【摘要】人工智能的表征方式應(yīng)該是適應(yīng)性的，這是通過生物特別是人類適應(yīng)環(huán)境到人造的機(jī)器適應(yīng)環(huán)境的一個(gè)類比邏輯地推出的。如果我們承認(rèn)生物是進(jìn)化適應(yīng)性的，那么就應(yīng)當(dāng)承認(rèn)其認(rèn)知表征能力也是適應(yīng)性的，進(jìn)而作為人造物的人工智能包括機(jī)器人，其認(rèn)知表征也自然是適應(yīng)性的，即適應(yīng)性的主體會創(chuàng)造或產(chǎn)生適應(yīng)性的結(jié)果。這一適應(yīng)性轉(zhuǎn)換的過程是通過人為設(shè)置語境實(shí)現(xiàn)的，語境的設(shè)置是通過建構(gòu)語料庫進(jìn)行的，人工智能的適應(yīng)性表征正是基于人為設(shè)置的語境進(jìn)行的。因此，適應(yīng)性表征就成為智能機(jī)器人能否像人那樣行動的一個(gè)重要判據(jù)。

【關(guān)鍵詞】人工智能? 語境設(shè)置? 適應(yīng)性表征

【中圖分類號】TP18? ? ? ? ? ? ? ? ? ? ? ? ? ? 【文獻(xiàn)標(biāo)識碼】A

【DOI】10.16619/j.cnki.rmltxsqy.2019.21.004

人工智能發(fā)展到今天，對現(xiàn)代社會產(chǎn)生了異乎尋常的影響，滲透到幾乎所有領(lǐng)域，諸如工業(yè)、農(nóng)業(yè)、服務(wù)業(yè)、科研、醫(yī)療、教育等，就連日常生活也不例外，如智能手機(jī)、掃地機(jī)器人的廣泛使用。然而，人工智能特別是它的應(yīng)用領(lǐng)域機(jī)器人學(xué)的發(fā)展卻遇到了極大挑戰(zhàn)，即智能機(jī)器人如何能夠像人那樣思維和行動。

這個(gè)棘手的問題實(shí)際上有兩個(gè)層次：一個(gè)是認(rèn)知層次，另一個(gè)是運(yùn)動層次。關(guān)于第一個(gè)層次的認(rèn)知問題，認(rèn)知科學(xué)、計(jì)算機(jī)科學(xué)包括人工智能及其哲學(xué)討論得非常多了，具體說就是計(jì)算機(jī)能否像人那樣思維或認(rèn)知，或者說計(jì)算機(jī)是否有思維能力。在計(jì)算主義的語境中，由于思維被定義為計(jì)算，所以計(jì)算機(jī)不僅能像人那樣思維，而且事實(shí)上已經(jīng)超過了人類，如大型計(jì)算機(jī)的運(yùn)算速度遠(yuǎn)遠(yuǎn)超過人類;而在“具身認(rèn)知科學(xué)”的語境中，思維被認(rèn)為僅僅是與我們生物的身體以及基于身體的情感、自由意志相關(guān)的，計(jì)算機(jī)包括智能機(jī)由于沒有身體，缺乏情感和心靈，因而被認(rèn)為不可能像人那樣思維。這種爭論仍然在繼續(xù)著。這里的重點(diǎn)不是要討論認(rèn)知層次的問題，而是著重探討運(yùn)動層次的問題，即智能機(jī)器人如何能夠像人那樣靈活地行動，也就是如何進(jìn)行適應(yīng)性表征的問題。

適應(yīng)性通過設(shè)置語境嵌入人工智能

進(jìn)化生物學(xué)已經(jīng)表明，所有生物包括我們?nèi)祟惗际亲匀贿M(jìn)化的產(chǎn)物，進(jìn)化意味著生物在適應(yīng)變化的環(huán)境。凡是不適應(yīng)環(huán)境變化的生物，都會遭到淘汰。人類之所以能夠生存至今且越來越發(fā)達(dá)，與其擁有超強(qiáng)的適應(yīng)性能力密不可分。適應(yīng)性能力不僅表現(xiàn)在生理層次上的適應(yīng)，更表現(xiàn)在認(rèn)知層次的適應(yīng)，這反映在我們不斷探索未知世界，也就是不斷嘗試認(rèn)知地適應(yīng)自然世界的方方面面。這意味著，我們的心智和智能是適應(yīng)性的，我稱之為“適應(yīng)性心智”或“適應(yīng)性智能”。正是有了這種適應(yīng)能力，我們才能持久生存下去，才能不斷創(chuàng)造出新東西，如計(jì)算機(jī)、各種機(jī)器人。這表明人類的所有創(chuàng)造物，包括知識形態(tài)和實(shí)體形態(tài)，都是適應(yīng)性表征的結(jié)果。由此推知，適應(yīng)性能力特別是認(rèn)知和表征能力是人之為人的標(biāo)志。

