人工智能哲学

由此可知，这14篇文章提供了范围广阔的AI哲学述评。它们表明，AI拥有各种迥然不同的方法论，就像数学囊括了各种不同类型的理论一样。由于最早的AI分支(G()FAI)中存在着缺陷，就把AI贬斥为哲学赝品而置之不理，这好像17世纪的哲学家，因为伽利略没有微分方程而无法解释流体动力学的特性，就摈弃他关于“数学是上帝的语言”的见解一样。虽然4个世纪以来的物理学已证明了伽利略的正确性，但是可以肯定，把AI说成是一般性的智能科学，到目前为止只不过是提供了一张期票而已。在评价这一承诺时，我们不仅要相当仔细地考察当前的AI，而且应当记住，科学一般说来不是“纯经验的”。科学可以提供新的观念，使哲学问题新的提问方式成为可能——哪些问题可能在这一过程中发生转化，因为科学进步会引起深层概念更迭(Putnam 1962；Churchland 1979)。支持 Al的人们认为，通过这种方式，AI就能够对心灵哲学和认识论作出贡献。正如丹尼特(Dennett1988)所指出的：“AI尚未揭开任何古老的心灵之谜，但是它为我们提供了规范和拓宽哲学想象力的新方法，至于对这些方法的利用，我们还刚刚开始。

编者附言：第15章是一篇以前未曾发表过的文章，作者A·屈森斯。它是在本书已经付印时编入的。

屈森斯认为，G(FAI不能解释意向性，也不能说明心灵在物理世界中的显现。形式主义AI，以及提出“思维语言”的心理学理论，都涉及到概念之间的(句法)关系，而概念的存在，以及语义特性，又被看作是理所当然的(Fodor1975，1981：“方法论的唯我论”章)。

人工智能哲学

22

为了解释概念的显现，我们需要一个非概念论的心理内容的观念，一个关于这种内容怎样才能出现在(非形式主义的)表述系统之中的说明，和一个关于概念怎样才能逐步由它构造而成的分析。为了解释心灵/世界的区别，或是客观性，我们必须说明，概念表述怎样才能具有像“参照”、“真”和“假”这样的语义特性。

屈森斯根据最近的哲学语义学和形而上学著作，给基于经验的非概念性内容观念下了一个定义（“构造理论内容”，即CTC)，并分析了物理系统具备一个概念是怎么回事。他认为，概念原则上可以由CTC构造，同时保真推理有赖于概念的内部结构，而不是概念之间的句法关系。至于概念会怎样在实践中出现，联结论者研究了视角依赖逐步降低的表述方式的构造〔Marr1982，也可见Hinton“并行系统中的形状表述”，Proc. Seventh IJCAI(1981)，1088—96〕，指出一个心理系统怎样能逐步形成客观性。

导 言

23

1 神经活动内在概念的逻辑演算

W·S·麦卡洛克和W·H·皮茨\*

1. 引言

理论神经生理学建立在某些基本假定上。神经系统是一个神经元网，每个神经元都有一个细胞体和一个轴突。它们的附属部分，或称突触，总是位于…个神经元的轴突和另一个神经元的细胞体之间。神经元任何时刻都有某个阈值，刺激必须超过这个值才能激发起一个冲动。这一过程，除了它出现的这个事实和出现的时间外，都是由神经元而不是由刺激决定的。这个冲动从刺激点传播到神经元的所有部分。沿轴突传播的速度与轴突的直径直接相关，变化范围从在细的(一般也是短的)轴突中小于每秒1米，到在粗的(一般也是长的)轴突中大于每秒150)米。因此，在确定同一来源的冲动到达不同远程点的时间时，用于轴突传导的时间就显得不怎么重要了。占主导地位的是刺激通过突触从一些轴突末梢到达一些细胞体。这一点究竟是取决于个体突触的不可逆性，还是仅仅取决于大量存在的解剖学构形，仍是一个悬而未决的问题。若假定后者，则无需特别的假设，并且能解释许多已知的例外情况，但是任何关于原因的假定都要与进一步的演算相容。

