人工智能哲学

它最初被认为是对较低层次的以DNA为基础的遗传(即遗传机制的硬件实现方式)细节作出了简洁说明。正如丹尼特指出的，孟德尔基因被看作是对“以DNA块的方式直接实现的遗传语言”的说明(Dennett1988b:385)。这相当于我们在谈到认知科学(语言能力理论)的某一抽象理论层次与实际加工策略之间关系的经典主义看法时将要用到的术语。但是事实上按照丹尼特的说法：

在“豆袋遗传学”的语言与分子细节及发展细节之间，有着理论上的重大悬殊，这些悬殊严重到足以表明，在考虑到所有事物的情况下，根本不出现（按照经典式理解的）基因（Dennett1988b:385)。

这看起来像是(丹尼特也认为是)在模拟经典语言能力理论的结构体中命定的联结论观点。

即便当前的观点如此，也有可能在孟德尔遗传学层次之下还存在着某个更深层的物理实现方式(上帝知道这两者之间有什么，如前所述)，这样就完成了我们沿着解释的一般性阶梯的下行过程。我们从一般性的达尔文理论定义的一个由各种具体机制组成的大而多变的等价类的最高层次(层次-1)开始。我们下降到对一个由多机制子类的更详尽的说明(孟德尔理论)，然后又以这种或那种方式到达DNA中那些机制的实施细节。其结果类似于一个三角形，它建立在地球动物遗传的真实细节之上，而这些遗传细节来自宽广得多的、支配着全部可能领域的集合的解释原理(见图12-1)。

根据玛尔，乔姆斯基，以及纽厄尔和西蒙，还有其他人建立的概念，认知科学中的解释方式也有一个类似的多层结构。对已知类，或任务类(如视觉、语法分析等等)，存在着一个以“计算的是什么和为什么计算的抽象概括”为内容的最高层次的描述，一个对执行计算的特殊算法的较低层次的说明，以及一个(更低层次的)关于算法怎样由物理硬件来实现的解释。玛尔以富里埃分析为例，对这一点作了具体说明。在最高层次上我们有着关于富里埃分析的一般概念，它可以通过几种不同的算法来实现。同时每一算法又可由许多不同种类的硬件组织形式来完成(见 Marr 1977:129)。

人工智能哲学

302

在最高层次(玛尔称之为层次-1)的“正式”解释与给出“层次-1”理论的实际做法之间有着显著的差距。因为虽然正式路线是层次-1解释只对计算的是什么和为什么计算作出的说明，但是这一说明可以逐步改进，定义一个信息含量更高(即限制性更强)的等价类。层次-1理论的更精致的形式(它还达不到完整的算法解释程度)，已由C·皮科克以“层次-1.5”为题作了有说服力的辩护(见Peacoke1986)。

皮科克强调的对照存在于两个等价类之间，一个是通过定义外延式函数(即由函数的结果，也就是玛尔所说的“是什么”)生成的等价类，一个是限制性更强的(信息含量更高的)、通过说明用于一种算法的信息体而生成的等价类。因此，我们改写一下皮科克自己的一个例子，假定计算目标是，根据视网膜上的尺寸R，计算深度D和实际尺寸P。此外假定这一计算是在D、P和R值的一个限定范围中进行的。函数的外延式说明仅仅告诉我们，一旦给定某个D和P作为系统的输入，它就会产生某个确定的R作为输出。完成该任务的方法之一(我这里改写一下M·戴维斯所用的技巧(见Davies即将出版的著作，以及下文第2节))，是对应于D、P值的每一组合，存储一组合法的R值—一个简单的查寻表。第二种方法是根据方程P=D×R来处理数据。我们说系统利用P=D×R这一信息时，正如皮科克所认为的，我们所做的要多于函数的外延式说明。因为查寻表并不利用这一信息，但依然属于由函数的外延式说明所生成的等价类。然而我们所做的又少于对一个特殊算法的说明，因为计算该方程的方法有许多种(例如采用不同算法做乘法)。