之所以這樣說，是因?yàn)閯游镫m然也有適應(yīng)環(huán)境的能力，也可能有一些認(rèn)知能力（靈長類動物有一定智力，比如會使用簡單工具），但沒有使用語言特別是抽象符號進(jìn)行表征的能力。這是顯而易見的事實(shí)。人不僅具備這種抽象符號表征能力，而且制造出了人工智能這種符號表征的物理系統(tǒng)，它是人類智力高度發(fā)達(dá)的體現(xiàn)。數(shù)學(xué)和邏輯學(xué)之所以高度抽象、推理嚴(yán)密，就是運(yùn)用了符號思維和符號表征能力。自然科學(xué)特別是現(xiàn)代物理學(xué)如量子力學(xué)也是運(yùn)用符號表征（數(shù)學(xué)的、邏輯的）的科學(xué)。人工智能的表征系統(tǒng)基本上使用的就是數(shù)學(xué)和邏輯的表征方法，比如計(jì)算機(jī)編程就是用符號語言編寫的，而不是使用純自然語言（日常語言）。計(jì)算機(jī)能夠處理符號語言（操作符號），而難以處理自然語言（不能用于編程，也難以給出其意義），這就是計(jì)算機(jī)和人工智能中的自然語言處理難題。

為什么計(jì)算機(jī)難以處理自然語言呢？在我看來，原因并不復(fù)雜，因?yàn)橛?jì)算機(jī)缺乏人類靈活的適應(yīng)能力和自主融入語境的能力，也就是適應(yīng)性表征能力。這意味著適應(yīng)性表征是計(jì)算機(jī)科學(xué)包括人工智能和機(jī)器人學(xué)發(fā)展的關(guān)鍵。如果讓計(jì)算機(jī)系統(tǒng)和人工智能裝置擁有了這種能力，那它們就應(yīng)該能夠處理自然語言了，比如智能機(jī)器人寫文章、作詩、譜曲，與人類對話。目前雖然這方面已有所進(jìn)展，如智能機(jī)器人給歌手評分，但它仍然不能理解它所處理的自然語言的含義，如不理解歌手所唱歌詞的意義，它所作的只是機(jī)械地測量和評估，如聲調(diào)高低、音域大小等。也就是說，智能機(jī)器人只“知其然”，而不知“其所以然”。這就是機(jī)器人與人類在適應(yīng)性表征方面的差距。

然而，問題來了。計(jì)算機(jī)和人工智能如何才能擁有適應(yīng)性表征能力呢？這是個(gè)非常重要的問題，也是個(gè)極其棘手的問題。目前，人工智能在技術(shù)實(shí)踐上還沒有太大突破，理論或哲學(xué)上僅限于假設(shè)和思辨。我曾經(jīng)在哲學(xué)層次提出過計(jì)算機(jī)像人那樣思維的“自語境化”假設(shè)，[1]即智能機(jī)要像人那樣思維，就應(yīng)該像人那樣能夠自動融入新的語境中，也就是從一個(gè)它所處的語境（情境）進(jìn)入一個(gè)新的語境中仍能夠應(yīng)對自如，就像我們與不同的人打交道那樣。當(dāng)然，這只是一種理想化的設(shè)想，因?yàn)槲覀冎乐悄軝C(jī)是沒有語感的，不像我們?nèi)祟悘男∈苓^教育，有在不同環(huán)境中成長的經(jīng)歷等。這種潛移默化的背景因素是機(jī)器人無法習(xí)得的。但是，我們別忘了一個(gè)基本的前提：智能機(jī)器人是人設(shè)計(jì)的。人類設(shè)計(jì)者可以給智能機(jī)設(shè)置語境，比如建立知識庫和語料庫，智能體（agent）可以使用各種搜索方法從庫里尋找所需的數(shù)據(jù)，從而完成特定的認(rèn)知任務(wù)，如下棋、爬山。

