--- 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: 360 range_count: 10 html_url: "https://workshop.closeclaw.top/api/ai/read/7f418071-0fdc-4a5a-a4c5-82dd1979d9c2?start=360&limit=10" markdown_url: "https://workshop.closeclaw.top/api/ai/read/7f418071-0fdc-4a5a-a4c5-82dd1979d9c2.md?start=360&limit=10" previous_url: "https://workshop.closeclaw.top/api/ai/read/7f418071-0fdc-4a5a-a4c5-82dd1979d9c2.md?start=350&limit=10" next_url: "https://workshop.closeclaw.top/api/ai/read/7f418071-0fdc-4a5a-a4c5-82dd1979d9c2.md?start=370&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=360 | PRINTED_PAGE=352 从事理论物理学工作，也需要一些背景技巧，它们也许是不可形式化的，但是该领域本身可以用不参考这些背景技巧的抽象定律来描述。AI研究者们错误地得出结论：常识物理学也必然可以表示为一组抽象原理。然而寻找常识物理学理论的问题恰恰可能是不可解的，因为这是一个没有理论结构的领域。一个孩子在每天玩弄所有类型的液体和固体数年后，有可能直接学会辨别各种固体、液体等等的原型情况，并且学会在典型环境中对它们的典型行为作出典型而熟练的响应。同样的情况也很可能出现在社会现实中。如果背景理解的确是一种技巧，而技巧又是以全体模式而不是以规则为基础的，那么我们就可以预期符号表述方式不能获取人类的常识性理解。 由于走进死胡同，经典的、基于符号的AI显得越来越像Ⅰ·拉卡托斯(Lakatos1978)所说的那种退化中的研究纲领的绝妙例子。正如我们已经看到的那样，AI以纽厄尔和西蒙在兰德的工作兴盛地开始，到60年代后期成为一个蒸蒸日上的研究纲领。明斯基曾预言，“只需一代人的时间，创造‘人工智能’的问题就可以基本解决”（Minsky1977:2)。然后很突然地，这个领域就碰上了未曾料到的困难。把常识阐述成理论，原来比人们设想的困难得多。它并不像明斯基所希望的那样，仅仅是一个为成千上万的事实编写目录的问题。常识知识问题成为被关注的中心。五年后，明斯基的情绪完全改变了。他对一个记者说：“A问题是科学曾从事研究的最困难的问题之一”（Kolata1982：1237)。 理性主义传统终于被置于经验检验之下，而它失败了。为日常的常识世界建立一个形式的原子论理论的思想，以及用符号操作器来表述该理论的思想，恰恰遇到了海德格尔和维特根斯坦已经发现的困难。F·罗森布拉特直觉地感到，使世界形式化，从而形式地说明智能行为，面临着无法逾越的困难，这种直觉已得到证实。他那个受压制的研究纲领(用计算机例示理想化大脑的整体论模型)，从未真正被驳倒，现在又变成一个有生命力的选择。 人工智能哲学 352 ## PDF_PHYSICAL_PAGE_INDEX=361 | PRINTED_PAGE=353 在对AI历史的新闻报道中，一些匿名攻击者把罗森布拉特诬蔑为江湖郎中： 现今的研究者们都记得，罗森布拉特习惯于对他的机器的性能不断作出夸张的说明。一位科学家说，“他梦想成为一个新闻宣传者，实际上是一名游医。根据他的说法，感知机能够做一些十分奇特的事情。也许感知机能这样做，但是从罗森布拉特的工作中，这一点是无法得到证实的”（McCorduck1979：87)。 其实，比起西蒙和明斯基对他们的符号程序的认识来，他对各种类型的感知机的能力和局限性的认识要清楚得多。”现在他的名誉正在恢复。 