人工智能哲学

世界中的行为后果的预见，这种行为后果可能是有意的，也可能是无意的、潜在起作用的。行为的形式表述必须明确地包括所有的有意结果，否则的话，有些结果就无法出现。只有当行为者很有运气，或者非常全面地对潜在起作用的外部情况作出明确预见时，行为的大量无意后果才会完全不起作用。框架问题能否得到解决，原则上取决于是否能以可信的方式对各种各样的行为后果作出足够彻底的明确表述。这个问题如何可能在实践中得到解决(如果能解决的话)，取决于相关的世界知识怎样才能被确认、表述和使用。

在“认知之轮：人工智能框架问题”（第7章)中，D·丹尼特简述了某些用于框架问题的AI方法，他指出，框架问题除了与AI的可行性有联系之外，还具有独立的认识论方面的重要性。哲学家们不承认它是一个问题，因为他们从未认真地提出这样的问题：他们偏爱的认识论原素怎样才能用于构建知识，以及根据知识进行推理。总之，很可能因AI研究的深入探讨而引申出新的哲学问题，以及对老问题的新见解。因为AI研究者在编写程序时无法忽略(尽管他们有时会回避）“怎样”的问题。即使他们像某些哲学家那样，不是以编写程序为目的，而是要为已知的任务域提供(1型)内容分析，他们对未来任何一个程序运转所不可缺少的明确性的重视，也会使他们的抽象分析从中获益。

很多有关框架问题的研究都属于后一种类型，带有抽象的特点，与哲学中的逻辑和认识论十分相近，但是它同心理学的亲缘关系却存在两方面的疑问：第一，它不必刻意模仿心理的真实状况，它的目标不过是为机器人提供一个可使用的、可靠的常识性知识表述方式，与人的头脑里进行的是何种过程无关；第二，常识性知识的内容是否能够公理化，甚至形式化，关于这个问题，在AI内部也存在着某种分歧。

在常识的形式化特性问题上，P·海斯与图灵有着相同的信念，他(与J·麦卡锡一起)首先确认了框架问题。在“朴素物理学宣言”(第8章)中，他(像AI批评家们所评论的那样)认为，对物质世界所作的日常思维，并不需要采用理论物理学——至少在解决相关的信息加工任务时，理论物理学是不适用的。相反，这种思维采用的是“朴素物理学”—我们关于环境的那些未经教授而得的、基本上是无意识的知识。在感觉运动技能(如倒水)和(对动词“倒水”的)语言理解中，就包含着这种知识。朴素物理学的形式化需要对涉及物质、原因、空间和时间的许多概念的分析，海斯〔在这里及后继文章中(Hayes1985)〕提出的概念还有：重量、支撑、速度、高度、内部、外部、相邻、边界、路径、进入、障碍、流体和原因。同样，海斯认为我们在实践上和语言上对社会生活的理解依赖于“朴素物理学”，它不是由从经验上归纳人们如何行动构成的，而是由决定着日常心理能力的基础概念和推理模式构成的。AI如果想要解释智能，或是得到阅读十四行诗的计算机程序，必须首先完成朴素物理学分析和朴素心理学分析。

人工智能哲学

12

这一艰巨任务可以用不同的方式来完成。一是“逻辑主义”的方式，海斯的研究就是最好的例子，其观点是：我们的基本的常识性知识不仅可以形式化(用某种形式语言，如编程语言，表示为形式得当的公式），而且可以公理化。公理表示的是物理世界和社会现实中的普遍真理，从它们出发，经过正确的推导，就会得出像逻辑定理一样可靠的结论。的确，它们也有可能用形式逻辑来表示(例如谓词演算)。逻辑主义AI的研究目标，首先是形成一个有关常识基础的抽象(1型)理论，其次才是编写程序，把这种知识用于机器人学，制定计划或是作语言理解。

多年来，海斯可以把D·麦克德莫特看作是逻辑主义者中的一员，但是最近，麦克德莫特公开放弃了原有主张，在“纯粹理性批判”一文(第9章)中表示了自己的醒悟。麦克德莫特的论述使人想起与知识可形式化特性不同的观点(第13章)，但是他并未改变对可形式化特性的看法，他怀疑的是对知识公理化，而不是对知识编程。

