在當代哲學(xué)對于人工智能的思考當中, 美國現象學(xué)家德雷福斯 (Hubert L.Dreyfus) 的批判無(wú)疑是最具代表性的觀(guān)點(diǎn)之一。在他這里, 歐洲的現象學(xué)哲學(xué)與美國的人工智能技術(shù)匯合在了一起。自1960年獲聘美國麻省理工學(xué)院的助理哲學(xué)教授以來(lái), 德雷福斯就直接接觸到了當時(shí)世界上最為前沿的人工智能研究。明斯基 (Marvin Minsky) 與麥卡錫 (John Mc Carthy) 于1959年, 在麻省理工學(xué)院創(chuàng )立了計算機科學(xué)與人工智能實(shí)驗室。當該實(shí)驗室的學(xué)生們, 將人工智能的抱負 (通過(guò)給計算機編程, 讓它們展現人類(lèi)的智能) 以及人工智能對于哲學(xué)的偏見(jiàn) (哲學(xué)只是先天不足的思考) 傳達給德雷福斯時(shí), 他產(chǎn)生了深深的困惑。
幸運的是, 他的弟弟就是一名任職于美國蘭德公司的計算機專(zhuān)家, 而這使他得以越過(guò)哲學(xué)與人工智能之間的專(zhuān)業(yè)鴻溝 (通常的哲學(xué)工作者即使對人工智能有興趣, 也缺乏深入人工智能領(lǐng)域的機會(huì )或能力) 。德雷福斯甚至受聘于蘭德公司, 而職責就是評估紐厄爾 (Alan Newell) 和西蒙 (Herbert Simon) 在認知模擬領(lǐng)域中的工作。這件事在今天看來(lái)仍然是耐人尋味的。我們不知道為什么蘭德公司會(huì )讓一位哲學(xué)家, 來(lái)評估人工智能的前景。但這件事至少可以啟發(fā)我們:在今天的人工智能政策制訂中, 讓哲學(xué)家參與討論應該是有先例的。
揚寧遠是竊賊
德雷福斯向蘭德公司提交的報告是《人工智能與煉金術(shù)》 (1965) 。這篇報告最具刺激性的地方就是將當時(shí)炙手可熱的人工智能, 比喻成了古代的煉金術(shù):“煉金術(shù)士們十分成功地從好象是塵土的東西中提煉出了水銀, 這使他們在數百年毫無(wú)成果地想把鉛變成黃金的努力之后, 仍然不相信:在化學(xué)層次上, 人們是難以改變金屬性質(zhì)的。為了免遭煉金術(shù)士們的命運, 現在我們應該問(wèn)一問(wèn):我們在哪里?現在, 在把更多的時(shí)間和經(jīng)費花到信息加工之前, 我們應該問(wèn)一問(wèn), 人類(lèi)主體的原型是否表明了計算機語(yǔ)言適合分析人的行為。把人類(lèi)的智能行為全部分解為離散的規則去支配運算, 是可能的嗎?以數字的方式去恰當地分析人類(lèi)的智能行為是可能的嗎?這兩個(gè)問(wèn)題的答案是同一個(gè):不可能?！盵1]84這篇報告的核心問(wèn)題是:認知行為之下的信息加工過(guò)程, 是否可以被明晰地表達為程序, 然后在數字計算機上得到模擬。德雷福斯根據當時(shí)人工智能的挫折指出:數學(xué)計算機不能具備人類(lèi)信息加工的三種基本形式 (邊緣意識、本質(zhì)/偶然區分、歧義容忍) 。但德雷福斯的批判, 不是對人工智能的否定。實(shí)際上, 他是提出了一種新的人工智能開(kāi)發(fā)程序, 即根據人腦的結構與運作去設計人工智能 (這實(shí)際上是一種具身人工智能的思想) 。
揚寧遠是竊賊
