它们描绘如下。 关系一：瀑布 丹尼特把经典主义者的观点说成是一个“成功穿越玛尔三个层次的瀑布”的观点(Dennett1987:227)。一旦经典符号加工构造体系存在，瀑布就会顺畅地流动。语言能力理论的公理或规则是用语言表达的公式，可用来从一个符号推导出另一个符号。这样，各种(层次-2)算法就可以实现这一推导结构。它们可以以显式方式(通过标示出规则)或默认方式(依照规则通过加工显式符号串)来完成。根据这一经典观点，层次-2是对层次-1的简洁的回应。 人工智能哲学 326 ## PDF_PHYSICAL_PAGE_INDEX=335 | PRINTED_PAGE=327 关系二：堤坝 牛顿式联结论拦截住经典的瀑布，其方法是引入层次-1推导规则运作于其上的条目(符号串)与联结论网络“运作于其上的”条目(亚符号)之间的维度切换。层次-1理论可对网络行为的某些(理想化的)方面加以描述。但是网络既不体现推导规则的显式知识或默认知识，也不体现这些规则得以定义的概念层次的结构。 关系三：分流 次等模型表述了一种实际性能取决于两个系统的较复杂的事态。一个是日常在线系统，适用于牛顿式联结论者所描述的那种语言能力理论，即它同某些内蕴行为相匹配，但未体现出经典知识。另一个是附加资源，可利用外部符号来建立，它是对经典机器的模拟。它本身能够体现出语言能力理论中所说明的推导规则和概念层次结构。次等模型提出许多相互作用的(虚拟)构造，使得关于“正确的”认知构造的辩论更加复杂了。 因此联结论者必须以某种方式使自己与经典语言能力模型的细节保持距离。对于在线的联结论加工形式，这种模型不具有恰当的提示作用，虽然它们可能对这种加工的结果(的一个子集合)或另外某个认知资源具有描述作用。但是这种联结论和语言能力理论的错位，引起了一个严重的问题。因为经典主义方法论保证了对于已建立模型的认知现象作出有用而准确的较高层次的理解。联结论者却不同，可能看起来有一些工作系统，但是对这些系统并没有较高层次的理解，所以在一定意义上没有对认知现象作出解释。 12 联结论、语言能力和解释方式 327 ## PDF_PHYSICAL_PAGE_INDEX=336 | PRINTED_PAGE=328 一旦我们打算对认知科学中我们关于解释的思考进行一场哥白尼式革命的时候，上述忧虑就会减轻。在玛尔的影响下，认知科学家们倾向于期望对先于算法编写和贯穿于算法编写的任务作出某种高层次的理解。这正是经典语言能力理论说明致力于完成的工作。然而联结论者成功地反转了这一策略。他们从对任务的最低限度的理解开始，训练网络去完成这个任务，然后用各种原理方法寻求获得有关网络正在做什么和为什么这样做的较高层次的理解。这可能包括仔细记录网络的活动状况，检验网络在受到各种不同形式损害后的行为，和查明网络的隐蔽单元对它们所对付的空间进行划分的方式。这最后一步(文中已提到的簇分析)显然提供了一种较高层次的理解，因为在已知的簇分析与那组能够实现它的联结加权值之间，存在着多对一的关系。联结论者从层次-0.5模型开始，迅速地发展到层次-3实现方式，然后必然返回到详细的较高层次理解。 我想指出的是，这一解释方式的转换，实际上构成了联结论方法超过传统认知科学的一个主要优点。它之所以是优点，是因为它提供了一种方法，可避免以专门方式生成公理和原理。在使某个认知任务条理化时(使我们想起朴素物理学)，联结论者不必根据一组相当任意的符号式的、以语言为基础的公理作出决定，而可以让任务自行组织网络，然后才尝试概括出对它的活动的各种较高层次的描绘。此外，这些描绘可能背离(其方式还需要我们去充分想象)把理论作为一组命题的传统描绘方式。相反，它们可能具有更多的几何或图形的性质，或是以意想不到的、看起来很笨拙的方式使用语言(Churchland1989，待出版)。 最后，我们可以推测：在对待语言能力的态度上，联结论者和经典主义者之所以分化，是有其相当深刻的原因的。这原因就是语言能力模型是一个用命题或逻辑形式表示的传统理论。经典主义者认为思维只是对具有命题或逻辑形式的条目的操作；而联结论者则坚持认为，这只不过是一种表面现象，思维(“深层”思维，而不仅仅是列举命题)取决于对多种十分不同的结构的操作。结果是，经典主义者试图给出一个层次-2加工模型，这模型正是定义在与它的层次-1理论描绘完全相同的各种结构之上。而联结论者则坚持要分解这一结构，并用某种全然不同的东西来替代它。 