13 造就心灵还是建立大脑模型：人工智能的分歧点 [1]罗森布拉特《神经动力学原理》一书中某些典型观点的摘录(Rosenblatt1962a)：在学习实验中，典型的做法是向感知机展示一系列模式，这些模式含有要加以辨识的每一类型或类别的典型事例，同时，根据某个供记忆修正用的规则，响应的恰当选择得到“强化”。然后感知机得到一个试验刺激，对这类刺激作出恰当响应的概率被确定……如果试验刺激激活一组感觉元素，而这组元素完全不同于以前呈现的同类刺激所激活的那些元素，那么，这个实验就是一个“纯概括”试验。最简单的感知机……没有纯概括能力，但是可以证明，它在辨别实验中表现得相当不错，特别是当试验刺激与以前经历过的模式之一几乎等同的时候(p68)……迄今为止考虑过的感知机表明，在图形探测能力方面，以及在格式塔组织倾向方面，它们与人类受试者的相似之处很少(p71)……对初等形式序列的识别，完全在组织得当的感知机的能力范围之内，但是图形组织和分割问题产生出许多问题，其严重程度和静态模式感知中的情况一样(p72)……在简单感知中，模式先于“关系”被识别、的确，有些抽象关系，诸如“A在B上方”或“三角形在圆内部”，从未真正得到抽象，而只能借助于详尽无遗的死记硬背的学习过程来获取，在这过程中，保持该关系的每一种情况被逐一地教给感知机(p73)……由少于三层的信号传递单元构成的网络，或是仅由按串行方式联结的线性单元构成的网络，不可能学会辨别各向同性环境中的模式类别(在这种环境中，任何模式都可以出现在所有可能的视网膜位置上，而不产生边界影响)(p575)……在前面的几章中，已经提出了若干在研究之中的模型，它们有可能学习序列程序，将言语分析成音位，还能够通过简单的感觉对象来学习名词和动词的实际“意义”。这些系统代表着迄今为止考虑过的感知机中抽象行为的上限。它们也有缺陷，因为它们缺乏令人满意的“暂时记忆”，没有能力感知简单样式的抽象拓扑关系，并且除了在特殊条件下以外没有能力分离出有意义的图形实体或客体(p577)……从本书提到的种种感知机来看，最有可能实现的应用方面有：特征识别和“阅读机”，对(单词清晰可辨的)言语的识别，以及十分有限的图片识别能力，或是对简单背景下的对象的识别。较宽意义上的“感知”很有可能是我们当前模型的后继者们所能掌握的，但是必须在获取相当大量的基础知识之后，才能制定出一个充分精巧的设计方案，使得感知机在正常环境条件下可与人竞争(p583)。 353 ## PDF_PHYSICAL_PAGE_INDEX=362 | PRINTED_PAGE=354 人工智能哲学 D·鲁梅哈特、G·欣顿和J·麦克莱兰对他的开拓性工作重新表示赞赏： 当时对罗森布拉特的工作争议很大，同时他提出的特定模型也未能达到他所寄予的全部希望。但是他把人类信息加工系统看作动态的、相互作用的、自组织的系统，这种看法却是PDP方法的核心(Rumelhart and McClelland 1986：i.45)。 感知机的研究……清楚地预见到许多对今天有用的结果。明斯基和帕佩尔特对感知机的批评，产生了广泛误解，损害了感知机的信誉，而那本书只是说明了感知机式机构中力量最有限的一类的局限性，对更有力的多层模型则只字未提(1986：ii.535)。 受挫的AI研究者们，厌倦于依附那个被J·莱特温在80年代初描绘成“仅有一根漂浮着的稻草”的研究纲领，纷纷拥向新的范式。鲁梅哈特和麦克莱兰的《并行分布式处理》一书刚问世就售出6()00)册，到现在已经印刷了3万册。正如P·斯莫伦斯基所指出的： 近五年来，有关认知模型的联结论方法已经从只有少数几个忠实信徒的默默无闻的教派成长为一个如此强劲的运动，以致最近几次认知科学学会会议，开始给人以像联结论者在举行鼓动大会的印象(待出版)。 如果多层网络成功地实现了它们的期许，研究者们就不得不放弃笛卡尔、胡塞尔和早期维特根斯坦认为产生智能行为的惟一方式是在心灵中用形式理论来反映世界的信念。更坏的是，人们也许不得不放弃对哲学本源的更为基本的直觉，即认为必定存在着一个有关现实每一方面的理论，也就是说，必定存在着一些元素和原理，借助它们，人们就能对任何领域的智力能力作出说明。