12 联结论、语言能力和解释方式

303

在本文以下部分中，当谈到语言能力理论时，我想到的就是这一点儿分析(即皮科克所说的层次-1.5)。这看来至少与乔姆斯基的做法是一致的，他造了“语言能力理论”这一术语，用来说明他本人对语言知识结构所作的有特色的研究的深度。它很可能与玛尔在“层次-1”的实际做法相一致，虽然与正式的规定不一致。

乔姆斯基的语言能力理论远远超出了对函数的外延式说明。它其实是在寻找对“什么构成了关于语言的知识”这一问题(在从大脑物理机制和从特定算法得出的抽象层次上)的回答。这种做法是在寻找一个“为可被掌握的人类语言所共有的原理和元素的框架”（Chomsky1986：3)。同时(根据其最新的说法)把这一框架刻划成一个很独特的“与某些变动参数相联系的原理系统和一个带有它自己的若干分量的标记系统”(Chomsky1986:221)。就本文的目的而言，重要的不是乔姆斯基实际提出了什么原理和参数。我们倒是只应该注意，如果一个语言能力理论与乔姆斯基模型一样地确定和有结构(毕竟他是这样说的!)，那么它就更像层次-1.5分析，而不是像简单的层次-1解释。因为它在某一抽象层次上描述了一种加工形式的结构(通过对加工所利用的信息作出说明），所以它有助于“指导对机制的寻找”（Chomsky1986：221)。简言之，这更像孟德尔的遗传学，而不是像一般的达尔文学说。它不仅仅是对一类结果的描述，而且还是对以我们作为其成员的一类机制的加工结构的提示。语言能力理论(至少如我们目前对它们所了解的)是否真正对人类加工的形式具有提示作用，正是本文的主题。

人工智能哲学

304

1. 经典的上下贯通形式

这样，语言能力理论就扮演着双重角色。它既说明了要计算的函数，同时又说明了某类算法所用的知识体或信息体。在经典认知科学中，这两种职能很容易同时得到履行。因为语言能力理论只是在符号数据结构上定义的一组联合起来的规则和原理。既然经典认知科学有赖于符号加工的构造体系，自然就要(在层次-2上)直接表述数据结构(如句子的结构描述)，然后借助(在语言能力理论中)被定义规则和原理的显式的或默认的表述形式完成加工过程，以便在那些结构上运作。这样，由词干加词尾组成的变形动词的结构描述一经给出，经典主义者就可以进而定义层次-2的计算过程，即用词于加上-ed构成过去时(或任何别的时态)。于是经典主义者(借助于使用符号加工构造体系，实现层次-2算法)得到了惟一恰当的位置，使得在语言能力理论与它的层次-2实现过程之间保持一种十分密切的关系。的确，人们会产生这种看法：这种密切的关系似乎就是经典方法中的构成性。于是丹尼特就把经典主义者的梦想看成包含着“一个成功穿越玛尔三个层次的上下贯通形式”(Cascade)(Dennett1987:227)。在我看来，经典主义者的基本看法的这种特征，正好符合福多尔和佩里舒最近就经典/联结论划分所作的说明。

福多尔和佩里舒认为，在建立认知模型的真正联结论方法与经典方法之间有两个基本区别。(这里“真正的联结论”把那些用单元和联结的子结构来完成经典理论的情况排除在外。)这些区别是：

1.“经典理论假定了—而联结论理论没有假定一种思维语言’。”

这就是说，经典理论假定了具有一定形式的心理表述方式(数据结构)。这种表述方式具有句法结构，即它们是系统地构成的，方法是把原子成分结合成分子组合体，然后再(在复杂情况下)构成整个数据结构。简单说，它们假定了句法和语义相结合的符号系统。

12 联结论、语言能力和解释方式

305

2.“在经典模型中，心理状态转换所依据的原理，或一个输入在选择相应输出时所依据的原理，是根据心理表述方式的结构特性来定义的。因为经典的心理表述方式具有组合式结构，所以就可以参照它们的形式将经典心理运作施于它们。”（引自Fodor and Pylyshyn 1988：12—13)

