人工智能最大的特點就是它連自己是什么都不知道。

——徐英瑾，復(fù)旦大學(xué)哲學(xué)學(xué)院教授

關(guān)于人工智能哲學(xué)，在我本人所撰寫的著作中，最重要的是2013年由人民出版社出版的《心智、語言和機(jī)器——維特根斯坦哲學(xué)與人工智能科學(xué)的對話》。我關(guān)心的主要問題是：如何站在哲學(xué)的角度，給出一個合理的、對于認(rèn)知活動的高層次描述？在我看來，人工智能哲學(xué)與許多研究認(rèn)知科學(xué)的兄弟學(xué)科分享著同樣的研究對象，只是話語體系彼此有差異罷了。

　　哲學(xué)研究的三大基本任務(wù)

　　哲學(xué)究竟能夠為人工智能做什么？在回答這個問題之前，我們需要先來看看哲學(xué)研究的基本任務(wù)是什么。

　　第一大任務(wù)是：思考大問題，澄清基本概念。這里所說的“大問題”，即極具基礎(chǔ)意義的問題。比如，數(shù)學(xué)哲學(xué)家追問數(shù)學(xué)家“數(shù)”的本性是什么，物理學(xué)哲學(xué)家追問物理學(xué)家“物質(zhì)”“能量”的本性是什么，生物學(xué)哲學(xué)家追問生物學(xué)家“生命”的本性是什么。與哲學(xué)家相比，一般的自然科學(xué)家往往只是在自己的研究中預(yù)設(shè)了相關(guān)問題的答案，卻很少系統(tǒng)地反思這些答案的合法性。搞科學(xué)研究的人偶爾也會想大問題，比如他們會在做實驗的間歇一邊休息一邊想，但想了5分鐘后他們會繼續(xù)做實驗，而那個大問題本身卻被拋諸腦后了。但是對于哲學(xué)家來說，這些大問題是需要想一輩子的。舉例來說，數(shù)學(xué)家可能會考慮這樣一個大問題：數(shù)量化的刻畫究竟是存在于柏拉圖世界中的某種理想化的存在者，還是我們?nèi)四X想出來的用于刻畫物理世界的一種工具機(jī)制呢？可能一部分?jǐn)?shù)學(xué)家偶爾會想到這個問題，但他們不會像數(shù)學(xué)哲學(xué)家那樣持續(xù)地

　　思考這個問題。生物學(xué)家或許也會想：怎樣定義“新陳代謝”呢？電子游戲里刻畫的人工生命，是不是也具備生命的特征呢？這些生命科學(xué)家偶爾想想的問題，卻是生物學(xué)哲學(xué)家的安身立命之所在。

　　第二大任務(wù)是：在不同學(xué)科的研究成果之間尋找匯通點，而不受某一具體學(xué)科視野的局限。比如，科學(xué)哲學(xué)家往往喜歡追問這樣的問題：如何匯通生物學(xué)研究的成果和化學(xué)研究的成果？是不是所有的生物現(xiàn)象都可以還原為更為微觀的化學(xué)現(xiàn)象？而所有的化學(xué)現(xiàn)象，是否又可被還原為更為微觀的微觀物理學(xué)現(xiàn)象？或者是否存在一種不同于“還原論”的匯通方式？相比較而言，職業(yè)科學(xué)家對于這些跨學(xué)科問題雖或偶有反思，但往往也不夠系統(tǒng)和深入。當(dāng)然，我個人認(rèn)為這是理想的哲學(xué)研究應(yīng)該具備的狀態(tài)。舉例來說，亞里士多德到底是什么學(xué)術(shù)身份？一句話難以說清楚。亞里士多德的第一身份是馬其頓王國的宮廷御醫(yī)，他是懂醫(yī)學(xué)的；而亞里士多德同時也是一位修辭學(xué)家、語言學(xué)家，著有《論靈魂》《工具論》等作品。當(dāng)時的科研條件非常原始，他卻能擁有如此多的成就，很了不起。亞里士多德的所有想法在其著作《形而上學(xué)》和《物理學(xué)》中有統(tǒng)一的根苗，換言之，他用一個統(tǒng)一的話術(shù)將這些想法連綴為一體，分化成每一個具體學(xué)科之后再用《形而上學(xué)》與《物理學(xué)》所提供的某種話術(shù)來托底。這就是亞里士多德所做的工作。現(xiàn)在的哲學(xué)界很少有像亞里士多德這樣的人，因為現(xiàn)代社會知識爆炸，人類的壽命也沒怎么增長，哲學(xué)家又沒有腦機(jī)接口，我們還是要靠原始腦工作。所以能夠做兩三個學(xué)科領(lǐng)域之