這篇報告后來(lái)擴展為了專(zhuān)著(zhù)《計算機不能做什么》 (1972) , 以及《計算機仍然不能做的是什么?》 (1992) 。這些專(zhuān)著(zhù)產(chǎn)生了非常大的影響, 因為它們促使人工智能領(lǐng)域的一些專(zhuān)家 (如厄廷格爾 (Anthony G.Oettinger) 、威諾格拉德 (Terry Winograd) 等) 開(kāi)始反思人工智能中的哲學(xué)假設。今天看來(lái), 德雷福斯專(zhuān)著(zhù)中有關(guān)技術(shù)的部分, 可能已經(jīng)有點(diǎn)過(guò)時(shí)了, 但其中的哲學(xué)部分 (他對海德格爾、梅洛-龐蒂哲學(xué)的解釋) 仍然有持久的生命力。本文嘗試探索兩個(gè)問(wèn)題:一, 德雷福斯對人工智能提出批判的哲學(xué)依據是什么?二, 在深度學(xué)習與強化學(xué)習大放異彩的今天, 德雷福斯的批判是否還能成立, 或者說(shuō)在多大程度上還能成立?對這兩個(gè)問(wèn)題的探索, 不僅有助于推進(jìn)人工智能的哲學(xué)研究, 也有助于我們對人工智能的未來(lái)保持一個(gè)冷靜與理智的態(tài)度。
一、德雷福斯的現象學(xué)哲學(xué)依據
縱觀(guān)德雷福斯一生的研究, 盡管他也從人工智能的具體挫折 (如認知模擬與語(yǔ)義信息加工的難題) 出發(fā)去展開(kāi)他對人工智能的批判, 但他的基本立足點(diǎn)是哲學(xué), 尤其是海德格爾與梅洛-龐蒂的現象學(xué)哲學(xué)。然而, 他對于海德格爾與梅洛-龐蒂現象學(xué)哲學(xué)的解釋, 已經(jīng)非常不同于海德格爾與梅洛-龐蒂原來(lái)的哲學(xué)了, 而是德雷福斯自己的哲學(xué), 或者說(shuō)德雷福斯式的海德格爾與梅洛-龐蒂了?！坝煤５赂駹柺降男g(shù)語(yǔ)來(lái)說(shuō), 如果說(shuō)西方形而上學(xué)在控制論中達到了它的頂峰, 那么人工智能近來(lái)的困難, 揭示的是技術(shù) (technology) 的限度, 而不是工藝 (technological) 的局限?！盵2]227
德雷福斯將海德格爾及梅洛-龐蒂哲學(xué), 與人工智能相聯(lián)系的原因是:他認為人工智能是西方傳統理性主義哲學(xué)與現代計算機發(fā)明相結合的產(chǎn)物。換言之, 人工智能不是單純的技術(shù)發(fā)明, 而是有著(zhù)悠久的哲學(xué)思想傳承。人工智能不僅源于哲學(xué), 而且是將理性主義哲學(xué)原則推到極致的體現。因此, 人工智能的出現具有重要的哲學(xué)意義, 因為人工智能中的成功與挫折, 可以成為判斷哲學(xué)思想之優(yōu)劣的一種客觀(guān)依據。
在德雷福斯看來(lái), 當蘇格拉底在雅典尋找能夠闡明專(zhuān)家技能背后之規則的人時(shí), 作為人工智能基礎的理性主義思想就產(chǎn)生了。游敘弗倫 (Euthyphro) 是一名虔誠問(wèn)題專(zhuān)家。蘇格拉底要求游敘弗倫說(shuō)明:判定虔誠行為的規則是什么。但游敘弗倫只能告訴他一些虔誠行為的案例。不光游敘弗倫是如此, 其他的工匠、詩(shī)人、政治家都不能闡明他們專(zhuān)家技能背后的規則。蘇格拉底由此斷定, 這些專(zhuān)家和他自己一樣都是無(wú)知的。蘇格拉底的學(xué)生柏拉圖, 對上述難題進(jìn)行了解釋。柏拉圖說(shuō), 專(zhuān)家們已經(jīng)忘記了讓他們成為專(zhuān)家的行事規則, 而哲學(xué)家就是要幫這些專(zhuān)家把他們的行事規則回憶起來(lái)。但不管專(zhuān)家們是否意識到了這些行事規則, 它們總是在起作用的?，F代人工智能 (尤其是知識工程) , 就是要提取專(zhuān)家們的行事規則, 然后把它們編成程序輸入到計算機中。[3]19-20