这就是说，如果已知你有某种(语言式的)有效的结构表述方式(如第1点所要求的)，就可以在这些表述方式上定义计算运作，这样，这些运作所敏感的正是这一结构。如果这结构不存在(即如果没有符号表述)，你就无法做到这一点！（虽然你有可能通过确定一个恰当的外延式函数使得看起来似乎做到了这一点。)

总之，经典系统是这样一个系统，它假定了具有句法结构的符号表述方式，同时它又利用这种表述方式的结构定义了适用于它们的计算运作方式。

在任何这类情况下，计算运作方式都可以通过在句法结构表述方式之上定义的转变或推导规则加以描述。例如：

如果(A和B)那么(A)

如果(A和B)那么(B)

如果(词干+词尾)那么(词干十-ed)

括号中的条目是结构描述，它们将选出一些经典表述的无界类。“如果-那么”是对运作方式的说明。但应注意，在遇到行为术语时，经典主义者并不采用显式表述“如果-那么”条款的系统。需要外显的只是运作所依据的结构描述。因此，机器可以成为硬连线的，以便采用(A和B)形式的表达式，并把它们转换为表达式(A)和(B)。这样，推导规则就可能是隐含的，即默认的；但是数据结构必须是显式的。在这一问题上，福多尔和佩里舒正确地坚持道：

人工智能哲学

306

经典计算机相对于它们的程序而言可以是规则隐含的……在经典计算机中，确实需要外显的，不是它的程序，而是写在磁带上(或是存储在寄存器上)的符号。然而，它们所对应的不是机器的状态转变规则，而是它的数据结构(Fodor and Pylyshyn 1988:61)。

作为例子，他们指出，由语言学理论所假定的语法，在经典计算机中无需显式表述。但是语法据以定义(例如通过动词词干和子从句等)的句子的结构描述必须显式表述。因此从语言学的语言能力理论到层次-2加工过程陈述，一个成功的“经典上下贯通形式”能够容许将语法规则装入计算机中。这样就表明了，企图仅仅用规则是否是显式的作为刻划经典主义/联结论差别的根据，是错误的。

然而，目前存在的危险是，我们忽略了(经典主义者)怎样把语言能力理论(或推导规则和数据结构的集合)说成是与层次-2实现过程有着密切关系的。因为我们说过(见上第1节)，如果已知比如说像 $\mathbf { \nabla } ^ { \ast } \mathbf { P } = \mathrm { D }$ $\times \mathbf { R } ^ { \mathbf { \nu } }$ 这样的简单语言能力理论，就不会再去建立一个只存储着某个有限论域的所有P、D和R的合法值的系统。然而这样的系统肯定有P、D和R的显式表述方式。所以如果没有，必然是由于它连推导规则“P${ \bf \Lambda } = { \bf D } \times { \bf R ^ { \ n } }$ 的默认知识也没有。于是问题就成为，我们怎样找到产生这一差异的原因？建立在像规则 $\mathbf { \hat { P } } { = } \mathbf { D } \times \mathbf { R } ^ { * }$ 那样的默认知识属性上的约束情况，是不需要显式表述的，但是又是哪些约束排除了作为那个规则的默认知识例子的查寻表了呢？当我们准备问(第3和第4节)联结论系统是否具有关于经典规则的默认知识时，这个回答将是十分重要的。

M·戴维斯(根据E·埃文斯提供的信息)提出了如下意见：“要使一个说话者具有关干特定联合式理论的默认知识，说话者内部必须有一个反映这一理论中的推导结构的因果解释结构”（Davies，待出版：4)。按戴维斯的意思，“理论中的推导结构”是指转变规则(如 $\mathbf { P } { = } \mathbf { D } \times \mathbf { R } )$ o那么，体现出一个“反映”这种推导结构的“因果解释结构”是怎么回事呢？根据戴维斯的看法，只是在更高层次上在每一个被认为是包含推导规则的例子所做的加工过程陈述中具有一个因果公因子(戴维斯的用语)。这样，对于查寻表的情形来说，在加工各种P、D和R值的所有例子中，不必存在任何因果公因子。反之，如果整个加工路线都经历的因果公因子是存在的，那么(在一些无关紧要的附带条件下，见Davies待出版，和 Davies 1987)完全可以说系统具有该规则的默认知识。如戴维斯所指出的，这一结果正好与我们的认知神经心理学的直觉相符合。因为系统若满足如此解释的默认知识的约束，自然有可能造成这样一种破坏：因果公因子的损害将使得解决整个一类问题(例如说明P、D和R的问题)的能力完全丧失。另一方面，那些不能满足这种约束的系统，自然可能造成较少的系统损失(例如，查寻系统可能丧失关于P、D和R的某些合法组合的知识，但却保留了关于其他组合的知识)。类似看法也适用于过去时生成的情形。具有关于“取出词干，加上-ed”这一规则的默认知识的系统可能丧失所有形成规则过去时的能力。通过查寻完成这一任务的系统，则不会出现这种情况。