　　間的匯通就很不容易了。不過，學(xué)科匯通的想法在哲學(xué)領(lǐng)域一直是存在的。

　　第三大任務(wù)是：重視論證和辯護(hù)，相對輕視證據(jù)的約束。評價哲學(xué)工作優(yōu)劣的標(biāo)準(zhǔn)，主要是看一個哲學(xué)論證本身的合理性和常識可接受性，一般不用受到嚴(yán)格的科學(xué)證據(jù)檢測。對于科學(xué)而言，合理的辯護(hù)程序卻必須和實打?qū)嵉慕?jīng)驗證據(jù)相互匹配，否則得出的結(jié)論就無法被科學(xué)共同體接受。這種差異固然使得哲學(xué)工作的自由度要遠(yuǎn)大于科學(xué)工作的自由度，但另一方面也使得哲學(xué)爭議往往不如科學(xué)爭議那樣，容易獲得學(xué)科共同體內(nèi)部的一致意見。

　　就目前的情況而言，哲學(xué)和科學(xué)之間的確不太容易對話。即使我做的是科學(xué)哲學(xué)研究，所做的研究也與科學(xué)不同?？茖W(xué)家問我：你們科學(xué)哲學(xué)家做實驗嗎？我說我不做。他們又問：那你們的研究方式是什么？我說：看你們做實驗。打個比方來說，我是一個劇評家。你問我：你拍劇嗎？我說：我不拍劇，我只做劇評。或者說，我不釀酒，但我品酒，而品酒也是一個行當(dāng)。哲學(xué)不做實驗，但是要對他人的實驗進(jìn)行解釋，這個時候就需要重構(gòu)，要有一套話術(shù)。比如，一些神經(jīng)科學(xué)家想做實驗來證明世界上沒有自由意志，一些哲學(xué)家被他們說服了，另一些哲學(xué)家則認(rèn)為這些實驗涉及的“自由意志”與哲學(xué)家所說的“自由意志”不是一回事。顯然，如何把這個問題說清楚就涉及了話術(shù)重構(gòu)的藝術(shù)。也正因為哲學(xué)家往往對證據(jù)采取重新解釋的態(tài)度，所以哲學(xué)家的工作比較自由、靈活，而此類研究所消耗的社會財富也比較少。

　　所以我個人認(rèn)為，真正的哲學(xué)家應(yīng)當(dāng)像《論語》中所說的那樣，“君子不器”，同時對敵對的哲學(xué)觀點保持一種紳士風(fēng)度。

　　為何科學(xué)訓(xùn)練排斥哲學(xué)訓(xùn)練？

　　對于哲學(xué)訓(xùn)練，很多搞科研的人都有所排斥。因為哲學(xué)家想法比較多，喜歡另辟蹊徑，總覺得某件事有另外一種做法。而對處于學(xué)徒期的科學(xué)入門者而言，這樣的“想入非非”是要被師父責(zé)罵的。毋寧說，科學(xué)的初學(xué)者需要對范式加以服從，如果他像哲學(xué)家一樣一天到晚大開腦洞，或許不利于對科學(xué)知識的掌握。