24

已知这种情况是不存在的：在任何一个神经元中，通过单个突触的刺激已经诱发出一个神经冲动，而这个神经元又可能在小于四分之一毫秒的不易察觉的附加期里，再被数目足够多的相邻突触传来的冲动所刺激。在较长的时间段上观察到的冲动时间累加，在单个神经元里是不可能出现的，这实际上取决于神经网的结构特性。冲动到达一个神经元与神经元本身传播的冲动之间，存在着大于半毫秒的突触延迟。在神经冲动的开始阶段，神经元对于任何刺激作用都毫无反应。随后，它的可刺激性迅速恢复，在某些情况下达到正常值以上，再从这点降落到低于正常值，然后慢慢恢复到正常。频繁的活动增加了这种低于正常值的特性。这种神经冲动所拥有的特性，仅仅取决于神经冲动的时间和位置，而与任何别的神经能的特性无关。近来，经过严格论证，只有抑制是与这一理论相抵触的。抑制是神经元的一组活动被第二组并发的或先发生的活动所终止或阻止。这一点直到最近才能根据如下假定获得解释：第二组神经元的预先活动可能会提高中间神经元的阈值，使得它们不再能被第一组神经元所刺激，而第一组的冲动必须加上这些中间神经元的冲动，才能刺激正处于抑制状态的神经元。今天，我们已知某些抑制所耗费的时间小于一毫秒。这就排除了中间神经元而需要突触，冲动通过突触抑制了那个正在被来自别的突触的冲动所刺激的神经元。现有的实验还未表明这一无反应性是相对的还是绝对的。我们假定是后者，并证明对我们的论点来说这个差别是无关紧要的。任何种类的无反应性都可由下列两种方式之一来解释。“抑制性突触”可能是那种产生提高神经元阈值物质的东西；或者它的位置可能使它的刺激所产生的局部扰动抵制另外一些刺激性突触所诱发的变化。鉴于我们已知在电刺激场合时位置也有这种作用，所以在尚未得到证实之前，我们将排除第一种假设，因为第二种假设不包含任何新的假设。这样，我们就在同一总前提下得到两种关于抑制的解释，不同之处仅在于所假定的神经网，以及由此造成的抑制所需的时间。以后我们把这种神经网作为广义等价物来看待。既然我们所说的网的特性在等价条件下是不变的，我们就可以采用演算起来最方便的物理假定。

1 神经活动内在概念的逻辑演算

W.S.麦卡洛克和W·H·皮茨，“神经活动内在概念的逻辑演算”，见W·S·麦卡洛克，《心灵的实现》，麻省理工学院出版社，1965，第19-—39页。麻省理工学院出版社允许重印。

W·S·麦卡洛克(Warren S. McCulloch)，精神病学家和神经生理学家，麻省理工学院电子研究实验室成员。W·H·皮茨(Walter H. Pitts)，麻省理工学院数学系讲师。

25

很多年前，本文作者之一另辟蹊径，就这一论点得出这种设想：任一神经元的响应事实上都等价于提出了一个使神经元受到充分刺激的命题。于是他试图用命题的符号逻辑标记来记录复杂神经网的行为。神经活动的“全或无”规律足以确保任一神经元的活动可以表述为一个命题。神经活动中存在的生理关系当然是与命题中的关系相对应的；表述的功用取决于这些关系与逻辑命题关系的等同性。对任一神经元的每个反应，都存在一个对应的简单命题陈述。而这又意味着，根据当前神经元上的突触构形和该神经元的阈值，或者得出另外某个简单命题，或者得出类似命题的析取或合取，否定形式的，或非否定形式的。两个难点出现了。第一点与助长和消退有关，在这两种变化中先前的活动暂时改变了该网同一部位对后继刺激作用的响应方式。第二点与学习有关，在学习中以前某个时刻并发的活动使网发生了永久性改变，以至于原先不充分的刺激现在充分了。但是对于经历这两种变化的网来说，我们可以代之以假想的等价网，而替代网是由连接形式和阈值都未经改变的神经元组成的。但是有一点必须澄清：我们谁也不认为这个形式上的等价物就是实际的解释。恰恰相反！我们认为助长和消退依赖于阈值的连续变化，它与电变量和化学变量有关，例如后电位和离子浓度；而把学习视为永久性变化，这种改变在入睡、失去知觉、痉挛和昏迷后仍能保持。形式等价物的重要性在于：作为助长、消退和学习的实际基础的变化，决不影响从对神经网活动的形式处理中得出的结论，并且对应命题的关系仍是逻辑命题的关系。