12 联结论、语言能力和解释方式

307

戴维斯的解释(将遁词虚拟“因果”公因子标准化，见下文第3节)看来是令人信服的。将其加以归纳，我们就最后得出任何真正的经典认知模型都具有的下列特征：

(根据对语言能力理论的态度定义的经典主义。)

一个认知模型，如果它的加工层次描述与一个标准语言能力理论的结构有着某种相当密切的关系，那么它就是经典的。一个标准的语言能力理论假定了一组推导规则或原理，经定义，可按照它们的形式将它们应用于一类结构式的符号表述方式。根据要求，密切关系包括(1)在加工层次描述中，对定义规则所依据的结构表述方式的显式表述，以及(2)对那些规则和原理本身的显式或默认的表述。一个规则或原理只有在这种条件下才被判定是以默认形式表述的：在加工层次的描述中存在着一个因果公因子，无论该规则或原理在语言能力层次的转变说明中是否被援引，该因子都是在起作用。

这就是“经典上下贯通形式”的内容通过玛尔解释层次时所呈现的复杂曲折的细节(我对此表示抱歉)。联结论像水坝一样阻拦了这个“瀑布”[1]。它是怎样做到这一点的，又会产生什么样的渠道，这是我们在下文中要讨论的内容。

人工智能哲学

308

1. 牛顿式语言能力

对于结构式语言能力理论与层次-2加工过程陈述之间的关系，联结论的看法与第2节中设想的那种简洁的“上下贯通形式”是根本不同的。层次-2陈述不是被看作为对语言能力理论的推导形式的反映，而是被看作与它的一种关系，有点像牛顿力学与量子物理学之间的那种关系。物理宇宙实际上并不是牛顿的，但是在某些可说明的条件下，它的表现非常像是牛顿的。这样，在一定的事例范围内，牛顿原理就可以描述和预见物理系统的行为。但是在某种直觉的、然而有点难以捉摸的意义上，那些原理并没有描述决定着物理行为的实际作用力。鲁梅哈特和麦克莱兰十分欣赏这个类比，他们写道：

或许可以认为，常规的符号加工模型是宏观的说明，类似于牛顿力学，而我们的模型提供了更为微观的说明，类似于量子理论。由于对牛顿力学与量子论间关系的透彻理解，我们就能理解，宏观的描述层次可能只是对更加微观的理论的近似(Rumelhart and Mc-Clelland 1986a: i. 125)。

为了说明这一点，我们来看一看P·斯莫伦斯基提供的一个简单的例子。设想要建立模型的认知任务包含定性地回答与特定电路的行为有关的问题。（对单个电路作出限制，可能会把经典主义者吓一跳，尽管斯莫伦斯基为它辩护，根据是，少量的这种表述的作用可能像多功能专门知识中使用的“组块”一样，见 Smolensky 1986：ii.241。)给出对电路的描述，专家就能回答像“如果我们提高A点的电阻，对电压会产生什么影响？”这样的问题(也就是电压升高，降低，或是保持不变)。

