人工智能哲学

物理符号系统假设。对于一般智能行为来说，物理符号系统具有的手段既是必要的，也是充分的。

所谓“必要”的意思是：任何表现出一般智能的系统，经过分析，都可以证明是一个物理符号系统。所谓“充分”的意思是：任何足够大的物理符号系统，都可以通过进一步地组织，而表现出一般智能(Newell and Simon 1981:41)。

纽厄尔和西蒙将其假设的来源追溯到G·弗雷格、B·罗素和A·N·怀特海(Newell and Simon 1981:42)，然而弗雷格及其追随者们自身无疑也继承了一个悠久的、原子论的理性主义传统。笛卡尔已作过这样的假定：所有的理解都是由形成和操作恰当的表述方式组成的，这些表述方式可以经分析成为本原元素(原创性单质)，一切现象都可以理解为这些简单元素的复杂结合形式。另外，与此同时，霍布斯也隐含地假定，这些元素是由纯句法运作来陈述的形式分量，所以推理可以还原为计算。霍布斯写道：“一个人在推理时，他所做的只不过是将许多小部分相加而构造出一个整量，因为推理……不是别的，就是计算……”（Hobbes1958:45)。最后，莱布尼兹在致力于建立经典的数学观念——每一事物的形式化—的研究时，曾寻求支撑物来发展一个普适的符号系统，使“我们能为每一客体指定一个确定的特征数”(Leibniz1951:18)。根据莱布尼兹的看法，在理解过程中，我们把概念分析成更简单的元素。为了避免向越来越简单的元素回归，必须有终极的单质，据此可以对所有复杂概念作出理解。此外，如果要将概念应用于现实，必须要有这些元素所代表的简单特征。莱布尼兹设想出“一种人类思想的字母表”（1951：20），它们的“字符必须在被用于证明时显示出客体中也发现了的某种联结、分组和排序”（1951：10）。

在弗雷格和罗素的基础上，L·维特根斯坦在他的《逻辑哲学论》中阐述了心灵与实体关系的这种句法的、表述的观点的纯理论形式。他把世界定义为逻辑上独立的原子事实的总和：

人工智能哲学

332

1.1世界是事实的总和，而不是事物的总和。

他认为，事实转而也可以彻底地分析为本原客体。

2.01 原子事实是一些客体的结合……

2.(124如果所有客体都为已知，则所有原子事实亦因而为已知。

维特根斯坦主张，这些事实，以及它们的组分和它们的逻辑关系都在心灵中得到表述。

2.1我们为自已建造了事实的形象。

2.15形象的元素以确定的方式相互结合，从而表述了事物也是这样相互结合的(Wittgenstein 1960))。

我们可以这样认为：AI就是试图找到主体(人或计算机)中的这些本原元素和逻辑关系，该主体映射出构成世界的本原客体和它们之间的关系。纽厄尔和西蒙的物理符号系统假设事实上是把维特根斯坦的看法(它本身就是经典的理性主义哲学传统的顶点)转换成一个经验主义的主张，并以此为基础形成研究纲领。

来自反面的直觉认识是：我们应当以建立大脑模型，而不是建立心灵关干世界的符号表述的模型的方式，来创造人工智能，这种认识不是受到哲学的启发，而是受到不久后被称为神经科学的思想的启发。这一启发直接来自D··赫布的工作，他在1949年提出，如果当神经元A和神经元B同时被刺激时，该刺激使它们之间的联结强度增高，那么一团神经元就能够进行学习。

F：罗森布拉特继承了这一先见，他推理道，因为智能行为是以我们对世界的表述为基础的，所以它很可能是难于形式化的。AI应当换一种方式，尝试自动完成这样的过程，即神经元网络用以学会恰当地辨别模式和作出响应的过程。正如罗森布拉特所指出的：

13 造就心灵还是建立大脑模型：人工智能的分歧点

333

[关于操作符号研究纲领的]隐含假定表明，对我们希望系统完成的行为作出详细说明，是相对容易的，而难点是设计出一个有效完成这一行为的装置或机制。……使物理系统公理化，然后用分析的方式研究该系统，以确定出它的行为，比起使行为公理化，然后用逻辑综合技术来设计物理系统，既是比较容易的，也是更为有益的(Rosenblatt 1962b:386)。