       為什么這樣說呢？

        第一，對處于學(xué)徒期的科學(xué)入門者而言，學(xué)會服從既定的研究范式是其第一要務(wù)，對這些范式的“哲學(xué)式懷疑”則會導(dǎo)致其無法入門；

        第二，嚴(yán)格的一級、二級、三級學(xué)科分類導(dǎo)致學(xué)生們忙于如何熟悉特定領(lǐng)域內(nèi)的研究規(guī)范，而無暇開闊視野、浮想聯(lián)翩；

        第三，對于權(quán)威科學(xué)模式的服從，在一定程度上壓制了那些離經(jīng)叛道的“異說”的話語權(quán)（與之相比，哲學(xué)界內(nèi)部對于“異說”的寬容度會高一些——只要你的論證符合一般的論證規(guī)范，任何古怪的觀點都可以自由提出），實際上也壓抑了學(xué)術(shù)創(chuàng)新的可能性。

　　人工智能需要哲學(xué)嗎？

　　人工智能需要哲學(xué)嗎？我覺得非常需要。人工智能最大的特點就是：關(guān)于這門學(xué)科自己的定位，很多專業(yè)人士都不是很清楚，比如人工智能到底是工科還是理科呢？連這個都不知道，難道還不需要哲學(xué)幫你開腦洞嗎？

　　20世紀(jì)50年代，艾倫·圖靈（Alan Turing）在英國哲學(xué)雜志《心智》（Mind）上發(fā)表了論文《計算機(jī)器與智能》（Computing Machinery and Intelligence）。他在文中提出了著名的“圖靈測試”（Turing Test）思想。此文涉及了對“何為智能”這個大問題的追問，并試圖通過一種行為主義的心智理論，最終消弭心理學(xué)研究和機(jī)器程序設(shè)計之間的界限，同時還對各種敵對意見提供了豐富的反駁想法。這些特征使得這篇論文不僅成了AI科學(xué)的先聲，也成了哲學(xué)史上的經(jīng)典之作。

　　然而，人工智能從某種意義上說還能上溯到柏拉圖?，F(xiàn)在不少人都說要研究知識圖譜，還有人說深度學(xué)習(xí)的技術(shù)不夠，要和知識圖譜結(jié)合在一起才行。而知識圖譜的鼻祖就是柏拉圖，他在《智者》中討論了“智者”的定義（這里的“智者”就是今天律師的祖先）。在相關(guān)的定義過程中，柏拉圖發(fā)明了二分法，比如以下提問所涉及的問題分叉術(shù)：智者是不是人？要么是，要么不是，有兩種可能。然后再問：若是人，是怎樣的人？是有學(xué)問的人，還是有沒學(xué)問的人？于是又有了兩種可能。再繼續(xù)二分下去，最后一步是分析到“智者”。今天，計算機(jī)研究中流程圖的構(gòu)建，學(xué)習(xí)的正是柏拉圖的思路。

　　計算機(jī)研究中流程圖的構(gòu)建，學(xué)習(xí)的正是柏拉圖的思路。

　　說完了古人，我們還得說說現(xiàn)代人。1956年發(fā)生了一件大事，這和我們今天做的事情很像。那一年的夏天，在美國達(dá)特茅斯學(xué)院（Dartmouth College），一群志同道合的學(xué)者驅(qū)車赴會，暢談如何利用剛剛問世不久的計算機(jī)來實現(xiàn)人類智能的問題。洛克菲勒基金會則為這次會議提供了7 500美元的資助（這些美元在當(dāng)年的購買力可非今日可比的）。會議籌備期間，約翰·麥卡錫（John McCarthy）建議學(xué)界以后就用AI一詞來代表這個新興的學(xué)術(shù)領(lǐng)域，與會者則附議。值得一提的是，在參加此次會議的學(xué)者中，有4個人后來獲得了計算機(jī)領(lǐng)域的最高學(xué)術(shù)獎勵——圖靈獎。這4個人是馬文·明斯基