從適應(yīng)性表征角度看，自語境化過程實(shí)質(zhì)上就是適應(yīng)性過程，也就是適應(yīng)新語境或環(huán)境的過程。如果說自語境化假設(shè)還停留在哲學(xué)層次，那么適應(yīng)性表征則處于科學(xué)和技術(shù)層次，或者說，前者是理論的，后者是實(shí)踐的?？茖W(xué)表征如各種科學(xué)理論，就是實(shí)實(shí)在在的適應(yīng)性表征（通過假設(shè)、試錯(cuò)、檢驗(yàn)、修正），人工智能的各種表征（數(shù)學(xué)的、邏輯的、概率的），也是適應(yīng)性的（完成認(rèn)知任務(wù)的嘗試過程），只是適應(yīng)的程度比人的適應(yīng)性要弱許多。比如科學(xué)理論的修正，可能需要較長的時(shí)間，而人適應(yīng)環(huán)境的時(shí)間則相對較短。事實(shí)上，我們遇到的新語境也不是我們刻意設(shè)計(jì)的，而是隨機(jī)遇到的，比如偶遇幾個(gè)只會講英語的外國人就形成一個(gè)講英語的語境，與之交流時(shí)最好使用英語，假如不懂英語，也可通過肢體語言如眼神、手勢溝通。在這種情形下，智能機(jī)器人可通過語言切換進(jìn)行交流，比不懂英語的人還有優(yōu)勢，因?yàn)樗恼Z料庫中可被嵌入多種語言。

這個(gè)例子告訴我們，在機(jī)器人學(xué)中，我們可以“頂層設(shè)計(jì)”，根據(jù)目標(biāo)任務(wù)想到機(jī)器人可能遇到的所有可能境遇。比如掃地機(jī)器人，是在平滑的地面清掃，而不是崎嶇不平的環(huán)境。這就是人為設(shè)置的“有限語境”。由于設(shè)計(jì)者可以給智能機(jī)設(shè)置語境，所以智能機(jī)適應(yīng)性地表征就不僅是可能的，而且已經(jīng)基本實(shí)現(xiàn)，比如現(xiàn)在的各種實(shí)用機(jī)器人，只是這種適應(yīng)性是受限于被設(shè)置的語境的。總之，智能機(jī)的適應(yīng)性是人類設(shè)計(jì)者通過設(shè)置語境讓其盡可能適應(yīng)不同境遇或環(huán)境的。正如德雷福斯對海德格爾的“技能應(yīng)對”的解讀所認(rèn)為的那樣，我們有必要設(shè)定使特定局部實(shí)踐得以可能的背景（語境），即使特殊的應(yīng)對活動在當(dāng)下世界的顯現(xiàn)成為可能的背景，而且這種背景應(yīng)對通過讓行動者（人或機(jī)器）施展使用特定器具的熟練能力，使其在特定環(huán)境中對任何通常情況下可能出現(xiàn)的事態(tài)作出恰當(dāng)?shù)幕貞?yīng)。[2]設(shè)置的語境的范圍、復(fù)雜程度不同，其適應(yīng)性能力就不同，這與要完成的目標(biāo)任務(wù)相關(guān)。事實(shí)上，人在不同環(huán)境或語境中執(zhí)行特定任務(wù)的情形也是如此。

人工智能通過建構(gòu)語料庫設(shè)置語境

雖然人工智能缺乏語感，也不擁有語境，但是人類設(shè)計(jì)者可以給它設(shè)置并嵌入語境。比如計(jì)算機(jī)的編程語言是符號的，但其在視屏上的呈現(xiàn)幾乎都是自然語言的，否則就難以普及應(yīng)用了。具體來說，智能機(jī)沒有我們擁有的語境，但人類設(shè)計(jì)者可以通過人為設(shè)置語境讓智能機(jī)有作為近似人類語境的知識庫或語料庫，然后通過文本分類、信息檢索和信息提取等方法從中獲得所需的信息。這類似于我們查詞典，詞典就是我們的語料庫。需要指出的是，這種顯在的語料庫與潛在的知識構(gòu)成的語境因素還是有區(qū)別的，由于人和機(jī)器存在質(zhì)的差異，其語境也必然有所區(qū)別，因?yàn)槿耸峭ㄟ^自然習(xí)得語言才逐漸有了語感進(jìn)而形成語境，而機(jī)器是人為其嵌入語言，只是儲存而不會產(chǎn)生語感，因而不會自發(fā)形成并擁有語境，或者說，人有發(fā)生語境，而機(jī)器沒有。這就是為什么塞爾將語境看作背景（background）的原因（人有背景，機(jī)器沒有）。[3]