指出这两个研究纲领的不同之处的另一方法是：寻求符号表述方式的人们是想找出一个形式结构，以使计算机具备解决某一类问题或是区分某些类型的模式的能力；而另一方面，罗森布拉特想要建造一个物理装置，或是在数字计算机上模拟这一装置，然后由该装置生成自己的能力：

我们已听说的许多讨论过的模型都同这一问题有关：如果要使一个系统表现出某个特性X，该系统必须具备何种逻辑结构。这在本质上是一个有关静态系统的问题……

这个问题也可以换一种方法来看：何种系统能使特性X逐步形成？我想，我们可以通过若干有趣的实例来说明，即使第一个问题没有答案，第二个问题也可以得到解决(Rosenblatt1962b:387)。

这两种方法都很快获得惊人的成功。1956年纽厄尔和西蒙已经成功地用符号表述方式来解决简单的智力测验问题和证明命题演算中的定理，为计算机编程。有这些早期令人瞩目的结果作为基础，物理符号系统假设看来似乎就要被证实了，纽厄尔和西蒙也处于可以理解的志得意满之中。西蒙声称：

人工智能哲学

334

我并不是有意让你感到惊讶或震惊……然而我可以用最简单的方式作出总结：目前世界上存在着一些会思考、会学习、会创造的机器。并且它们做这些事情的能力正在迅速提高，在不远的将来，它们处理问题的范围，在时空上将达到人类心灵已被应用到的范围(Newell and Simon 1958:6)。

他和纽厄尔解释道：

我们现在掌握了启发式的(不同于算法式的)问题求解理论的要素，而且我们使用这一理论，既可以理解人类的启发式过程，也可以用数字计算机模拟这些过程。直觉、顿悟、学习不再为人类所专有，任何大型高速计算机都可以通过编程表现出这些能力(New-ell and Simon 1958:6)。[1]

罗森布拉特在一种他称为感知机的装置上将他的想法付诸实现。[2]1956年时，罗森布拉特就能够训练一台感知机将某些类型的模式分类为相似的，并把它们与另一些不相似的模式区分开来。1959年时，他再次感到欢欣鼓舞，认为他的方法已得到证明：

13 造就心灵还是建立大脑模型：人工智能的分歧点

[1] 启发式规则是那些在人类使用时被看作为基于经验或判断的规则。这些规则常常引出一些问题的可取的解答，或是提高问题求解过程的效率。而算法保证了在有限时间内得到一个正确的解(如果解存在的话)，启发法仅仅增加找出可取的解答的可能性。

[2] 鲁梅哈特和麦克莱兰(Rumelhart and McClelland 1986)对感知机有如下描述：“构成这样一些机器的是通常称为视网膜的东西，即一排有时被看作排列在二维空间布局上的二元输入；一组谓词，即一组二元阈值单元，它们与视网膜中的单元子集合具有固定联结，使每一谓词都计算出与它相联结的单元子集合上的某个局部功能；以及一个或多个决策单元，它们与谓词的联结是可修正的”(i.111)。他们对比了像感知机那样的并行分布式处理(PDP)模型存储信息的方法和符号表述存储信息的方法的不同：“在大多数模型中，知识作为一个模式的静态摹本被存储着。检索相当于找出长时记忆中的模式，并把它复制到一个缓冲存储器或工作记忆中。长时记忆中的存储表述方式与工作记忆中的活动表述方式并无真实区别。然而在PDP模型中并非如此。在这些模型中，被存储的不是模式本身，而是使这些模式得以被再创造的单元之间的联结强度(i.31)……关于任何个别模式的知识，不是存储在为这一模式而保留的专门单元的联结中，而是分布在大量加工单元之间的联结之上”(i.33)。这一关于表述方式的新观念，直接导致了罗森布拉特的这个思想：“这样的机器应该能够通过学习，而不是通过按特征和规则进行编程来获取它们的能力，因为如果知识存在于联结强度之中，那么学习要做的事必然就是找到正确的联结强度，这样就可以在正确环境中产生出正确的激活模式。对这一类模型来说，这是极为重要的特性，因为它提供了信息加工机制能够通过调节其联结方式而学会获得它在加工过程中所处的激活状态之间的”(i.32)相互依存性的可能性。