　?。?nbsp;Marvin Minsky，1969年獲獎）、艾倫·紐厄爾（Allen Newell，1975年獲獎）、赫伯特·西蒙（1975年獲獎），還有麥卡錫本人（1971年獲獎）。從這個意義上說，1956年的達(dá)特茅斯會議無疑是一次名副其實的“群英會”。參加達(dá)特茅斯會議的人中雖然沒有職業(yè)哲學(xué)家，但這次會議的哲學(xué)色彩依然濃厚。首先，與會者都喜歡討論一個大問題，即如何在人類智能水平上實現(xiàn)機(jī)器智能（而不是如何用某個特定的算法解決某個具體問題）。其次，與會者都喜歡討論不同的子課題之間的關(guān)聯(lián)，追求一個統(tǒng)一的解決方案（這些子課題包括自然語言處理、人工神經(jīng)元網(wǎng)絡(luò)、計算理論、機(jī)器的創(chuàng)造性等）。應(yīng)當(dāng)看到的是，不同的學(xué)術(shù)見解在這次會議上自由碰撞，體現(xiàn)了高度的學(xué)術(shù)寬容度，這就是所謂的“哲學(xué)化”的研究特質(zhì)的一種體現(xiàn)。讓人欣慰的是，這些哲學(xué)化特質(zhì)在美國日后的AI研究中也得到了保留。

　　上文中提到的這些人雖然不能算嚴(yán)格意義上的哲學(xué)家，但他們多少有一些哲學(xué)頭腦。赫伯特·西蒙是圖靈獎和諾貝爾經(jīng)濟(jì)學(xué)獎的雙料獲得者。就連來不及參加此會的計算機(jī)科學(xué)大師馮·諾伊曼，其實也是如假包換的跨學(xué)科人才。他研究計算機(jī)、數(shù)學(xué)，還研究原子彈。在曼哈頓工程的研究過程中，他的跨學(xué)科能力得到了發(fā)揮：當(dāng)化學(xué)家、物理學(xué)家、數(shù)學(xué)家就具體科學(xué)問題吵得雞同鴨講的時候，馮·諾伊曼可以把不同的學(xué)科的話術(shù)翻譯給不同的人聽，大家聽了都深感佩服。

　　為何AI科學(xué)對哲學(xué)的寬容度相對較高？

　　首先要指出的是，關(guān)于AI的實質(zhì)是什么、“智能”的實質(zhì)是什么，即使在AI的圈子里，大家最初的認(rèn)知也有很大差異。比如，如果你認(rèn)為智能的實質(zhì)是具體的問題求解能力，那么你就會為你心目中的智能機(jī)器規(guī)劃好不同的問題求解路徑（這就是主流符號AI學(xué)界所做的），而每一條路徑又對應(yīng)著不同的問題。如果智能的實質(zhì)是一個具體的問題求解能力，你就會像一個傳統(tǒng)的符號AI研究者一樣，把它做成一個規(guī)則系統(tǒng)推導(dǎo)出來。這就是GPS研究計劃。這里說的GPS與導(dǎo)航無關(guān)，而是指“通用問題求解器”（general problem solver）。如果你認(rèn)為實現(xiàn)智能的實質(zhì)是盡量模擬自然智能體的生物學(xué)硬件，你就會努力鉆研人腦的結(jié)構(gòu)，并用某種數(shù)學(xué)模型去重建一個簡化的神經(jīng)元網(wǎng)絡(luò)（這就是聯(lián)結(jié)主義者所做的）。

       如果你認(rèn)為智能的實質(zhì)僅僅在于智能體在行為層面上和人類行為相似，那么你就會用盡一切辦法來填滿你理想中智能機(jī)器的“心智黑箱”（無論是在其中預(yù)裝一個巨型知識庫，還是使其和互聯(lián)網(wǎng)接駁，以便隨時更新自己的知識——只要管用就行）。由此看來，正是因為自身研究對象的不確定性，AI研究者在哲學(xué)層面上對于“智能”的不同理解才會在技術(shù)實施的層面上產(chǎn)生如此大的影響。很明顯，這種學(xué)科內(nèi)部的基本分歧在相對成熟的自然科學(xué)領(lǐng)域是比較罕見的。