就人為機(jī)器設(shè)置的語境來說，比如我們可將各種百科全書和各類詞典作為語料庫，而且這種語料庫隨著時(shí)間的推移會不斷增大。這種不斷增大的語料庫，使得信息提取越來越精確。例如機(jī)器翻譯，雖然它的翻譯總是直譯，并不準(zhǔn)確，但它提供的信息，如我們不認(rèn)識的單詞，機(jī)器會給出基本意義，省去我們查找詞典的許多時(shí)間。目前常見的翻譯軟件如金山詞霸、有道詞典、谷歌翻譯等，均有巨大的語料庫，幾乎囊括了主要語種諸如英語、法語、德語、漢語等的幾乎所有詞匯。凡是使用過這些軟件的人都知道，這比查找相關(guān)紙質(zhì)詞典方便多了。語料庫或知識庫，就是人類設(shè)計(jì)者為智能機(jī)設(shè)置的“語境”。這種人為設(shè)置的語境無論多大，也是有限的、可描述和可表征的。與人類的語境作為意向性的一個(gè)關(guān)鍵且無法消除的方面相比，還是有區(qū)別的。因?yàn)槿说恼Z境“類似于某種終極語境……，甚至是更廣泛的情境，我們稱之為人類的生活世界”。[4]顯然，人工智能壓根就沒有這個(gè)“生活世界”，更談不上體驗(yàn)這個(gè)“生活世界”了。

如果說語料庫是人為智能機(jī)設(shè)置的一個(gè)背景語境，那么具體到一個(gè)問題或任務(wù)，人工智能就是問題或任務(wù)導(dǎo)向的，此時(shí)就需要有具體的問題語境或當(dāng)下目標(biāo)語境。在人工智能中，智能體被認(rèn)為是最大化其性能測量的人工主體。這一過程是目標(biāo)取向的并盡可能達(dá)到目標(biāo)，這與生物體是相似的。在適應(yīng)環(huán)境的意義上，意識主體達(dá)到目標(biāo)的表征一定是適應(yīng)性的。我們設(shè)想一個(gè)主體（人或智能體）在北京旅游，它享受美麗的景觀，如天安門廣場。主體的性能測量可能包括許多因素，諸如交通便利、陽光充足、景色迷人、夜生活，以及避免宿醉等。去哪些景點(diǎn)，這個(gè)決策問題也是復(fù)雜的，因?yàn)樗婕爸T多權(quán)衡，要閱讀旅游指南等。進(jìn)一步假設(shè)這個(gè)主體購買了第二天去上海的機(jī)票，而且該機(jī)票是不能退的，在這種情形下，主體只能確定去上海的目標(biāo)（沒有選擇余地），不能及時(shí)達(dá)到上海的行動計(jì)劃會被拒絕，這樣，主體的決策問題就被大大地簡化了。這表明是目標(biāo)約束了主體的行動，所以基于當(dāng)下境遇和主體的性能測量的目標(biāo)規(guī)劃，就是問題-解決語境下的關(guān)鍵第一步。

在真實(shí)世界中，一個(gè)目標(biāo)就是一組世界狀態(tài)，準(zhǔn)確說就是目標(biāo)被滿足的那些狀態(tài)。主體的任務(wù)就是發(fā)現(xiàn)現(xiàn)在和將來如何行動，以便實(shí)現(xiàn)目標(biāo)。在采取行動前，我們需要確定哪類行動和狀態(tài)要考慮，因?yàn)樵诩?xì)節(jié)上存在許多不確定因素，具體行動步驟也會有許多。比如去上海前我們需要考慮以什么方式、哪一天的什么時(shí)刻等，甚至還要考慮天氣因素。這就是說，在給定目標(biāo)的情形下，我們需要考慮基于目標(biāo)的相關(guān)行動和狀態(tài)，這是問題規(guī)劃的過程。對一個(gè)已知的或可觀察的環(huán)境，主體可以采取一系列確定的行動來達(dá)到目標(biāo)。如果環(huán)境是不可觀察的或不確定的，也就是未知的，主體達(dá)到目的的行動序列就會復(fù)雜得多，這就是關(guān)于不確定性的探索問題。這兩種情形都涉及問題—解決的語境設(shè)置問題。