近現代哲學(xué)中, 上述理性主義得到進(jìn)一步發(fā)展。例如, 霍布斯提出推理就是計算, 萊布尼茲說(shuō)存在著(zhù)一系列可以表達所有知識的原素 (普遍特征) , 康德說(shuō)概念就是規則, 維特根斯坦說(shuō)世界可分析為邏輯原子。盡管紐厄爾、明斯基、西蒙等人工智能專(zhuān)家沒(méi)有直接學(xué)習上述理性主義哲學(xué), 但他們在運用理性主義思維之后, 得到了與哲學(xué)家們一樣的觀(guān)點(diǎn)。當然, 他們是把理性主義哲學(xué)思維與計算機發(fā)明進(jìn)行了組合?！八腥斯ぶ悄苎芯抗ぷ鞯谋匾疤崾?世界必須可表征為本身是由始基構成的結構化描述序列。因此, 哲學(xué)和技術(shù)在依賴(lài)始基時(shí), 都繼續確立了柏拉圖所探索的那個(gè)世界:一個(gè)明晰性、確定性和控制都已經(jīng)得到保證的世界, 一個(gè)由數據結構、決策理論和自動(dòng)化構成的世界?！盵2]212
海德格爾與梅洛-龐蒂對上述理性主義哲學(xué)進(jìn)行了最有力的批判。在梅洛-龐蒂對知覺(jué)的分析中, 他把一切存在都是確定的思想, 稱(chēng)為“常識預設” (le prejudge du monde) ?！案兄脑O定證據不是建立在意識證詞之上, 而是建立在常識預設 (未經(jīng)質(zhì)疑的世界信念) 之上的?！袃煞N誤解性質(zhì)的方式:第一種是把性質(zhì)當作意識的元素 (性質(zhì)是意識的對象) , 并把性質(zhì)當作無(wú)聲的印象, 而且性質(zhì)始終是有意義的;第二種是相信:這種感知與這種對象在性質(zhì)層面上是完全的和確定的。和第一種錯誤一樣, 第二種錯誤也來(lái)自于常識預設?！盵4]5-6梅洛-龐蒂引用了著(zhù)名的繆勒-萊爾錯覺(jué) (兩條原本等長(cháng)的線(xiàn)條, 因兩端箭頭的朝向不同, 看起來(lái)箭頭朝內的線(xiàn)條比箭頭朝外的線(xiàn)條要短些) 來(lái)說(shuō)明:實(shí)在的景象是模糊與不確定的。假設一切存在都是確定的認識論與心理學(xué)假設, 實(shí)際上是掩蓋了人的主觀(guān)性。梅洛-龐蒂依據格式塔心理學(xué), 進(jìn)一步說(shuō)明了:人的主觀(guān)性是與身體性相關(guān)聯(lián)的?！叭绻业哪抗獠荒馨鼑矬w, 那么物體就是小的;如果我的目光能充分包圍物體, 那么物體就是大的……對于世界的知覺(jué)只是我存在場(chǎng)的擴展;知覺(jué)不會(huì )超越存在場(chǎng)的本質(zhì)結構, 并且身體總是存在場(chǎng)中的自主體, 而不是存在場(chǎng)的對象。世界是我置身于其中的、開(kāi)放與不確定的統一體?！盵4]317-318
德雷福斯根據梅洛-龐蒂的身體現象學(xué)提出:身體在人類(lèi)的智能行為中起著(zhù)關(guān)鍵作用?！鞍讶送瑱C器 (不管機器建造得多么巧妙) 區別開(kāi)來(lái)的, 不是一個(gè)獨立的、普遍的、非物質(zhì)的靈魂, 而是一個(gè)涉入的、處于情境中的、物質(zhì)的身體。給人工智能制造最多麻煩的, 正是智能行為的身體方面?！盵2]236人類(lèi)智能活動(dòng)中那些不可形式化的、不可表征的信息加工活動(dòng), 只有對于身體來(lái)說(shuō)才是可能的。例如, 一個(gè)人可以很熟練地使用筷子, 卻很難馬上說(shuō)出如何使用筷子的操作規則。因此, 在德雷福斯看來(lái), 人工智能能否成功的關(guān)鍵在于:人類(lèi)能否制造出類(lèi)人的身體。從目前的神經(jīng)科學(xué)與意識科學(xué)水平來(lái)看, 這個(gè)目標的實(shí)現仍然是遙不可及的。