335

看来很清楚的是……感知机引入了一种新的信息加工自动装置：我们第一次有了一台能够具备原创思想的机器。作为对生物大脑的模拟，感知机，更确切地说是统计可分离性理论，比起以前提出的任何系统，似乎更接近于满足对神经系统功能解释的要求……在概念上看来，感知机无疑已经建立起有可能体现人类认知功能的非人类系统的可行性和原理……根据统计学原理，而不是根据逻辑原理运作的信息加工装置的前景仿佛清晰地展现出来了(Rosenblatt 1958:i.449)。

60)年代早期，这两种方法看起来同样大有前途，同时也因言过其实的论断而同样使自己易受攻击。然而两个研究纲领之间这场内战的结局却出乎意料地发生了倾斜。到1970年，以感知机为范式的大脑模拟研究渐受冷落，资金不足，而主张用数字计算机进行符号操作的一方，却无可争辩地控制了资金来源，学位授予、杂志和专题讨论会，使他们的研究纲领呈现出生气勃勃的景象。

由于每个正在进行的研究纲领都制造出命定论的神话，重现这一变化是怎样发生的，是件颇为复杂的事情。在胜利者看来，似乎是符号信息加工获胜了，因为它选择了一条正确途径；而神经网络或联结论方法失败了，因为它一点效果也没有。但是关于该领域历史的这一看法，是一种缺乏发展眼光的错误认识。两种研究纲领都有值得探究的思想，两者也都有深层的、尚未被认识的问题。

每一种立场都有其低毁者，诋毁者们说的基本上是同样的话：每一种方法都表明它能够解决某些简易的问题，但是没有理由认为任一派别可以将它的方法推广到现实世界的复杂状况中去。的确，有证据表明，随着问题变得更复杂，两种方法所需要的计算是以指数方式增长的，因而很快就变得难以驾驭。1969年，M·明斯基和S·帕佩尔特对罗森布拉特的感知机发表看法如下：

人工智能哲学

336

罗森布拉特的方案很快生根，不久就有几乎多达上百个大大小小的小组用该模型做实验……这数百个项目和实验得出的结果，一般来说是令人失望的，其解释不能令人信服。这些机器在非常简单的问题上通常工作得不错，但是当分配给它们的任务变难时，情况就迅速恶化。(Minsky and Papert 1969)。

三年后，詹姆士·莱特希尔爵士在回顾了使用如西蒙和明斯基程序那样的启发式程序所做的工作之后，也得出十分类似的否定性结论：

大多数从事AI及其相关领域研究的人都承认，过去的25年中所取得的成就显然是令人失望的。研究者们在1950年前后甚至在1960年前后进入这一领域时，是抱着很大希望的，这些希望与1972年时的实际状况相去甚远。该领域迄今在任何一方面作出的发现都没有产生出当初指望的那种重大影响……

造成这些业已经受的失望的一个颇为一般性的原因是：没有认识到“组合激增”的牵连关系。对于构造一个以大量知识为基础的……系统来说，这是一个一般性障碍，它源于随着该基础规模的增长，任何组合表达式都具有的激烈增长，它们代表着众多的各种可能的根据特定规则对该知识基础的元素进行分组的方式。

正如D·鲁梅哈特和D·齐普泽对此所做的简明总结：“组合激增或迟或早总会让你碰上，尽管在并行和串行中的方式有时会有所不同”（Rumelhart and McClelland 1986：i.158)。正如 J·福多尔曾指出的那样，双方已走进一局三维象棋游戏，认为它是一场“连城”1]游戏。既然如此，为什么在游戏的如此早的阶段上，在知道得如此之少，要学的如此之多的情况下，一组研究者全胜了另一组研究者呢？为什么在这一关键的分歧点上，符号表述方案成了“城中”仅有的棋局呢?

13 造就心灵还是建立大脑模型：人工智能的分歧点

337

每一位了解该领域历史的人，都能八九不离十地指出其原因。1965年前后，明斯基和帕佩尔特正领导着麻省理工学院的一个专门用于符号操作方法研究的实验室，因而为赢得支持而与感知机方案展开着竞争，这时他们开始散发一本攻击关于感知机思想的书稿。在书中，他们阐明了自己的科学立场：

感知机作为“模式识别”或“学习”机器，受到了公众的广泛注意，并在大量的书籍、杂志文章和卷帙浩繁的“报告”中被讨论过。这些著作中的大部分……是没有科学价值的(Minsky and Pa-pert 1969:4)。