在人工智能中，一個(gè)明確定義的問題語境一般包括五個(gè)方面。

（1）初始狀態(tài)（主體開始行動的起點(diǎn)），比如我們在北京可表達(dá)為In（Beijing）。[5]

（2）關(guān)于主體可用的可能行動的一個(gè)描述，已知一個(gè)狀態(tài)s，一個(gè)在該狀態(tài)中可執(zhí)行的行動就是Action（s），比如狀態(tài)In（Beijing），可采取的行動{Go（Yiheyuan），Go（Changcheng），Go（Tiantan）}（去（頤和園），去（長城），去（天壇））。

（3）關(guān)于每個(gè)行動做什么的一個(gè)描述，也就是轉(zhuǎn)換模型，由結(jié)果函數(shù)Result（s， a）詳細(xì)說明，比如Result（In（Beijing），Go（Yiheyuan））=In（Yiheyuan）。這樣一來，初始狀態(tài)、行動和轉(zhuǎn)換模型一起隱含地定義了問題的狀態(tài)空間，也就是通過任何行動序列從初始狀態(tài)達(dá)到所有狀態(tài)的組合語境。這個(gè)狀態(tài)空間形成一個(gè)定向網(wǎng)，其中的節(jié)點(diǎn)表示狀態(tài)，狀態(tài)之間的連接表示行動。

（4）目標(biāo)測試，它決定一個(gè)給定的狀態(tài)是否是一個(gè)目標(biāo)。比如在下中國象棋的情形中，目標(biāo)是達(dá)到一個(gè)“將死”的狀態(tài)，在那個(gè)狀態(tài)對手的“帥”不能再移動了。

（5）一個(gè)路徑代價(jià)函數(shù)，它評估每個(gè)路徑的數(shù)值。問題-解決的主體選擇一個(gè)代價(jià)函數(shù)來反映它自己的性能測量。比如趕飛機(jī)去上海的人，時(shí)間是其實(shí)質(zhì)，路徑數(shù)值是公里長度，如太原到上海的距離是1200公里。我們一般能夠根據(jù)地圖上的比例計(jì)算出兩個(gè)城市之間的直線距離。一般來說，一個(gè)問題的求解就是從初始狀態(tài)到目標(biāo)狀態(tài)的一個(gè)行動序列。求解質(zhì)量由路徑代價(jià)函數(shù)來測量，而最優(yōu)解是所有解中的最低值。

可以看出，這五個(gè)成分構(gòu)成一個(gè)問題或任務(wù)語境，其表征嚴(yán)格說是一種抽象的數(shù)學(xué)描述，還不是真實(shí)發(fā)生的事情，比如我們從北京到上海的實(shí)際旅行，如果是乘高鐵，還可以觀看一路的風(fēng)景。抽象模型抽去了表征的一些細(xì)節(jié)，留下最顯著的特性。這個(gè)抽象過程也是規(guī)劃問題的過程。除抽象化狀態(tài)描述外，我們還必須抽象化行動本身。比如開車的行動包括許多結(jié)果，除了改變車的地點(diǎn)，還有時(shí)間花費(fèi)、汽油消耗、尾氣排放、環(huán)境污染等。我們的規(guī)劃只考慮了地點(diǎn)的改變，忽略了許多其他行動，比如打開收音機(jī)、向窗外看、減速等，因?yàn)檫@些行動對于我們從一個(gè)地方到達(dá)另一個(gè)地方（完成目標(biāo)）沒有多少幫助。這就是說，執(zhí)行從一地到另一地的行動是主體要完成的任務(wù)，其他行動與完成這個(gè)目標(biāo)幾乎沒有關(guān)系，所以可以不予考慮。這就是語境的聚焦或過濾作用。語境的存在，使得某些與認(rèn)知目標(biāo)關(guān)系不大的因素被排除掉，從而起到簡化、集中的作用。在這種問題語境下，智能體才能解決具體問題。