神经系统包含许多环形通路，它们的活动可再现任一参与神经元的刺激，因而使得关于经历时间的参照变得不确定了，不过，它仍表明传人神经活动已经实现了一个属于某种类别的时间上的构形。通过递归函数对这些内在关系作出准确说明，同时确定出那些能够在神经网活动中实现的内在关系，我们就完成了这一理论。

人工智能哲学

26

1. 理论：无环网

我们对演算作如下物理上的假定：

1. 神经元的活动是一个“全或无”的过程。

1. 为了在任何时刻刺激一个神经元，在潜伏的附加期内必须有一定数目的突触受到刺激，而这一数目与这个神经元以前的活动和位置无关。

1. 神经系统内惟一有效的延迟是突触延迟。

1. 任一抑制性突触的活动都完全阻止了那一时刻的神经元的刺激。

1. 网的结构不随时间变化。

为了描述这一理论，最适用的符号系统是R·卡尔纳普(Carnap1938)的语言 II系统，并以B·罗素和 A·N·怀特海(Russell andWhitehead1927)的各种记号，包括有关点的基本惯例，作为补充。但由于印刷上的需要，我们只好使用正的而不是倒的“E”来表示存在算子，用箭头(“→”)而不是马蹄型符表示蕴涵。我们还将使用卡尔纳普的句法记号，但用黑体字型而不用德文字型印刷；我们将引入一个函子S，对于特性P，它的值表现出这种特性：当P获得P的先行值时，它就获得一个数；它由 $ ^ { \ast } S ( P ) ( t ) . \equiv . P ( K x ) . t = x ^ { \ast }$ 定义；自变量的括号经常被省略，在这情况下，就被理解为右边最近的谓项表达式[Pr]。此外我们还把 S(S(Pr))写成 $\mathbb { S } ^ { 2 } P r$ ，等等。

一个已知网 $H ^ { [ 1 ] }$ 的各个神经元可以分别记为“c1”，“c2”，…，$^ { \ast } c _ { n }$ ”。继而，在神经元 $c _ { i }$ 从时间原点起经过一定的突触延迟数后在某一时间激发时，我们将用“N”来表示这个数的特性，并以数字i作为下标。因此 $N _ { i } ( t )$ 就表明 $c _ { i }$ 在t时被激发。 $N _ { i }$ 称为 $c _ { i }$ 的动作。有时我们会把“N”的下标数看作像是属于对象语言一样，并代表一个函子的自变量，所以它可以用数值变量[z]替代并量化；这样我们就能用一个算子来缩写长的但是个数有限的析取和合取。在Pr序列中我们将十分普遍地采用这种习惯用法；可以用一个显而易见的析取定义从形式上使它得到保证。谓项“N”，“N2”，…，构成了句法类别“N”。