然而他们的抨击也是一场哲学运动。他们正确地看到，传统的依赖于向逻辑原素还原的方式正在受到新的整体论的挑战：

当前的作者们(起先是分别地，而后是共同地)都变得多少带有一点治疗强迫性：驱除掉我们害怕会成为早先的“整体论”或“格式塔”错误观念阴影的东西，因为它们很可能造成对工程和人工智能领域的纠缠，就像它们先前纠缠生物学和心理学一样（1969：19)。

他们是相当正确的。人工神经网络可以但并非必须允许根据人类能够识别和用来解决问题的特征对它的隐蔽节点作出解释。虽然神经网络建模本身不对任何观点有所承诺，但是可以证明：联想并不要求隐蔽节点必须是可以解释的。整体论者像罗森布拉特乐意于假定单个节点或节点模式不是在挑选领域的固定特征。

人工智能哲学

[1] 一种类似于中国五子棋的游戏。———译者

338

明斯基和帕佩尔特是如此坚决地排除所有竞争，又如此笃信从笛卡尔直到早期维特根斯坦所保持的原子论传统，以致他们著作中的提法远远超出了实际的证明。他们试图分析单层感知机的能力，然而他们书中的数学部分完全忽视了罗森布拉特关于多层机的章节，以及他对以误差的反向传播为基础的概率学习算法的收敛性的证明(Rosenblatt1962a:292)。4鲁梅哈特和麦克莱兰指出：

明斯基和帕佩尔特试图说明何种函数是(单层)机器能够计算的，何种是不能计算的。他们特意证明了，如果不运用数量大到不可思议的谓词，这种感知机就不能计算像奇偶性那样的数学函数(无论视网膜上存在着奇数个点还是偶数个点)或是连通性的拓扑函数(无论其上所有的点是否直接地或通过也在其上的别的点与其上另外所有的点相联结)。这个分析是极其漂亮的，同时也证明了数学方法对于分析计算系统的重要性（Rumelhart and McClelland1986：i.111)。

但是这一分析的意义有很大的局限性。鲁梅哈特和麦克莱兰继续

13 造就心灵还是建立大脑模型：人工智能的分歧点

[1] 隐蔽节点是指这样的节点：它们既不能直接检测网络的输入，也不能构成网络的输出。但是通过具有可调整强度的联结，它们直接或间接地与检测输入和构成输出的节点连接起来。

[2]单层网络没有隐蔽节点，而多层网络肯定含有隐蔽节点。

[3] 误差反向传播要求从输出节点开始，按递归方式计算出改变联结强度对期望输出与由输入产生的输出之间的差异的影响。然后在学习过程中对加权值进行调整，以减小这个差异。

[4]参阅：“加上第四层信号传递单元，或使三层感知机的A单元交叉耦合，有可能在任意变换群之上得出概括问题的解答。……在反向耦合感知机中，可能出现对一个复杂区域内的熟悉对象的选择性注意。这样的感知机也可能有选择地注意那些相对于它们的背景作不同运动的对象。”(Rosenblatt 1962a:576)

339

写道：

基本的情况是，……虽然明斯基和帕佩尔特对单层感知机所作的分析是完全正确的，但是这些定理不能应用于甚至稍微复杂一点的系统。特别是，这种分析不能用于多层系统或是允许有反馈回路的系统(1986：i.112)。

然而在对感知机所作的结论中，当明斯基和帕佩尔特向自己提出了“你考虑过多层感知机吗？”这个问题时，他们在口头上承认该问题尚未解决，而给人的印象却是已经解决了：

是的，我们已经考虑了Gamba机，它可以被看作“双层感知机”。我们尚未发现(通过思考或是通过研究文献)任何其他一类真正使人感兴趣的多层机，至少那种具有一些看起来与感知机的原理有重要关系的……原理的机器从未发现过。我们认为，对于我们有关增加层数不起作用的直觉判断作出阐释(或是加以驳斥)，将成为重要的研究课题(Minsky and Papert 1969:231-2)。

他们对AI中格式塔思维所作的攻击，其成功的程度已超出他们的梦想。只有引不起注意的少数几个人还在探究这一“重要的研究课题”，其中有S·格罗斯贝格、J·A·安德森和T·科霍宁。的确，差不多所有从事AI的人都认为神经网络已经永远被搁置起来了。鲁梅哈特和麦克莱兰指出：