上述例子是人工智能中的“路徑發(fā)現(xiàn)問題”?，F(xiàn)代小車上的導(dǎo)航系統(tǒng)就是解決路徑發(fā)現(xiàn)問題的系統(tǒng)，它是一個(gè)適應(yīng)性系統(tǒng)，即必須隨著路徑和路況的不同及時(shí)做出調(diào)整。上述從北京到上海的航空旅行就是一個(gè)具體的路徑發(fā)現(xiàn)例子。根據(jù)上述的五個(gè)方面或步驟，這個(gè)例子的一個(gè)旅行計(jì)劃網(wǎng)（語境）的構(gòu)成包括以下六部分。

（1）歷史狀態(tài)：每個(gè)狀態(tài)包括一個(gè)地點(diǎn)，如首都國際機(jī)場，當(dāng)前時(shí)間，如具體起飛時(shí)間，以及歷史因素，如機(jī)場狀況、機(jī)場設(shè)施，甚至還可能包括國內(nèi)還是國際航班等信息。

（2）初始狀態(tài)：這要根據(jù)使用者的問題來說明，如晚上8點(diǎn)北京到上海的航班的情況。

（3）行動：乘坐當(dāng)前機(jī)場的飛機(jī)、選擇任何等級的座位、留下足夠轉(zhuǎn)機(jī)的時(shí)間等。

（4）轉(zhuǎn)換模型：產(chǎn)生乘機(jī)的狀態(tài)將擁有航班的目的地作為當(dāng)下地點(diǎn)，航班到達(dá)時(shí)間作為當(dāng)下時(shí)間。

（5）目標(biāo)測試：使用者是否詳細(xì)說明了最終的目的地。

（6）路徑代價(jià)：這依賴于貨幣值、等待時(shí)間、航行時(shí)間、座位等級、飛機(jī)類型，以及乘機(jī)頻次獎(jiǎng)勵(lì)等因素。經(jīng)常乘飛機(jī)的人都知道，并不是所有航行都能夠按照計(jì)劃進(jìn)行，改變原計(jì)劃的情形時(shí)不時(shí)會發(fā)生，或者是天氣的原因，或者是飛機(jī)的故障，或者是出行者自己的原因，等等。

因此，一個(gè)真正好的系統(tǒng)應(yīng)該包括臨時(shí)計(jì)劃，比如備份預(yù)定下一趟航班，以防原計(jì)劃失效。出于這些原因，人類設(shè)計(jì)者在設(shè)置語境時(shí)要盡可能考慮到各種可能性。

人工智能基于設(shè)置的語境適應(yīng)性地表征

這里我以人工智能的應(yīng)用領(lǐng)域——機(jī)器人學(xué)的適應(yīng)性表征為例來說明。在機(jī)器人學(xué)中，通過感知系統(tǒng)是機(jī)器人能夠適應(yīng)性表征的主要方法。感知是機(jī)器人將感應(yīng)器的測量映射到其環(huán)境的內(nèi)在表征過程。由于感應(yīng)器本身存在噪音，加之環(huán)境具有部分可觀察性、不可預(yù)測性和動態(tài)性，這種人工感知很困難，因?yàn)樗鼤龅讲淮_定環(huán)境中狀態(tài)評估的所有問題。這就需要人類設(shè)計(jì)者為其設(shè)置特定語境。

一般來說，機(jī)器人的可靠內(nèi)在表征有三個(gè)屬性：一是包含足夠的信息讓機(jī)器人做決定;二是被結(jié)構(gòu)化，以便能夠被有效更新;三是內(nèi)在變量對應(yīng)于物理世界中的自然狀態(tài)變量[6]。在我看來，這三個(gè)屬性就是人為給予的三個(gè)語境因素。我們可以使用動態(tài)貝葉斯網(wǎng)絡(luò)表征部分可觀察環(huán)境的轉(zhuǎn)換和感應(yīng)器模型。從表征視角看，我們將機(jī)器人自己的過去行動作為已觀察變量，具體說，機(jī)器人感知能夠被視為根據(jù)行動和環(huán)境序列的動態(tài)貝葉斯網(wǎng)絡(luò)的時(shí)序推理。我們假設(shè)Xt是在時(shí)間t包括機(jī)器人在內(nèi)的環(huán)境的狀態(tài)，如足球場，At是在時(shí)間t接收到的觀察信息，At是觀察信息被接收后采取的行動。我們可以根據(jù)動態(tài)貝葉斯網(wǎng)絡(luò)模型從當(dāng)下信念狀態(tài)的概率P（Xt）計(jì)算新信念狀態(tài)的概率P（X（t+1））和新觀察信息Z（t+1）。比如我們要建構(gòu)一個(gè)踢足球的機(jī)器人，X（t+1）可能是與足球相關(guān)的機(jī)器人的位置，后驗(yàn)概率是捕捉我們從過去的感應(yīng)器測量和控制所知道的所有狀態(tài)的一個(gè)概率分布。