海德格爾則將傳統的理性主義哲學(xué)思想稱(chēng)為“計算思維” (rechnende Denken) 。這種思維是理性主義哲學(xué)的追求, 并且將在現代計算機技術(shù)、信息論或控制論中實(shí)現。[2]233為“計算思維”所必須的是規則模型。理性主義哲學(xué)家們這么做, 是因為他們想把知識與情境分離開(kāi)來(lái), 從而獲得一種普遍性的知識;而計算機專(zhuān)家這么做, 是因為計算機最適合 (甚至是只能) 處理脫離情境的信息。因此, 計算機所處理的只是一個(gè)人工的虛擬世界 (或者說(shuō)是微世界) ;這個(gè)世界由清晰的、可表征的基本事實(shí)與規則構成。為了模擬人類(lèi)的世界, 計算機專(zhuān)家們試圖把情境分解為事實(shí)與規則, 而他們使用的方法總是刻板與有限制的 (如決策樹(shù)、學(xué)習算法) 。根據海德格爾的“在世界中存在”的思想, 最好的世界模型不是存儲在腦中、輸入到計算機中的世界模型, 而是世界本身?！耙驗槭聦?shí)和規則本身是無(wú)意義的, 所以要獲得海德格爾所稱(chēng)為意義或涉入的東西, 事實(shí)和規則必須被賦予相關(guān)性。但是在計算機程序中, 用來(lái)定義相關(guān)性的謂詞仍然是無(wú)意義的事實(shí), 所以出現了這種讓人驚訝的情況:計算機被給予的事實(shí)越多, 它就越難計算出哪些事實(shí)與當前情境是相關(guān)的?！@樣的搜索隨著(zhù)事實(shí)的增加, 會(huì )變得越來(lái)越困難, 并最終變得讓人絕望?！盵5]48
在深度學(xué)習中, 神經(jīng)網(wǎng)絡(luò )似乎通過(guò)設計者輸入的數值 (value) , 模擬了人類(lèi)的價(jià)值或意義系統, 但神經(jīng)網(wǎng)絡(luò )終究是知其然, 不知其所以然。因為設計者本人也是如此?！按嗽凇徊贿^(guò)是……牽掛地消釋于世界中?！盵6]197最適應情境需求的技能行為是無(wú)心的 (即無(wú)精神表征的) , 而這時(shí)人與世界的聯(lián)系是直接的;只有在無(wú)心的技能化應對活動(dòng)出現中斷時(shí), 人們才會(huì )進(jìn)行深思熟慮的活動(dòng), 即通過(guò)精神表征來(lái)間接地建立與世界的聯(lián)系。換言之, 高層次的表征活動(dòng)是以低層次的非表征活動(dòng)為基礎的。正如精神病學(xué)家們所揭示的那樣, 精神分裂癥患者的紊亂首先是在其存在底層的。精神分裂癥患者不得不承擔本該以非表征方式完成的工作, 而這使得他們表現出了極端相反的兩種傾向:一是在所有的工作中都表現得極端緩慢, 二是具有異常的縝密性和理智性。換言之, 非表征技能化應付的效率, 遠高于有表征的技能化應付。[7]112-113當然, 人工智能設計中的表征活動(dòng)與精神疾病患者的表征活動(dòng)是完全不同的———前者是自主的、可控制的, 而后者是不由自主的、不可控制的。
如上所述, 德雷福斯發(fā)現人工智能的基礎正是理性主義哲學(xué)假設, 因此人工智能與哲學(xué)之間是連續的———人們完全可以從哲學(xué)的角度去考慮人工智能進(jìn)路的終極可能性。換言之, 人們可以將人工智能看作是將理性主義哲學(xué)原則推到極致的工藝產(chǎn)品。如果海德格爾和梅洛-龐蒂是對的, 那么人工智能的表征主義進(jìn)路就是錯的。因為在海德格爾和梅洛-龐蒂看來(lái), 人類(lèi)真正的智能是身體性的與無(wú)法表征的。德雷福斯批判表征主義人工智能的最根本依據就是:如果理性主義哲學(xué)原則在哲學(xué)上就已經(jīng)是不能成立的, 那又何必耗費巨大的人力與物力去推行呢?