1 神经活动内在概念的逻辑演算

[1]此处和以下以字母“H”替代原文中德文字母N的花体字型。——译者

27

我们把H的周围传入神经定义为H的神经元，而H不带有对其产生突触作用的轴突。设 $N _ { ! } , \quad \cdots , \quad N _ { p }$ 表示这种神经元的动作，而$N _ { p + \ldots } , N _ { p + \ldots } , \ldots , N _ { n }$ 表示其余神经元的动作。于是H的解答将是一类 $S _ { i }$ 形式的语句： $N _ { p + 1 } ( z _ { 1 } ) . \equiv . P r _ { i } ( N _ { ! } , N _ { 2 } , \cdots , N _ { p } , z _ { 1 } )$ ，式中 $P r _ { i }$ 不包含除 $z _ { 1 }$ 以外的自由变量，也不包含除自变量[Arg]中的N以外的描述符号，而可能包含某种常量语句[sa]；这样，每个 $\pmb { S } _ { i }$ 就是H的真值。反之，已知 $P r _ { \uparrow } ( ^ { \uparrow } p _ { \uparrow } ^ { \uparrow } , ^ { ~ 1 } p _ { \downarrow } ^ { \uparrow } , ^ { ~ \dots } , ^ { ~ 1 } p _ { p } ^ { \uparrow } , ~ z _ { \uparrow } , ~ s )$ ，其中不包含除了它的Arg中变量以外的自由变量，那么如果存在一个网H和H中的一系列 $N _ { i }$ ，使得 $N _ { \scriptscriptstyle 1 } ( z _ { \scriptscriptstyle 1 } ) \equiv . P r _ { \scriptscriptstyle 1 } ( N _ { \scriptscriptstyle 1 } , N _ { \scriptscriptstyle 2 } , \cdots , z _ { \scriptscriptstyle 1 } , s a _ { \scriptscriptstyle 1 } )$ 是H的真值，式中sa」的形式是N(0)，我们就说它是狭义可实现的。如果对某个n, $S ^ { n } ( P r , \textit { \textbf { \xi } } ) ( p _ { 1 } , \textit { \textbf { \xi } } ^ { \dots } , \ p _ { p } , \ z _ { 1 } , \ \textit { \textbf { \xi } } s )$ 在上述意义下是可实现的，我们就称它是广义可实现的，或简称可实现的。这里 $c _ { \beta }$ 是起实现作用的神经元。有两个神经刺激定律，如果根据一个假定，每一个S不管狭义广义都是可实现的，那么根据另一假定它也是可实现的，不过可能通过不同的网实现，这时我们将说这两个定律是两个等价的假定。

下面有关可实现性的定理都是指广义的。在某些情况下，可以得出较鲜明的有关狭义可实现性的定理；但是这除了增加叙述的复杂性而外，很少有实际价值，因为我们目前的神经生理学知识所确定的刺激规律只是广义等价的，而更精确的定理会因我们采用的可允许的假定而有所不同。然而，不太精确的定理在等价的条件下是不变的，只要对冲动通过整个网的准确时间没有 $\mathcal { F }$ 格要求，所有的意图都能充分得到满足。

人工智能哲学

28

现在可以准确地陈述我们的中心问题了：第一，找到一个获取一组可计算的S的有效方法，该S构成任何已知网的解；第二，用一个有效的方式来表征这类可实现的 $s .$ ，从实质上来说，这些问题是要演算任一网的行为，并且要找出一个按规定方式完成行为的网，如果这种网存在的话。

如果一个网包含一个环，也就是说，如果网上存在着一个神经元的链 $c _ { i } , c _ { i + 1 } , \ldots$ ，链上每一个元通过突触与下一个元相连，首尾都一样，则这个网就被称为循环的。如果有一组这样的神经元 $c _ { 1 } , c _ { 2 } , \ldots$ $c _ { p }$ ，把它从H中移去，剩下的H就变成无环的，并且更小的神经元类别再没有这种特性，那么这组神经元就被称为循环组，并且它的基数是H的阶。我们将要看到，具有重要意义的是，一个网的阶是它行为复杂性的标志。特别是，零阶网具有非常简单的特性，我们首先来讨论它们。

让我们用下面的递归式来定义一个指称时间命题函项(TPF)的时间命题表达式(一个TPE):

1. $\ " p ^ { 1 } [ z _ { 1 } ]$ 是一个TPE，其中 ${ \pmb p } _ { 1 }$ 是谓项变量。

1. 如果 $\pmb { S } _ { 1 }$ 和 $S _ { 2 }$ 是包含相同自由个体变量的TPE，那么 $S \mathbf { S } _ { 1 }$ ， $S _ { \nu }$ $\vee S _ { 2 }$ $s , \ldots s _ { 2 }$ 和 $S _ { i } \ldots - S _ { 2 }$ 也是如此。