麦克德莫特认为，逻辑主义的致命错误是把演绎和计算混为一谈，因面假定所有思维本质上都是演绎的。包括他本人在内的逻辑主义者，为定义“非单调”逻辑学—这种方法可以通过增加新信息(作为附加前提)而取消演绎结论所作的努力，不能处理日常偶发事件。因为公理化(1型)分析仅限于演绎范围，所以非演绎的AI程序只有借助于非演绎推理的一般理论，才能科学地加以认识，而非演绎推理正是哲学家们寻找已久而未能发现的东西。麦克德莫特承认存在这种可能性：AI的许多研究可能都是没有出路的，“只是因为对哲学家们昔日的失败一无所知，才得以维持”。但是他也希望，AI的概念和技术有助于我们发现传统认识论所没有发现的一般性理论。在此之前，不会出现无所不包的智能科学，我们为非演绎AI程序所做的辩护只可能是：“它有效！”

导 言

13

常识性思维可能给AI带来困难，但它至少是思维，是一种大多数人都认为，在所有事物中最适于建立计算机模型的心理活动。动机和情感则是另一类事物，人们普遍怀疑能够通过计算途径来模拟或解释心灵的这些方面(Dreyfus 1979；Haugeland 1978)。这种怀疑不仅与它们的意识维度有关—因为推理也可以看作是有意识的—而且也与它们的一般本质特征有关。动机(以及其他意动范畴，如意向)是行为的源泉或驱动力，同人格与自我有十分密切的关系，它们怎么能同计算相提并论呢？拿情感来说，它们正好与理性相反，会导致我们以在较为冷静时难以接受的方式去做、去看一些事情。尽管认知能够通过计算方式来认识，情感就肯定不能吗？对计算分析来说，情绪看起来更难对付，事实上，它对我们所有的思维、行动和经验都产生着影响(看来它与在整个身体中扩散的化学物质有关，或是由这些物质引起的)。总而言之，意向和感情可以通过计算方式而变成理论上可理解的，这种看法似乎有点不可思议。

对这种认为非认知现象是不能通过AI方式来认识的信念，一些计算主义者抱有完全不同的看法，他们认为：任何智能系统，如果有一些相互独立、又潜在冲突的目标，并且在复杂快变的环境中行动，那么它就需要一些为动机和情感所固有的内部控制机能。所以只要AI研究者们打算建立智能模型(或充分理解智能)，他们就必须也建立动机和情感模型(认识动机和情感)。这种观点是从设计角度着眼的，因此问题就变成：如果要使某种计算系统成为可能，那么(工程师或是进化过程)必须提供什么样的特征。例如，我在别处论证过，人本心理学家采用的许多理论概念(包括动机、意向、情感、情绪、性格和个人理想)明显表现出控制和组织特征，它们对于多目标系统来说是不可少的(Boden1972，1973)。设计角度的思想方式同样深深地影响着A·斯洛曼关于“动机、机制和情感”的讨论(第10)章)。

人工智能哲学

14

斯洛曼在概述“可能心灵空间”的某些维度时指出，多目标系统从本质上说会导致内部冲突，其解决方式需要特殊类型的控制机制，同时又指出，由干情感与某些这样的机制相关联，所以它并不是心灵的一个特殊的子系统，而是一种无处不在的心灵特征。一个具有多种动机，但时间资源、精力资源和知识资源都有限的自主系统，需要有一些在动机之间进行比较和选择的策略，从而决定要做什么。由于这种决策常常影响到进一步的动机(意向)的产生，所以这种系统的内在特征是递归的。爱好和道德评价代表着进行比较和选择的背景判据，它们能节约计算劳力，因为它们不必在每一决策时刻都重新生成。关乎生存的动机可能需要打断正在进行的活动，方法是即刻强行占用有效资源(工作记忆，肌肉），在未经任何广泛比较或没有任何决策过程的情况卜，自发地采取行动。不同的情感与各种类型的动机控制有关：与恐惧相关的是因觉察到危险而中止行动，与焦虑相关的是追求重要目标时觉察到有成功的可能，等等。

动机，情感和意向是与大脑相关联并且最终在大脑中完成的多层虚拟机器集合的一些方面。斯洛曼指出，他的论述所谈的是(有多重目标而资源有限的)相关类型的计算系统，至于它们是由冯·诺伊曼机还是由并行机来实现，是无所谓的。但是，尽管冯·诺伊曼计算机(图灵机的近似形式)在原则上可以执行任何计算，要在实际时间里起作用，某些计算很可能需要由类型根本不同的方式来实现。毫无疑问，实现动物心理过程的机器(大脑)与计算机有着很大的差别。