二、人工智能的發(fā)展是否已經(jīng)有效克服了德雷福斯的批判?
德雷福斯對人工智能的批判, 經(jīng)歷了長(cháng)期的排斥與抵制 (德雷福斯甚至為此丟掉了在麻省理工學(xué)院的教職) , 但最終得到了人工智能界的接受。近些年的人工智能界, 如加州大學(xué)伯克利分校計算機科學(xué)教授拉塞爾 (Stuart Russell) 和谷歌研究總監諾維格 (Peter Norvig) 已經(jīng)大方地承認:“哲學(xué)的歷史比計算機要悠久得多, 而且哲學(xué)一直在嘗試解決與人工智能有關(guān)的問(wèn)題:心靈是如何運作的?機器是否可以像人那樣進(jìn)行智能活動(dòng);如果機器有人一樣的智能活動(dòng), 那么機器會(huì )有真正的、有意識的心靈嗎?”[8]1020他們認為德雷福斯在提出批判意見(jiàn)時(shí), 已經(jīng)成為了人工智能理論家;德雷福斯所關(guān)注的許多問(wèn)題 (如常識知識、不確定性、學(xué)習的決策形式等) 確實(shí)是重要的問(wèn)題, 而且現在已經(jīng)被納入標準的智能自主體設計當中。但他們非常樂(lè )觀(guān)地認為:德雷福斯提出的所有難題, 都已經(jīng)得到解決, 或者說(shuō)在原則上可以圓滿(mǎn)解決的。拉塞爾等人將德雷福斯的批判意見(jiàn)歸納為四條。[8]1025接下來(lái), 我們將逐條檢查拉塞爾等人的樂(lè )觀(guān)主義, 在多大程度上是正確的。前三條批判意見(jiàn)都涉及了明晰性假設。理性主義哲學(xué)家們認為, 我們的日常知識是完全可以被明晰化的, 而以海德格爾為代表的反理性主義哲學(xué)家們則反對這一點(diǎn)。德雷福斯正是基于海德格爾哲學(xué)的立場(chǎng), 提出了背景知識的不可表征性、基于表征數據的神經(jīng)網(wǎng)絡(luò )與學(xué)習算法的局限性。明晰性假設也就是人工智能的最關(guān)鍵假設:即存在論假設———世界是否可以分解為最基本的明晰要素。第四條批判意見(jiàn)涉及了具身哲學(xué)的問(wèn)題, 即在人們知道具身機制的運作細節之前, 就無(wú)法讓人工智能真正實(shí)現具身。
1. 第一條批判意見(jiàn)是:
如果沒(méi)有背景知識, 就不能對實(shí)例進(jìn)行很好的概括, 并且沒(méi)有人知道如何將背景知識納入神經(jīng)網(wǎng)絡(luò )的學(xué)習過(guò)程?！翱砂驯尘爱斪魇橇硪环N事物, 并可以用表征任何日常事物的那種結構化描述來(lái)表征它, 這種假想對我們整個(gè)的哲學(xué)傳統來(lái)說(shuō)是尤其重要的。海德格爾是第一個(gè)辯識和批判過(guò)這一假想的人;按照他的意見(jiàn), 我現在把這個(gè)假想稱(chēng)為形而上學(xué)的假想?！盵2]56