　　如果你認(rèn)為智能的實質(zhì)僅僅在于智能體在行為層面上和人類行為相似，那么你就會用盡一切辦法來填滿你理想中智能機(jī)器的“心智黑箱”。

　　其次，AI科學(xué)自身的研究手段缺乏刪除不同理論假設(shè)的決定性判決力，這就在很大程度上為哲學(xué)思辨的展開預(yù)留了空間。AI和物理學(xué)是不一樣的。物理學(xué)歷史上有一個很重要的實驗叫“邁克爾遜－莫雷實驗”，實驗結(jié)果是沒有“以太風(fēng)”，所以就沒有“以太”，由此顛覆了此前的物理學(xué)的認(rèn)知。而人工智能領(lǐng)域是沒有這種判決性實驗的。與物理學(xué)家不同，AI科學(xué)家一般不做實驗（experiment），而只做試驗（test）。就這一點而言，這門學(xué)科似乎更像是“工科”（engineering），而非“理科”（science）。具體來說，判斷一個AI系統(tǒng)好不好，標(biāo)準(zhǔn)就在于檢驗其是否達(dá)到了設(shè)計者預(yù)定的設(shè)計目標(biāo)，或者是否比同類產(chǎn)品的表現(xiàn)更好。但這些標(biāo)準(zhǔn)自身無疑存在著很大的彈性。另外，即使暫時沒有達(dá)到這些標(biāo)準(zhǔn)，這一點也不能夠證明系統(tǒng)設(shè)計原理的失誤，因為設(shè)計者完全可能會根據(jù)某種哲學(xué)理由而相信，基于同樣設(shè)計原理的改良產(chǎn)品一定能有更好的表現(xiàn)。從這個角度看，對于特定的AI進(jìn)路來說，經(jīng)驗證據(jù)的辯護(hù)功效更容易得到形而上的哲學(xué)辯護(hù)力的抵消。

　　再次，關(guān)于人類心智結(jié)構(gòu)的猜測，哲學(xué)史上已經(jīng)積累了大量的既有成果，這在一定程度上便構(gòu)成了AI研究的智庫。與之相比，雖然心理學(xué)和神經(jīng)科學(xué)研究也能在一定程度上扮演這種智庫的角色，但它們的抽象程度不如哲學(xué)，解釋對象又主要是人腦的生理機(jī)能，因此反而不太具備某種橫跨心靈和機(jī)器的普適性。

　　最后，與成熟科學(xué)的研究狀況不同，目前AI學(xué)界依然處在群雄爭霸的階段，各種研究進(jìn)路彼此競爭，很難說誰已經(jīng)獲得了絕對的優(yōu)勢。這在一定程度上又為哲學(xué)家提供了在其中表演的舞臺。

    　從以上的分析來看，人工智能有點像人文學(xué)科，它有一個話術(shù)構(gòu)建的問題。也就是說，即使現(xiàn)在這個技術(shù)路徑做得不好，也不要怕，再過20年的時間，說不定該技術(shù)路徑能夠贏得未來。這個特征就有點像哲學(xué)了。哲學(xué)問題討論了2 000多年，也沒有哪個哲學(xué)流派說自己可以一統(tǒng)江湖。所以，人工智能專家應(yīng)當(dāng)與哲學(xué)家惺惺相惜。