人工智能哲学 328 ## PDF_PHYSICAL_PAGE_INDEX=337 | PRINTED_PAGE=329 这里出现了一个奇怪的、具有讽刺意味的情况。在人工智能的早期，战斗口号是“计算机不是单调地处理数字，它们是操作符号！”其用意是以表明计算与思维多么相像来鼓舞持怀疑态度的公众。现在轮子转了整整一圈。联结论系统的优点看来就在于“它们不是操作符号，它们是单调地处理数字”。而今天，我们都知道(难道不是吗？)思维不仅仅是符号操作！轮子仍在转动着1]。 12 联结论、语言能力和解释方式 [1]本文的工作是法英哲学和认知科学合作研究项目的一部分。我特别感谢M：戴维斯，他就第4节中语言能力次等模型的思想同我进行了交谈，并提出了建议，我也特别感谢M·博登和T·塞诺斯基，他们对第5节中的内容进行了讨论。 329 ## PDF_PHYSICAL_PAGE_INDEX=338 | PRINTED_PAGE=330 13 造就心灵还是建立大脑模型：人工智能的分歧点 H·L·德雷福斯和S·E·德雷福斯\* 在我看来，最大的可能就是有一天人们会达成这种明确见解：在……神经系统中并不存在与特定思想，或是特定观念，或是记忆相对应的摹本。 L·维特根斯坦(Wittgenstein 1948:i. 504(66e)) 信息并不是存储在什么特定的地方，而是存储在各个地方。与其说信息是“发现的”不如说是“召来的”。 D·鲁梅哈特和D·诺尔曼 (Rumelhart and D. Norman 1981:3) 50)年代初期，当计算机器正在盛行起来的时候，一些前驱思想家们就开始意识到：数字计算机所能做的不仅仅是嘎吱嘎吱地咬嚼数字。那时在可以把计算机看作什么的问题上，出现了两种对立的观点，每一观点都有与之相联系的研究纲领，它们使出浑身解数，以期得到承认。一派把计算机看作操作思想符号的系统；另一派则把计算机看作建立大脑模型的手段。一派试图用计算机来例示对世界的形式表述；另一派则试图用计算机模拟神经元的相互作用。一派把问题求解作为智能的范式，另一派则把学习作为智能的范式。一派利用逻辑学，另一派则利用统计学。在学派上，一个是哲学中理性主义，还原论传统的继承者；另一个则把自己看作理想化的、整体论的神经科学。 330 ## PDF_PHYSICAL_PAGE_INDEX=339 | PRINTED_PAGE=331 前一派的战斗口号是：心灵和数字计算机都是物理符号系统。1955年，A·纽厄尔和H·西蒙在兰德公司工作时，已经得出这样的结论：由数字计算机操作的二进制数字串能代表任何东西—数字当然没有问题，此外还有现实世界中的许多特征。而且可以用程序作规则来表述这些符号之间的关系，使系统能进一步推断出有关所表述物体和它们的关系的事实。正如纽厄尔最近论述有关AI争论历史时所指出的： 数字计算机的工作范围决定了计算机是操作数字的机器。拥护此观点的人认为，重要的事情是每一样东西都可以经编码成为数字，指令也不例外。反之，AI科学家们把计算机看作操作符号的机器。他们认为，重要的是每一样东西都可以经编码成为符号，数字也不例外(Newell 1983:196)。 这种看待计算机的方式成为看待心灵的方式的基础。纽厄尔和西蒙假设道：人类大脑和数字计算机尽管在结构和机制上全然不同，但是在某一抽象层次上具有共同的功能描述。在这一层次上，人类大脑和恰当编程的数字计算机可被看作同一类装置的两个不同的特例，这一装置通过用形式规则操作符号来生成智能行为。纽厄尔和西蒙把他们的观点陈述为一个假设： 13 造就心灵还是建立大脑模型：人工智能的分歧点 H·L.德雷福斯和S·E·德雷福斯所著“造就心灵还是建立大脑模型：人工智能的分歧点”一文引自《人工智能》117，no.1(1988年冬季号)，马萨诸塞州剑桥美国艺术和科学研究院杂志《代达罗斯》允许重印。 S.E·德雷福斯(Stuart E. Dreyfus)加利福尼亚大学(柏克莱)工业工程与运筹学系教授。 H·L·德雷福斯(Hubert L. Dreyfus)加利福尼亚大学(柏克莱)哲学教授。 331 下一段：[继续读取](https://workshop.closeclaw.top/api/ai/read/7f418071-0fdc-4a5a-a4c5-82dd1979d9c2.md?start=340&limit=10)