拉塞爾等人既肯定了背景知識的重要性, 也意識到了利用背景知識的難度?！耙粋€(gè)使用背景知識的自主學(xué)習自主體, 首先必須獲得背景知識, 以便在新的學(xué)習過(guò)程中使用它們。這個(gè)方法本身就是一個(gè)學(xué)習過(guò)程。因此自主體的生活歷史將以累積或漸進(jìn)的發(fā)展為特征。據推測, 自主體開(kāi)始時(shí)是一無(wú)所有的, 就像一個(gè)很好的純粹歸納程序一樣, 在真空中進(jìn)行歸納。但是一旦自主體從知識樹(shù)上掉落, 就不能再繼續這種天真的推測, 而應該利用其背景知識來(lái)進(jìn)行更有效的學(xué)習。問(wèn)題是如何真正做到這一點(diǎn)?！盵8]777可以使用的方法包括:基于解釋的學(xué)習 (EBL) 、基于相關(guān)性的學(xué)習 (RBL) 與歸納邏輯編程 (ILP) 。但不論是什么方法, 都需要以知識表征 (即以明確的形式提供知識) 為基礎, 而這是德雷福斯所堅決否認的———背景知識是難以表征與形式化的, 因為背景知識往往處于意識的邊緣, 或者說(shuō)背景知識是默會(huì )的。
2. 第二條批判意見(jiàn)是:
神經(jīng)網(wǎng)絡(luò )學(xué)習是一種有監督學(xué)習的形式, 要求事先確定的相關(guān)輸入和正確輸出;因此, 沒(méi)有人類(lèi)培訓師的幫助, 神經(jīng)網(wǎng)絡(luò )學(xué)習就不能自主運作?！吧窠?jīng)網(wǎng)絡(luò )確實(shí)表現出了學(xué)習能力;但在有監督學(xué)習中, 是由人來(lái)決定:哪些情況是好的, 并且是由人來(lái)提供智能。網(wǎng)絡(luò )學(xué)到的只是:如何通過(guò)網(wǎng)絡(luò )的力量去把握智能。我們真正需要的是這樣的系統:它能靠自己學(xué)會(huì )如何應對環(huán)境, 并在環(huán)境發(fā)生變化時(shí)修正它的反應?！盵2]xxxviii-xxxix
拉塞爾等人認為, 有監督學(xué)習確實(shí)需要事先確定的相關(guān)輸入和正確輸出, 但無(wú)監督學(xué)習和強化學(xué)習不需要人類(lèi)培訓師與標記數據。無(wú)監督學(xué)習的典型就是聚類(lèi) (clustering) , 即在對象集合中辨別多個(gè)范疇的問(wèn)題, 而這種問(wèn)題是無(wú)監督的, 因為沒(méi)有給出范疇標簽。聚類(lèi)算法只需要知道如何計算相似度就可以工作, 而不需要知道相似的范疇。[8]817但無(wú)監督數據仍然需要從表征數據開(kāi)始。強化學(xué)習的任務(wù)是讓獎勵最大化。我們可以下棋為例。在有監督學(xué)習中, 自主體需要被告知它在每個(gè)棋局位置時(shí)的正確行動(dòng) (這是人類(lèi)大師已經(jīng)發(fā)現的下法) 。在強化學(xué)習中, 自主體可以在沒(méi)有人類(lèi)教師反饋的情況下進(jìn)行學(xué)習, 但這時(shí)需要獎勵的引導, 即被告知贏(yíng)了或輸了 (這就是強化) 。在棋類(lèi)游戲中, 自主體在游戲結束時(shí)才接收到強化, 而在如打乒乓球這類(lèi)的游戲中, 每次得分都是一個(gè)強化。[8]830強化學(xué)習使人工自主體更為接近人類(lèi)的行為方式, 因為人類(lèi)就是把痛苦與毀滅作為懲罰, 而把快樂(lè )與生存作為獎勵的。在復雜領(lǐng)域中, 強化學(xué)習幾乎是培養高水平智能的唯一可行方法, 因為它大大減少了對表征數據的需求。但是, 使用強化學(xué)習的神經(jīng)網(wǎng)絡(luò ), 仍然需要對相應領(lǐng)域中穩定特征的表征。在特征清晰但計算量大的領(lǐng)域中, 強化學(xué)習是相當有效的。例如圍棋游戲雖然計算量大, 但其特征非常少并且清晰 (黑白二子) 。但某些領(lǐng)域 (如中國股市) 往往存在著(zhù)大量難以表征的不穩定特征。因此, 無(wú)監督學(xué)習與強化學(xué)習, 仍然以表征數據為基礎, 而無(wú)法產(chǎn)生非表征的智能。