导 言

15

联结论就是受到这一事实启发而形成的AI分支(第11—13章)。联结论是一个总的名称，其中包括多种信息处理系统，它们不同的计算特性还远未得到认识(Anderson and Rosenfeld 1988)。它们的共同特征是，通过概念化，它们可以成为由许多简单单元构成的大规模并行处理装置。一个单元的活动受到相邻单元活动的制约，相邻单元通过抑制或激活连接方式与之发生联系，其连接强度可以根据设计和(或)学习而发生变化。单元活动和连接强度可用数字表示，整个系统活动和系统加权值的变化(通常)是由微分方程控制的。

这些单元可以是各种不同类型的：二元的(活动或静止)或连续梯度的(活动程度是变化的)；确定的(其活动完全取决于输入单元的活动)或随机的(有时随意激活)；专用特长的(有效证据只对一个单元产生影响，对其他单元不起作用)或作用重叠的(对部分共享证据作出反应)；可能协调得比较一致，也可能差些。这些计算上的差别，全都可以在大脑中找到例证。然而，尽管从神经系统中得到很多启发，联结论单元——像麦卡洛克和皮茨在理论上所规定的“神经元”——仍然是抽象的理想形式：实际的神经元不仅复杂得多，而且有某些明显不同的特性。

联结论的一个很有影响的例子，是对并行分布式处理所做的“PDP”1研究，其中包括G·欣顿、J·麦克莱兰和D·鲁梅哈特所描述的“分布式表述”（第11章)。在PDP系统中，一个概念不是由存储在某个可确认的存储部位中的个别符号表述的，而是由一个均衡状态表述的，该状态定义在由局部相互作用的单元构成的动态网络上。每个单元对与所涉及概念相关的许多微观特征之一进行编码，单元之间的联结则根据响应特征是相互支持的还是相互抵制的，而表现为激活的或抑制的。在均衡状态下，那些高度活动的单元代表相互支持或至少是相互一致的特征(其他单元则处于静止状态)。任一给定的单元都可以参与表述若干个概念，在不同背景下，“完全相同的概念”可以用局部不同的网络来表述。

人工智能哲学

[1] PDP 即 Parallel distributed processing(并行分布式处理)的缩写。——译者

16

分布式表述的内在特性，使它能够完成某些很难用传统方式编程的计算。模式匹配即为一例，即使新模式与旧模式有某些差异，或者只是旧模式的一部分，匹配也能完成。因此，知觉识别、类比思维和族的相似性分类—对传统AI来说，每一个都是重大的障碍——对PIDP计算来说都不成为问题。PDP系统自然而然地具备了这些能力，不必通过事先规定大量个别规则，专门编程输入这种能力(虽然还得具有表示潜在基本特征的单元)。哲学家曾经引用这些心理能力，以论证不可能规定一组囊括所有这些能力的规则，因而AI不可能对它们作出解释。这种说法其实是把“AI”限定在它最早的形式之中，那时，每个程序符号表述的是某个可确认的概念，而不是“亚符号式”的微观特征。

关于传统AI和联结论AI之间的理论关系，存在着争议，即使是在联结论者内部也是如此。当然，所有联结论系统原则上都可以由冯诺伊曼机来实现。但是若撇开两种AI形式的这种非常抽象的原则上的等价不谈，关于它们在认知科学中的相互关系和用途对比，在看法上是有分歧的。正如A·克拉克在“联结论、语言能力和解释方式”（第12章)一文中所指出的，这些争议涉及两点：每一种方法建立特殊心理能力模型的适宜性，以及联结论性能模型的解释性地位。

就第一点而言，忠实干传统论的人往往认为，语言理解和分步推理所要求的计算形式，并不完全适合于联结论系统。作为联结论者，第11章的作者也同意这一点，他们认为，为了完成这些任务，PDP系统也许不得不模拟冯：诺伊曼机。也就是说，那些能有效完成这些计算的虚拟机是属于传统AI描述得最好的那种，虽然在大脑中这些计算的基本实现方式是联结论式的(参阅 Smolensky1988；Clark 1989)。从这个意义上说，AI的两个分支是互为补充的。

关于第二点，说法各异。例如，常有这种看法：联结论并不涉及心理过程，而是涉及心理过程的神经实现方式。然而，尽管联结论在总的方面是关心生物学上的可实现性的，但是大多数联结论系统所作的并不是神经实现方式的模型，而是抽象定义的信息处理的模型。只有表现特殊神经回路和(或)突触相互作用的计算系统(如第14章中)，才是这个意义上的模型实现方式。