神经网络有可能表明，海德格尔、后期维特根斯坦和罗森布拉特认为我们在世界上的智能行为并不需要有关这个世界的理论的想法是正确的。如果理论不是解释智能行为所必要的，我们就只好准备提出这样的问题：在日常领域中，这样的理论解释是否还是可能的。 354 ## PDF_PHYSICAL_PAGE_INDEX=363 | PRINTED_PAGE=355 在符号操作AI的影响下，神经网络模型的建立者们正在尽力而为，一旦他们的网络被训练得能完成一个任务，就试图找出由个别节点和节点组所表述的特征。其结果至今还是可疑的。我们来看看欣顿利用分布式表述建立的概念学习网络(Hinton1986)。在一个人类借助特征实施概念化的领域中，即使没有把人类所用特征给予网络，网络也能被训练得对该领域中的关系进行编码。欣顿得出了一些情况的例子，在这些情况下，对受训网络中某些节点的解释可以达到符合人类分辨特征的程度，尽管这些节点只是大体上符合那些特征。然而大多数节点根本不可能在语义上得到解释。符号表述方式中所用的特征可能出现，也可能不出现。然而在网络中，虽然当某一特征出现在这一领域中时某些节点显得更为活跃，但是总的活动性不仅随着这一特征的出现与否而发生变化，而且也受到其他特征的出现与否的影响。 欣顿选择了一个领域——家庭关系，该领域是由人类严格按照人类通常注意到的那些特征如代别和国籍构成的。然后，欣顿对这样一些事例进行了分析：在这些事例中，从某种随机初始联结强度开始，经过学习，某些节点就可以被解释为代表了这些特征。可是使用欣顿模型的演算表明，甚至在完全没有明显使用这些日常特征的情况下，他的网络似乎也学会了以其联想取代某些随机的初始联结强度。 从十分有限的意义上来看，任何训练有素的多层网络都可以就特征作出解释不是日常的特征，而是那种我们将称为高度抽象特征的东西。我们来看一个简单情况，由一些被正反馈而不是横向或负反馈联结激活的二进制单元组成的多层机。为了由已经学会某些联想的网络 13 造就心灵还是建立大脑模型：人工智能的分歧点 355 ## PDF_PHYSICAL_PAGE_INDEX=364 | PRINTED_PAGE=356 人工智能哲学 来构成这样的说明，输入节点上面一层中的每一节点可以依据与它的联结方式被解释为在对一组特定输入模式中出现的一个模式进行探测。(有些模式将成为训练中使用的模式，有些模式则永远不被使用。)如果要把一个构想的名字(几乎可以肯定我们的词汇表中没有它的名字)给予一个特定节点探测到的一组输入模式，那么这个节点就可以被解释为是在探测以此命名的高度抽象的特征。这样，输入层的上面一层中的每一节点，就能够被刻划成特征探测器。类似地，这些节点上面一层中的每一节点，可以被解释为在探测更高阶的特征，这特征被定义为在第一层次的特征探测器中存在着一组经过详细说明的模式之一。还可循着层级体系向上继续进行。 智能被定义为有关适合于一领域的一组特定的联系的知识，根据一个技能领域中许多高度抽象的特征之间的关系总是可以对智能加以说明，然而这一事实并没有维护理性主义的直觉，即认为这些解释特征必须获取该领域的基本结构，以便能在它们的基础上建立理论。如果再多把一个输入输出对的联系(这里，训练之前的输入所产生的输出，不同干要学习的那个输出)教给网络，至少有些节点的解释就必须改变。所以在最后一个训练的例子之前，由某些节点分辨出的特征原来并不是该领域的不变的结构特征。 人们一旦放弃了经典AI的哲学方法，并接受了神经网络建模的非理论主张，那就留下这样一个问题：能够预期这样的网络获得多少日常智能呢？正如鲁梅哈特已经注意到的，经典AI研究者很快就指出，迄今为止，神经建模者已在按步长进行问题求解方面遇上了困难。联结论者的答复是：他们有信心，他们迟早会解决这个问题。然而这一答复太容易使人想起60年代符号操作者们对于批评他们的程序在模式感知方面的欠缺所作的那种答复了。以前的斗争还在理智主义者与格式塔主义者之间继续着，理智主义者认为，由于他们能够进行语境无关的逻辑活动，所以具备处理日常认知的能力，但是在理解知觉方面有些欠缺，格式塔主义者则有一些关于知觉的初步说明，但不能对日常认知方式作出说明。