12 联结论、语言能力和解释方式

[1]“上下贯通形式”和“瀑布”同为cascade，意为瀑布状物。——译者

309

通常的方法是，我们假定：为这一任务制定算法所依据的信息是由高层次语言能力做出理论说明的，在这一说明的推导过程中引用了各种电路学定律(也就是斯莫伦斯基所谓的电路学“硬定律”，欧姆定律和克希霍夫定律)。例如，与欧姆定律有关的推导要引用这一方程：

$$
\# [ \mathbb { E } ( \mathrm { V } ) = \# \mathbb { M } ( \mathbb { C } ) \times \not \in / / \mathbb { H } ( \mathbb { R } )
$$

在上文第2节中，我们只确认了层次-2加工陈述可能与这种语言能力理论具有相当密切的关系的两种方式。在最简单的情况下，加工过程可能包含着用符号表述的欧姆定律，系统将它读出，并遵循它。在较为复杂的情况下，它可能包含有关欧姆定律的默认知识，在一组状态转变中通过一个因果公因子展现出来。(顺及：斯莫伦斯基本人在这里的做法，看来是不恰当地强调了简单选择方式，见 Fodor and Pylyshyn1988；Pinker and Prince 1988；Davies 待出版；Clark 1989。)

在斯莫伦斯基提出的简单电路问题求解的联结论模型的情形中，没有一种上下贯通形式是起作用的。为了弄清其原因，我们需要看一看这一模型的形式。这个模型对电路状态的表述，是通过一组特性单元上的活动模式来完成的。它们对电路变元中出现的定性变化进行编码，即在训练实例中，它们对电阻R1增大时总电压的升降等情况进行编码。这些特性单元与一组被斯莫伦斯基称为“知识原子”的东西相联结，知识原子表述了分布在特性单元子组上的活动模式。事实上它们是对电路学的实际定律所允许的特性单元状态的合法组合进行编码。例如“系统对欧姆定律的知识……分布在众多的知识原子上，这些知识原子的子模式对电流、电压和电阻的合法特性组合进行编码”（Smolensky1988:19)。简言之，对于定性变化的每一合法组合，都存在着一个子模式(GS子模式，或所讨论的电路的“知识原子”)。

人工智能哲学

310

初看起来，这个系统似乎只是查寻表的单元和联结的一个实现过程。然而情况并非如此。事实上，联结论网络只有在配备了过量的隐蔽单元，从而能够对输入输出配对作简单记忆时，才具有查寻表的功能。相比之下，被这系统编码的是斯莫伦斯基称为“软约束”的东西，亦即通常存在于各种不同的特性单元(微特性)之间的关系模式。这样，它就具备了电路微特性之间定性关系的“一般知识”。但是它不具备压缩在像欧姆定律那样的硬约束中的一般知识。软约束是特性单元与知识原子之间的双向联结，这种联结以这种或那种方式对网络施加影响，但并不强迫它；也就是说，这种联结能被其他单元的活动压倒，这也是它之所以“软”的原因。正如在所有联结论网络中那样，系统所作的计算是由同时尝试满足尽可能多的这种软约束来完成的。为了弄清系统并不仅仅是合法组合的查寻树，我们只需注意到，对于那些在合法组合的简单查寻表中找不到答案的(有矛盾的或不完全的)问题，它有能力作出合理的回答。

软约束经数字编码，成为单元之间的加权联结强度。这样，问题求解就由“一系列多节点(即单元)最新校正数据”来完成，“每一最新校正数据都是在形式的数字规则和数字计算的基础上作出的微观决策”(Smolensky 1986: ii. 246)。

网络的两个性质使我们特别感兴趣。第一，不难看出，如果给出一个提得恰当的问题，并且有无限的加工时间，那么它总是给出正确答案，和电路学硬定律所预言的一样。但是正如已经说过的那样，它并不局限于这些定律。给它一个提得不当或有矛盾的问题，它会满足尽可能多的软约束(它真正知道的就是这些)。这样，“在提得恰当的问题和无限加工时间的理想化区域之外，该系统就会具备合理的性能”(Smolensky1988:20)。这样，就可以把(欧姆定律等)硬规则看作是理论家对系统实际性能的理想化子集所做的外部特征刻划(如果这使我们想起丹尼特关于“意向性态度”发表的意见，决不是偶然的，见Den-nett 1987)。

12 联结论、语言能力和解释方式

311