导 言

17

强调这第二点的另一方式是询问联结论模型提供的是何种类型的解释。它们能够体现被玛尔(当作“1型”理论)以及纽厄尔和西蒙(当作“知识层次”理论)提出的那些作为不同心理领域基础的抽象原理吗？或者它们不过是一些在很大程度上难以理解的存在证据，是一些这样的模型，它们通过参照体现在它们之中的均衡和学习的抽象原理(如波尔兹曼方程或反向传播)而获得支持，其功能充其量也只能接受一种2型解释(列出所有联结的加权值)吗？这样的模型或许会有力地增强技术性AI，并且，可以想见，它会有助于产生图灵所设想的智能型计算机性能。但是，它们能为智能科学本身提供有用的解释吗？

克拉克认为：联结论并不局限于2型解释，但也不是建立在1型解释的基础上。联结论系统不能作为例证说明由纽厄尔和西蒙以及由玛尔所建议的、表现为基本公理的、解释性的“上下贯通形式(cascade)”。当然，一个抽象的任务分析，可以用来规定相关的、作为基础的输入和输出，甚至用来(在非学习模型中)配置许多联结加权值。例如，一个作出低级视觉模型的系统，可能具有响应特殊类型2维信息的输入单元，以及计算特殊类型3维信息的输出单元，这种选择完全取决于2维至3维的映射理论。对联结论系统所做的事情来说，语言能力理论甚至可能是一种有用的理想形式，但是它不能解释实际上正在进行的是什么，因为联结论系统既不含有1型理论的显式知识，甚至也不含有1型理论的默认知识。总的来说，在联结论系统所作的信息加工和完成“相同”任务的冯·诺伊曼系统之间，不存在精确的对映。

克拉克指出，联结论涉及传统认知科学的“方法论转换”。在着手作出存在于已知智能形式中的加工过程的模型之前，联结论并不是，也不需要先寻求公理化的任务分析。相反，他们建立的网络只需借助于抽象语言能力作出松散的说明(在“0).5级”上)，他们让该网络学习完成当前的任务，然后他们才发现该网络已开始体现的这些高层原理。模型的解释力度取决于这些原理，而不取决于那组(很可能是难以理解的)联结加权方式。这些高层原理究竟是什么样的，尚不清楚。为了揭示它们，可采用的方法有对网络症状的研究(探求故意对系统造成的变化会产生什么影响)，激活方式的记录(从而确认在特定时间或相继时间里活动的单元)，以及簇分析(它揭示出已知系统中激活模式的层级结构)。例如，作为现实世界活动基础的概念结构，或许可以用这些方法按照发生于其后者必然是其结果(post hoc)的规划来揭示。这与朴素物理学中的逻辑主义策略—编制一个预设的、主要用于此时此地某一特定目的(adhoc)的公理表的做法恰恰相反。

人工智能哲学

18

H·德雷福斯和S·德雷福斯在“造就心灵还是建立大脑模型：人工智能的分歧点”一文(第13章)中承认，对于那些耳熟能详的批评，联结论可以在一定程度上为AI作出辩护。但是他们仍然反对海斯和克拉克的观点，坚持认为，语言和常识不可能为AI所获取(即使是联结论类的也不行）。在捍卫这一立场时，德雷福斯把AI研究同内容广泛的哲学文献联系起来，比较了西方理性主义传统同大陆的现象学和后期维特根斯坦的不同特点。他对AI的怀疑源于这样的观点：人们并不使用关于日常世界的理论，科学也不能表达这样的理论，因为并不存在一组与语境无关的理解原素。我们的知识是熟练的技能，不同于过程规则，表述方式或知识内容，甚至我们关于形式系统的知识也不能不借助干有关怎样延续数学序列或应用逻辑规则的背景直觉。

德雷福斯在概述AI两个分支激烈对抗的历史(但略去了作为这两个分支共同来源的麦卡洛克和皮茨的工作)时谈到神经网络研究的早期成就和暂时沉寂，形式主义AI的初始成功，以及继之而来的、对常识性理解编程时遇到的困难。特别是，传统AI不能获得整体知觉、语境敏感性和对族的相似性及相关性的识别而这每一方面在联结论中都得到了较好的处理。德雷福斯对AI前20年评价是“理性主义传统终于被置于经验检验之下，而它失败了”。德雷福斯认为联结论是对他这一观点的支持：智能并不依赖于关于世界的理论，所以不能在计算系统中通过规则来获取，或作出模型(Dreyfus1979)。