1用了右大脑和左大脑的比喻，人们可能会认为，大脑或心灵也许会运用每一个适当的策略。这样，就会产生怎样使这些策略结合起来的问题。人们不能只是来回转换，因为据海德格尔和格式塔主义者的看法，在相关性的确定中，甚至在日常逻辑和问题求解中，起关键作用的是有实际价值的背景，而任何领域甚至逻辑方面的专家，都是利用它们在功能上的相似性来掌握运算的。 356 ## PDF_PHYSICAL_PAGE_INDEX=365 | PRINTED_PAGE=357 考虑将这两种方法结合起来还为时过早，因为到目前为止，没有一种方法已经作出了足够的成绩，使它具有坚实的基础。神经网络建模也许只是获得了一个应得的失败机遇，就像符号方法经历过的那样。 当然，我们不应忘记每个研究纲领的奋斗目标有着重大差别。物理符号系统方法之所以会失败，看来是因为关于每一领域都必定有一个理论的假定完全是错误的。然而神经网络建模并不受这一假定或任何别的哲学假定的约束。不过，建立一个与人类大脑进化而成的网络充分相像的相互作用网络，也许过于困难了。的确，十五年来常识知识问题已经成为符号表述技术进步的障碍，但是它也许在昭示着神经网络的来临，尽管研究者们也许并未意识到这一点。所有神经网络建模者都认为，一个网络要具有智能，它必须具备概括能力，就是说，如果充分给出一些与一个特殊输出相联系的输入的例子，它就应当把更多同样类型的输入与同样的输出联系起来。然而这就出现了一个问题：什么算作相同类型呢？对于进行合理概括所需要的类型，网络设计者的思想中有一个专门的定义，如果这个网络对这一类型的其他例子作出了概括，就认为它是成功的。但是当这个网络产生了一个意外的联想系时，我们能说它没有作出概括吗？我们同样有理由说，这个网络一直都在按照当前类型的不同定义进行活动，并且这种不同刚刚被揭示了出来。（在作智能试验时发现的“将这一序列继续下去”的问题，实际上都具有不止一种可能的答案，但是大多数人都意识到什么是简单和合理的，因而是可接受的。） 13 造就心灵还是建立大脑模型：人工智能的分歧点 [1] 最近一个很有影响的关于知觉的说明否定了对心理表述的需要，见吉布森(Gib-son1979)。吉布森和罗森布拉特1955年为美国空军合作了一篇研究论文，见吉布森、奥卢姆和罗森布拉特(Gibson，Olum and Rosenblatt 1955)。 357 ## PDF_PHYSICAL_PAGE_INDEX=366 | PRINTED_PAGE=358 神经网络建模者试图避免这种歧义，而使网络产生“合理的”概括，方法是只考虑一族事先规定为许可的概括，即可以算作可接受概括(前提空间)的许可变换。于是这些建模者们试图为他们的网络设计一种构造体系，使这些网络只用它们存在于前提空间中的方式将输入变换为输出。这样，概括就只能按照设计者的条款进行。要惟一地确认前提空间中的恰当成员，少数几个例子是不够的，然而有了足够的例子之后，就可以用仅有的一个前提说明所有的例子。于是，网络就将学会恰当的概括原理。也就是说，以后的所有输入都将产生出那种在设计者看来是恰当输出的东西。 这里有一个问题，根据这种网络的构造体系，设计者们已经规定了某些可能的概括是决不会被发现的。对玩具问题来说，这一切都无所谓，因为在这些问题中，不存在由什么构成一个合理概括的问题，但是在现实世界的情境中，人类智能基本上在于对语境以恰当方式进行概括。如果设计者把网络限制于预先定义的一类恰当的响应，这个网络就会表现出设计者就这一语境植入其中的智能，而不会使它像真正的人类智能那样具有能适应其他语境的常识。 如果网络和我们一样要具有恰当概括的意识，它也许必须具有和人类大脑一样的尺寸、构造和初始联结构形。如果它要从自己的“经验”学会作出人类式的联系，而不是被教会作出已经由训练者规定好的联系，它就必须也具有和我们一样的关于输出恰当性的意识，而这就意味着它必须具有和我们一样的需求、欲望和情感，而且必须有一个人类式的躯体，该躯体能做恰当的物理运动、具有种种能力，也易受伤害。 如果海德格尔和维特根斯坦是正确的，人类的整体性将比神经网络大得多。智能必须受到有机体中目的和有机体从当前文化中获得的目标的促动。