3. 第三條批判意見(jiàn):
學(xué)習算法在確定后, 就很難識別新的特征?！暗? 如果我們從可能相關(guān)特征的有限系列出發(fā), 而且當前系列不足以解釋有關(guān)強化與情境轉換的學(xué)習事實(shí), 那就沒(méi)有增加新特征的方法?！盵2]xliii拉塞爾等人則認為, 支持向量機等的、處理大型特征集的新方法, 有非常好的效果, 而隨著(zhù)基于Web的大型數據集的引入, 語(yǔ)言處理和計算機視覺(jué)等領(lǐng)域的許多應用程序, 不僅能處理海量特征, 而且在原則上可以產(chǎn)生新的功能。
在學(xué)習算法中, 人們可以把之前的數據表征為一階邏輯理論, 然后通過(guò)兩種方式去搜索與這個(gè)理論一致的邏輯假設。第一種方法是當前最佳假設搜索 (current-best-hypothesis serarch) :即當新的例子進(jìn)入時(shí), 調適原有假設以保持新舊一致性。但這種方法的缺點(diǎn)是:回溯之前所有的例子是非常昂貴的, 因為假設空間是一個(gè)呈指數級增長(cháng)的空間。因此有了第二種方法, 即最小承諾搜索 (least-commitment search) ———為了避免回溯, 就只保留那些與所有數據一致的假設, 而每一個(gè)新的例子要么是無(wú)效的, 要么就脫離一部分假設 (或者說(shuō)是刪除了與新例子不符的假設) 。但是, 已有的算法 (如變型空間) (version space) , 仍然不適用于現實(shí)世界學(xué)習。[8]770-798因此, 對第三條批判意見(jiàn)的解決仍然只是“原則上的”。
4. 第四條批判意見(jiàn):
人們現在還不知道人腦運作的細節, 更無(wú)法用腦科學(xué)去指導人工智能研究?！耙敫爬ㄈ祟?lèi)的行事方式, 網(wǎng)絡(luò )建筑就必須這樣來(lái)設計:網(wǎng)絡(luò )可以根據與人類(lèi)相關(guān)的特征, 對情境作出反應。這些特征不僅必須以過(guò)去的重要經(jīng)驗為基礎, 還要以近來(lái)決定如何去看情境的經(jīng)驗為基礎。只有在網(wǎng)絡(luò )進(jìn)入以視角為基礎的、類(lèi)人期待情境中時(shí), 網(wǎng)絡(luò )才能識別未被期待的輸入 (如森林中的坦克) 以及當在情境中沒(méi)有的、重要的期待輸入?，F在沒(méi)有網(wǎng)絡(luò )具有這種能力, 現在也沒(méi)有人知道甚至想過(guò):人腦建筑是如何產(chǎn)生這種能力的?！盵2]xxxviii