明斯基和帕佩尔特关于单层感知机局限性的分析，加上符号加工方法在人工智能中的某些早期成就，足以向这一领域中众多的研究者表明，对人工智能和认知心理学来说，感知机式的计算装置是没有前途的(Rumelhart and McClelland 1986：i.112)。

人工智能哲学

340

但是为什么“足以表明”呢？两种方法都产生了某种有希望的成果，也都作出了某些缺乏根据的许诺。1中止对任一种方法的考虑，都为时过早。然而明斯基和帕佩尔特著作中的某些东西撞中了一根敏感的弦。AI研究者们似乎都对激起这一攻击的整体论抱有类似宗教的哲学偏见。人们可以在例如纽厄尔和西蒙关于物理符号系统的文章中看到这一传统的力量。他们的文章从心灵和计算机因操作离散符号而成为智能的这一科学假设作为开始，但是却以这样一个揭示作为结束：“有关逻辑和计算机的研究已经向我们揭示，智能存在于物理符号系统之中。”(Newell and Simon 1981:64)

整体论无法与这样一些强烈的哲学信念相匹敌。罗森布拉特以及数百个受到他的工作的鼓励而从事网络研究的责任较小的小组都名声扫地了。他的研究经费枯竭了，他的著作的出版也遇到了麻烦。到了1970)年，对AI来说，神经网络已经销声匿迹。纽厄尔说，在他的AI的历史上，符号与数字之争“现在肯定已不复存在，并已有很长时间不存在了”（Newell1983：10)。在J·豪格兰(Haugeland 1985)或M·博登(Boden1977)的AI学科史中，罗森布拉特甚至没有被提及。 [2]

但是把联结论者的失败归咎于反整体论的偏见，就过于简单了。一些哲学假定产生了对直觉的影响，及导致了对早期符号加工成果的重要性的过高估计，还有更深入的方面。从当时来看，这个方面是，研究感知机的人即使是解决最简单的模式识别问题，如将视野各个部分中的水平线与垂直线区分开来，也不得不进行大量数学分析和计算，而符号操作方法只作出相对较小的努力，就解决了困难的认知问题，如证明逻辑定理和解决组合难题。甚至更加重要的是，根据当时达到的计算力量，神经网络研究者们看来只能做纯理论的神经科学和心理学方面的工作，而符号表述论者的简单程序却即将成为有用的东西。在对形势作出这种评价的背后，有一个假定，即思维和模式识别是两个不同的领域，而两者之中思维显得更重要。正如在后面讨论常识知识问题时将会看到的，以这种方式看待问题，既忽视了模式辨别在人类专门知识中的出色作用，也忽视了在日常现实世界的思维中被预先假定的常识性理解的背景。要考虑这一背景，就十分需要模式识别了。

13 造就心灵还是建立大脑模型：人工智能的分歧点

[1] 关于对直到1978年时符号表述方法的实际成绩作出的评价，参阅德雷福斯(Dreyfus 1979).

{21 在心理学和神经科学中，关于神经网络的研究还勉强维持着。在布朗大学，J：A：安德森仍在为心理学中的网络模型进行辩护，尽管他不得不依靠其他研究者的补助，同时S·格罗斯贝格研究出基本认知能力的一个漂亮的数学实现方式。安德森的立场见Anderson(1978)。格罗斯贝格在这个萧条年代里的工作的例子见他的著作(Gross-berg1982)。科霍宁的早期工作见于《联想记忆—一种科学理论方法》(Kohonen1977，Berlin:Springer—Verlag)。在麻省理工学院，明斯基继续就神经网络举办讲座，并指定一些研究神经网络逻辑特性的论文。但是根据帕佩尔特的看法，明斯基这样做，仅仅是因为网络具有今人感兴趣的数学特性，然而在符号系统的特性方面却证明不出任何令人感兴趣的东西。此外，许多AI研究者想当然地认为，既然图灵机是符号操作装置，同时图灵已经证明图灵机可以做任何计算，那么他也就证明了所有的智力能力都可通过逻辑获取。根据这一观点，整体论(以及那时的统计学)方法的合理性就需要加以确证，而符号AI方法则无需确证。然而这种自信是建立在把图灵机中未经解释的符号(0和1)和AI中从语义上解释的符号混为一谈的基础上的。

341