1. 除 $\vec { \textbf { J } }$ (1)(2)外都不是 $\mathrm { T P E }$ o

定理I

每一个零阶网都能用时间命题表达式来求解。

设 $c _ { i }$ 是 $\pmb { H }$ 中國值 $\theta _ { i } > 0$ 的任一神经元，并设 $c _ { i 1 }$ ， $c _ { i 2 }$ $\cdots$ $c _ { i p }$ 上分别具有刺激性突触 $n _ { i 1 } , n _ { i 2 } , \cdots , n _ { i p }$ 。设 $c _ { j 1 }$ ， $c _ { j 2 }$ ，…， $c _ { j q }$ 上有抑制性突触。设 $k _ { i }$ 是一组子类 $\{ n _ { i 1 } , n _ { i 2 } , \cdots , n _ { i p } \}$ ，它们的各元之和

1 神经活动内在概念的逻辑演算

29

超过θ。于是据上述假定，我们就能得到

$$
N _ { i } ( z _ { 1 } ) _ { \cdot } = . S \left\{ \prod _ { m = 1 } ^ { q } \sim N _ { j m } ( z _ { 1 } ) . \sum _ { \alpha \varepsilon k i } \quad \prod _ { \delta \varepsilon \alpha } N _ { i s } ( z _ { 1 } ) \right\}\tag{1}
$$

$\ " \textdegree$ 和“II”是析取和合取的句法符号，在每一情况下它们都是有限的。因为对于每一个不是周围传入神经的 $c _ { i }$ 都能写出这种形式的表达式，所以用(1)中对应的表达式替换每一个不是周围传入神经的神经元的 $N _ { j m }$ 或 $N _ { i s }$ ，并且对该结果重复这个过程，最后就可以只用周围传入神经N得出 $N _ { i }$ 的表达式，因为H是无环的。此外，这个表达式是一个TPE，因为(1)显然是TPE；同时从定义可直接得出，用TPE替换TPE中的一个成分 $p ( z )$ 得到的也是一个TPE。

定理Ⅱ

每一个TPE都可用一个零阶网实现。

函子S显然可以用析取、合取和否定进行交换。显然，以任一狭义可实现的 $S _ { i }$ 替换一个可实现的表达式 $\pmb { S } _ { 1 }$ 中的 $p ( z )$ ，其结果本身也是狭义可实现的；构造这种起实现作用的网的方法，是用那些在 $S _ { i }$ 的网中起实现作用的神经元替代 $\pmb { S } _ { 1 }$ 的网中的周围传入神经。如果 $s _ { \ z }$ 能够在狭义上得以实现，一个神经元网则在狭义上实现了 $p _ { 1 } ( z _ { 1 } )$ ，图1a示出一个网在狭义上实现了 $S p _ { 1 } ( z _ { 1 } )$ ，并且因而 $\pmb { S } _ { 2 }$ 也是狭义可实现的。如果 ${ \pmb S } _ { 2 }$ 和 $s _ { \scriptscriptstyle 3 }$ 是可实现的，那么对适当的m和n， $S ^ { m } S _ { 2 }$ 和 $\pmb { S } ^ { n } \pmb { S } _ { 3 }$ 也是狭义可实现的。从而可以推及 $S ^ { m + n } S _ { 2 }$ 和 $S ^ { m + n } S _ { 3 }$ 。现在图1b，c和d中的网分别在狭义上实现了 $S ( p _ { 1 } ( z _ { 1 } ) \vee p _ { 2 } ( z _ { 1 } ) )$ $S ( p _ { 1 } ( z _ { 1 } ) . p _ { 2 } ( z _ { 1 } ) )$ 和S$( p _ { ! } ( z _ { ! } ) _ { \cdot } \sim p _ { : } ( z _ { ! } ) )$ ，从而 $S ^ { m + n + 1 } \left( S , \vee S _ { 2 } \right)$ $S ^ { m + n + 1 } \left( S _ { 1 } , S _ { 2 } \right)$ 和 $S ^ { m + n + 1 }$ $( S _ { 1 } . \sim S _ { 2 } )$ 也是狭义可实现的。所以如果 $\pmb { S } _ { 1 }$ 和 $\pmb { S } _ { 2 }$ 是可实现的，那么 $s _ { \mathrm { { r } } }$ $\vee S _ { ? } S _ { ! } . S _ { ? } S _ { ! } . - S _ { : }$ 就是可实现的。经过完全归纳，所有TPE都是可实现的。由此可见，所有的网都能看作是由图1a，b，c，d这样的基础单元组合而成的，正像时间命题表达式是由进动、析取、合取，再联合否定的运算所产生的一样。特别是，在对一个网的状态，或对它的所有神经元的动作的真假值分布作出任何描述的情况下，除非这些值都是假的，总可以构成单个神经元，它的激发是使这描述有效的充要条件。此外，总是存在着一些数目不定的、拓朴结构不同的实现任何TPE的行为。