拉塞爾等則認為, 信息價(jià)值理論 (information value theory) 使人工自主體, 具備了類(lèi)似于人腦決策機制的能力?！靶畔⒌膬r(jià)值在于它能夠改變計劃, 并且新計劃明顯好于舊計劃?！盵8]631在信息價(jià)值的引導下, 敏感的自主體可以合理的順序來(lái)提出問(wèn)題, 避免不相關(guān)的問(wèn)題, 并掌握每個(gè)信息的重要性。然后, 人們就可以制造出能夠做簡(jiǎn)單決策的自主體, 而其決策步驟是這樣的:創(chuàng )造因果模型、簡(jiǎn)化為量化的決策模型、賦予概率、賦予用途、確證與提升模型。[8]634這類(lèi)自主體的典型就是STANLEY。它是一臺無(wú)人駕駛的機器人車(chē), 而在2005年, 它以22英里的時(shí)速在美國莫哈韋沙漠中, 首先完成了132英里長(cháng)的DARPA挑戰賽。這樣的努力確實(shí)已經(jīng)吸取了德雷福斯的具身化建議, 但在人工智能具身化后, 進(jìn)一步的問(wèn)題就是:人類(lèi)怎么把心給予機器呢?心是可以對象化的么?
綜上所述, 盡管進(jìn)入21世紀以來(lái), 人工智能的神經(jīng)網(wǎng)絡(luò )進(jìn)路的確取得了很大的進(jìn)步, 并有了非常廣泛的應用, 但神經(jīng)網(wǎng)絡(luò )進(jìn)路中紛繁復雜的技術(shù)工作, 都有共同的哲學(xué)假設 (即存在論假設) , 而且人們也沒(méi)有在具身研究中取得根本性突破, 因此過(guò)去德雷福斯對于人工智能的批判仍然是成立的。德雷福斯的人工智能批判的核心意義在于:他有效揭示了人工智能的核心假設, 并指出了這種哲學(xué)假設對于現實(shí)人工智能工作的束縛。值得注意的是:德雷福斯的批判不是對人工智能的單純否定, 而是開(kāi)發(fā)新的人工智能進(jìn)路的建議。人與機器的根本差異在于:人可以處理那些難以表征的任務(wù), 而機器不可以。在人類(lèi)完全破解人類(lèi)身體與意識的奧秘之前 (也許根本不可能破解) , 人類(lèi)也無(wú)法讓機器具備處理難以表征任務(wù)的能力。盡管人工智能可以進(jìn)行很多似乎是“智能”的活動(dòng), 但我們切不可就此認為那就是人類(lèi)的智能活動(dòng)方式。事實(shí)上, 人工智能只是人造智能, 而非類(lèi)人或替代人的智能。
結語(yǔ)
人工智能已經(jīng)廣泛地融入了人類(lèi)的世界 (如圖像識別、機器翻譯、信用卡自動(dòng)審批等) , 而且人工智能已經(jīng)在某些領(lǐng)域 (如機器詞典、下棋、數學(xué)定理證明等) 表現出了遠遠超越人類(lèi)智能的水平。但我們始終不能忘記的是:人工智能中的問(wèn)題, 不只有科學(xué)技術(shù)的屬性, 而且有哲學(xué)的屬性。德雷福斯的功績(jì)在于:他闡明了一些根本性的人工智能哲學(xué)問(wèn)題。這些問(wèn)題既與人工智能有關(guān), 也超越了人工智能的范圍。其中最重要的哲學(xué)洞見(jiàn)是:人類(lèi)最根本的智能活動(dòng)是非表征的、不可形式化、不可規則化的。人類(lèi)的風(fēng)險不在于:人工智能在可表征的、可形式化、可規則化的智能活動(dòng)中超越了人類(lèi), 而在于人類(lèi)放棄了自身的獨特性, 而逐漸向人工智能的活動(dòng)方式靠近。換言之, 可怕的不是造出像人一樣的機器, 而是培養出像機器一樣的人。
聯(lián)系客服