如果分析的最小单元就是与整个文化世界相啮合的整个有机体的最小单元，那么神经网络以及以符号编程的计算机，就还有漫长的道路要走。 人工智能哲学 358 ## PDF_PHYSICAL_PAGE_INDEX=367 | PRINTED_PAGE=359 13 造就心灵还是建立大脑模型：人工智能的分歧点 359 ## PDF_PHYSICAL_PAGE_INDEX=368 | PRINTED_PAGE=360 14 认知神经生物学中的某些简化策略 P·M·丘奇兰\* 1. 引言 这篇文章旨在使哲学家们了解神经科学中近来正在探究的一个引人入胜的理论方法，这是一个关于表述和计算的方法。这个方法之所以引人入胜，理由至少有三。第一，对于脑怎样可能对它所处世界的诸多方面作出表述这一问题，该方法提供了一个极其一般性的答案。我将在本文稍后探究这一答案，将它应用于哲学家们熟悉的例子：存在于人的多种感觉直觉中的各种主观感觉特性的例子。那时我们将看到对常见的感觉特性作纯粹神经生物学简化的概况。然而，这种应用只不过是我想要说明的诸多方面之一。一个重要结果是，形形色色的表述方式，那些在常识看来特点全然不同的例子，其基础原来是完全相同的。因而，这种方法在多样性中发现了统一性。 第二个引人入胜的方面与计算问题有关。这里概述的表述方式，极其适合于功能强大的计算形式，即一种十分适宜于解答多种问题的形式。这些问题中有一个哲学家们不太熟悉的问题：感觉运动协调问题。不论这个问题是多么不为人熟悉，它对认知理论来说却是极其重要的，因为根据当前经验来支配恰当的行为，正是智能的原始起点。既然感觉运动协调是任何动物都必须解决的最基本的问题，那么同时又对表述作出一般性说明的解答手段，当然会引起我们的好奇心。 360 ## PDF_PHYSICAL_PAGE_INDEX=369 | PRINTED_PAGE=361 第三，这种方法的引人入胜之处还表现在：它掌握了脑的微观物理组织的奥秘，并解答了它的特定组织如何实现整个脑所表现出的表述活动和计算活动的问题。同时，这种方法也获得经验的支持，因为至少有两种重要方式，对被提出的表述和计算实现了物理上的抽象处理，其中每一种都与在整个经验的脑中表现得十分突出的实际神经结构具有易使人产生联想的相似性：大脑皮质的分层组织和小脑皮质的稠密正交基质(matrix)。 总的说来，对于用神经科学解释各种常见的认知现象，这种方法构造出一个大胆的简化策略。当然，该策略得当与否，在心灵哲学内部仍是一个争论激烈的问题。历史地看，这一争论已经平息下来，这是由于在神经生物学中缺乏完全令人信服的一般性理论，即实际上有可能对某一常见类别的认知现象作出神经生物学简化的理论。如果在其他学科的文献中确实存在着这样的理论，至少作者没有设法使其参与哲学争论。在缺乏相关理论的情况下，反对简化论的论据得以被提出，并确实一再被提出，这时只要举出我们认知活动的某些方面，并提出这种修辞学上的问题：“究竟怎样才能通过可能对神经元基本要素作出的任何陈述，来说明‘这’，甚或为‘这’编址？” 这种修辞学的问题不公正地利用了我们想象力的软弱性，因为即使对这种现象作远非恰当的回答，也没有理由指望我们能按要求把它构想出来。但是凑巧的是，一些潜在恰当的回答确实出现在近期认知心理学和认知神经生物学的研究中。我相信，它们的存在必然很快把我们的注意力从简化是否可能这一抽象问题，转移到一个具体问题上：在各种可供选择的神经生物学理论中，哪一个真正给出了正确的简化，同时也转移到它对人类整个自我概念的长远影响上。 14 认知神经生物学中的某些简化策略 P·M·丘奇兰所著“认知神经生物学中的某些简化策略”来自《心灵》（Mind)XCV，no.379，1986年7月：279—309。牛津大学出版社允许重印，并作了几处修改。 P·M·丘奇兰(Paul M. Churchland)，加利福尼亚大学(圣迭戈)认知科学系哲学教授。 361 下一段：[继续读取](https://workshop.closeclaw.top/api/ai/read/7f418071-0fdc-4a5a-a4c5-82dd1979d9c2.md?start=370&limit=10)