导 言

19

我们或可反对说，联结论研究的也是计算系统，其单元是根据精确规定的过程和规则进行计算的。德雷福斯的回答是：由联结论单元计算出的函数，一般是相当抽象的，以致它们无法直接与可用语言表达的概念或信念发生联系，而且它们甚至常常得不到有关科学家的确认(参阅第12章)。此外，一个单元的活动性和影响并不是由单个指令或规则决定的，而是随其他单元的活动性变化的，这就使得任何试图把联结论单元看作是带有确切语义含义的理论原素的做法，都失却了稳固的基础。同时，联结论“规则”（微分方程)也不同于传统AI所钟爱的那种逻辑主义公理。

但是德雷福斯对智能理论仍然感到失望—即使是建立在联结论信息加工基础之上的理论。他认为，只有大小和回路结构与大脑近乎完全等同的联结论系统才能作出人类智能的模型，这种系统还要具备人类动机、文化追求和血肉躯体。

我们主张，比起AI迄今为止的做法，它应当更仔细地关注大脑，但这并不等于说我们赞同上述观点(AI应当做出整个大脑的模型)。尽管当代联结论发轫于关于“神经活动”的概念，但它却很少借鉴神经科学。(传统AI借鉴得更少，它认为神经实现方式的问题与计算问题不仅有区别，而且全然无关。)在有关低级视觉的AI著作中，有时提出或借用关于视神经解剖学的假设。但是一般说来，当代联结论的目标是确认抽象定义的(理想化的)联想网络的计算特性，而不是作出实际神经元复杂性的模型，或对映实际的神经回路。实际上，我们甚至还不清楚，实际神经元的哪一部分或哪几部分，与联结论模型的单元和联结有着最接近的对应关系(Smolensky1988：§4)。

人工智能哲学

20

神经科学家特别关心实际的神经元和神经解剖学，他们常常利用建立计算模型来揭示，一个已知的(单细胞的或多细胞的)神经解剖学结构，怎样使得大脑能够加工某些特定类型的信息。在神经科学家迄今已经设计出的神经元计算机模型中，有许多都是特别注意未加解释的细胞激活方式，而不是用心理学方式解释的神经活动。然而，尽管处在具有跨学科特点的认知科学中心位置上的神经科学家(还)为数不多，而自认为是在作AI研究的人就更少了，但是他们所作的研究，是总的智能科学中最基础的部分，同时这种研究与AI思想的共同之处也在不断增加（Thorpe and Imbert， 待出版；P. S. Churchland 1986； P. M.Churchland，待出版)。例如，玛尔不仅在作出视觉模型时，而且在作出运动控制模型时，都借鉴了神经科学(他的小脑理论采用了某些近期联结论模型中所用的学习规则的一个较早的版本)。

神经解剖学的详尽知识可能会提出一些计算系统类型，它们不同于传统AI或联结论AI中所研究的系统。P·丘奇兰在“认知神经生物学中的某些简化策略”一文(第14章)中，概述了这样一个例子。它与冯·诺伊曼式的或联结论的构造体系不同，含有按照特定大脑结构作出模型的一些相互联系的神经元层，它的作用不是符号加工或达到平衡，而是进行坐标变换。“状态空间分层结构”这一基本思想出现在论述各种感觉“2维至2维”变换的神经科学著作中。能够定义多维状态空间的、更抽象的“神经矩阵”也已形成，它可用于解释小脑是怎样计算运动协调的(“躯体经验”的一个方面)。

这些思想经丘奇兰精心设计，被推广到其他心理学领域，其中包括对颜色和味道的细微辨别。这里，“辨别”也可以用“经验”来代替。丘奇兰的哲学目标是，证明消除性的唯物主义是可信的，其做法是描述一种神经计算方法，由它说明这一点如何可能实现。（正如他所指出的，有理由认为，这个方法更加适合于计算孤立的感觉辨别和感觉运动协调，而非结构化的语言理解或随意动作。)据消除性的唯物主义的看法，未来的神经科学或许能提供有关我们知觉和思维的信息，从而使我们不再把心理事件(甚至感觉特性)看成与大脑状态有什么不同。为了做到这一点，神经科学家首先必须详细地说明，我们的心理状态怎样才能成为可能。值得注意的是(请塞尔原谅)，关于怎样才能做到这一点，丘奇兰所提的建议，不是借助神经生物化学得出的，而是根据大脑回路得出的，这种回路能够实现特殊类型的信息加工。从AI的观点来看，这正是我们所期待的。

导 言

21