　　下面我想介紹一位與AI有關(guān)的哲學(xué)家，他的名字叫休伯特·德雷福斯（Hubert L. Dreyfus），是美國加州大學(xué)伯克利分校的哲學(xué)教授，美國最優(yōu)秀的現(xiàn)象學(xué)家之一，在海德格爾哲學(xué)、?？抡軐W(xué)、梅洛－龐蒂哲學(xué)研究方面很有造詣。讓人驚訝的是，以歐陸人本主義哲學(xué)為背景的德雷福斯，卻創(chuàng)作出AI哲學(xué)領(lǐng)域最富爭議的一部著作《計算機(jī)不能做什么》（WhatComputers Still Can’t Do）。這部著作也使德雷福斯在AI領(lǐng)域的社會影響超越了他的學(xué)術(shù)本行。那么，他為何要轉(zhuǎn)行去寫一本關(guān)于AI的哲學(xué)書呢？根據(jù)德雷福斯自己和其他記者的說法，這和他在麻省理工學(xué)院教學(xué)時受到的一些刺激相關(guān)。在1962年，就有學(xué)生明白地告訴他，哲學(xué)家關(guān)于人性的思辨已經(jīng)過時了，因為根據(jù)馬文·明斯基等AI科學(xué)家的說法，在不久后就可以用工程學(xué)的方法實現(xiàn)人類智能的方方面面。德雷福斯覺得這話近乎天方夜譚，但為了做到公允，他還是在不久后去了美國的頂級民間智庫蘭德公司（Rand Corporation）進(jìn)行調(diào)研——因為恰恰在那個時候，西蒙、紐厄爾和克里夫·肖（Cliff Shaw）等AI界的頂級大腕也正在那里從事研究。經(jīng)過一段時間的分析，德雷福斯最后確定自己對當(dāng)時的AI規(guī)劃的懷疑是有根據(jù)的，并在1965年扔出了他擲向主流AI界的第一塊“板磚”—《人工智能與煉金術(shù)》（ Artificial Intelligence and Alchemy）。德雷福斯對于主流AI進(jìn)路有很多批評意見，其中比較有意思的一條是：真實的思維是不能夠被明述的程序所窮盡的。比如說你在打網(wǎng)球的時候，是不是得先看到球，然后計算其入球的角度，計算你的球拍接球的角度以及速度，最后才能夠接到球？顯然不是這樣的，因為由上述計算所帶來的運算負(fù)荷是很高的，我們?nèi)祟惖拇竽X未必“消費得起”。實際上，熟練的網(wǎng)球手僅僅是憑借某種前符號規(guī)則的直覺領(lǐng)悟來把握到接球的正確時機(jī)的。而對于這些直覺本身，傳統(tǒng)的程序設(shè)計方案往往是無能為力的。

　　不過，德雷福斯本人并不認(rèn)為所有的AI進(jìn)路都無力解決上述問題。換言之，一些更為新穎的AI進(jìn)路或許能夠?qū)θ绾伟盐者@些前符號的直覺提供方案。他認(rèn)為，這些進(jìn)路必須更為忠實地反映身體的結(jié)構(gòu)，以及身體和環(huán)境之間的互動關(guān)系，而不僅僅是在符號的內(nèi)部世界中打轉(zhuǎn)。這個想法后來在AI專家羅德尼·布魯克斯（Rodney Brooks）的理論建樹中被發(fā)揚光大。根據(jù)布魯克斯的觀點，新潮AI是建立在物理根據(jù)假設(shè)（physical grounding hypothesis）之上的。該假設(shè)是指為了建立一個足夠智能的系統(tǒng)，我們需要將其表征的根據(jù)奠定在物理世界之中。關(guān)于這一工作路徑的經(jīng)驗表明，一旦我們做出了這個承諾，那種對于傳統(tǒng)符號表征的要求就會馬上變得黯淡無光。這里的核心觀點在于，世界就是認(rèn)知系統(tǒng)所能擁有的最好的模型。世界一直能夠及時更新自身。它總是包含需要被了解的一些細(xì)節(jié)。這里的訣竅就是，要讓系統(tǒng)以恰當(dāng)?shù)姆绞礁兄澜?，做到這一點往往就足夠了。為了建立體現(xiàn)此假設(shè)的模型，我們需要讓系統(tǒng)通過一系列感知器和執(zhí)行器與世界相聯(lián)系。而可被打印的字符輸入或輸出將不再引起我們的興趣，因為它們在物理世界中缺乏根據(jù)。