人工智能哲学

30

定理Ⅲ

设一个复杂语句 $\pmb { S } _ { 1 }$ 是已知的，它通过下列任何命题联系：否定、析取、合取、蕴涵和等价，以任何方式由一些 ${ \pmb p } ( { \pmb z } _ { 1 } \textrm { -- } { \pmb z } { \pmb z } )$ 形式的基本语句组成，这里zz是任何数字，于是 $\pmb { S } _ { 1 }$ 就是一个TPE，并且只有在假定它的成分 ${ \pmb p } ( { \pmb z } _ { 1 } \textrm { -- } { \pmb z } { \pmb z } )$ 全部为假—亦即被假语句所替代时，它才为假，或是它的真值表的最后一行包含一个“假”，或是在只由否定项组成的它的希尔伯特析取的正则形式中，一个项也不存在。

这后三个条件当然是等价的(Hilbert and Ackermann 1938)。我们由归纳看到，第一个条件是必要的，因为当 $p ( z _ { 1 } - z z )$ 被一个假语句替代时， $p ( z _ { 1 } - z z )$ 就变成假的，而当 $\pmb { S } _ { 1 }$ 和 $S _ { 2 }$ 两个成分都为假时， $\pmb { S } _ { 1 }$ $\vee S _ { 2 } , S _ { 1 } . S _ { 2 }$ 和 $s _ { \textsc { i } } . \sim s _ { \textsc { i } }$ 全为假。注意到下述情况，我们就看到最后的一个条件是充分的；当一个析取的成分都是TPE时，它就是TPE，同时任何项 $S _ { 1 } , S _ { 2 } , \cdots S _ { m } , \sim S _ { m + 1 } , \sim . \cdots \sim S _ { n }$ 都能够写成 $( S _ { 1 } , S _ { 2 } , \cdots$ $ { \boldsymbol { S } } _ { m } ) _ { \cdot } \sim ( { \boldsymbol { S } } _ { m + 1 } \vee { \boldsymbol { S } } _ { m + 2 } \vee \dots \vee { \boldsymbol { S } } _ { n } )$ ，它显然是一个TPE。

有一些发生在过去的久远不定的事件，在条件说明中无从得到参考，对于这种情况来说，上述定理事实上就为构造这种要求下的神经网提供了一个十分方便和有效的方法。作为例子，我们可以考虑由瞬间冷引起发热感觉的情况。

如果一个冰冷的物体贴近皮肤片刻，然后移走，就会有热的感觉；如果作用的时间更长一些，则只有冷的感觉，而不再有开始时即使是瞬间的热感。我们知道，有一种皮肤感受器能够对热起反应，而另外一种能够对冷起反应。如果我们用 $N _ { 1 }$ 和 $N _ { 2 }$ 分别表示这两种感受器的动作，用 $N _ { 3 }$ 和 ${ \pmb N } _ { 4 }$ 表示那些含有热冷感觉活动的神经元的动作，我们的要求就可写为：

1 神经活动内在概念的逻辑演算

31