對于機(jī)器人來說，如何發(fā)現(xiàn)包括它自己在內(nèi)的物體的位置是一個(gè)重要問題。這就是定位和映射問題，涉及物體在何處的先驗(yàn)知識，這種先驗(yàn)知識是任何與環(huán)境相互作用成功的人工主體包括邏輯主體、搜索主體、機(jī)器人操縱器的核心，它們必須“知道”它們要尋找的物體的位置。比如無人駕駛飛機(jī)必須知道去哪里發(fā)現(xiàn)目標(biāo)。這就是說，機(jī)器人這種人工主體的行動是基于先驗(yàn)知識的。這種先驗(yàn)知識就屬于語境范疇，人類設(shè)計(jì)者要預(yù)先考慮到并將其嵌入智能體的程序或算法中。

問題是，基于先驗(yàn)知識的機(jī)器人的內(nèi)在表征是否是適應(yīng)性的呢？我們以移動機(jī)器人在二維平面移動為例來說明這個(gè)問題。給定機(jī)器人一幅精確的環(huán)境地圖（先驗(yàn)知識），機(jī)器人的姿態(tài)可由它的兩個(gè)具有x和y值的笛卡爾坐標(biāo)定義，它的頭部轉(zhuǎn)動方向可由三角函數(shù)θ值定義。這種計(jì)算在數(shù)學(xué)上不難做到，一般的人工智能和機(jī)器人學(xué)書籍或教材都有介紹，這里不做詳細(xì)討論。由于機(jī)器人的內(nèi)在表征是基于知識和計(jì)算的，所接收的信息是通過感應(yīng)器獲得的，感知系統(tǒng)的表征就應(yīng)該是適應(yīng)性的。由此我們可推知，基于感知系統(tǒng)的移動機(jī)器人的內(nèi)在表征是依據(jù)其語境進(jìn)行的，因而其表征就是適應(yīng)其環(huán)境的，否則它就不能完成任務(wù)。

這里我們特別要關(guān)注的一個(gè)哲學(xué)問題是，如果沒有先驗(yàn)知識這種語境知識可用，比如沒有機(jī)器人所需要的地圖，在這種情形下，機(jī)器人如何行動呢？顯然，這里存在一個(gè)“雞和蛋的問題”——機(jī)器人對于它不知道的一幅地圖，卻必須確定它的位置，同時(shí)建構(gòu)這幅地圖而又不知道它確切的位置。這個(gè)問題對于機(jī)器人的應(yīng)用非常重要，因?yàn)闄C(jī)器人在被使用前并不知道它將要處于的環(huán)境。比如掃地機(jī)器人，在理想的平坦環(huán)境中執(zhí)行任務(wù)比較順利，但是在凹凸不平的地面就不那么順手了，可能被卡住了。這就是同時(shí)定位與映射問題，它已經(jīng)得到廣泛而深入的研究，比如使用概率方法，只需要增加狀態(tài)矢量來包括環(huán)境中地標(biāo)的位置。不過，這種方法仍然需要機(jī)器人感知。感知的實(shí)質(zhì)就是機(jī)器人如何學(xué)習(xí)的問題，即機(jī)器學(xué)習(xí)。顯然，機(jī)器學(xué)習(xí)在機(jī)器人感知中起重要作用，特別是當(dāng)最優(yōu)內(nèi)在表征是未知的時(shí)候。一個(gè)簡單的方法就是使用無監(jiān)督機(jī)器學(xué)習(xí)方法將高維感應(yīng)器流動映射到低維空間中。這種方法被稱為低維嵌入方法。機(jī)器學(xué)習(xí)使機(jī)器人從數(shù)據(jù)學(xué)習(xí)感應(yīng)器和運(yùn)動模型成為可能，而同時(shí)發(fā)現(xiàn)一個(gè)適當(dāng)?shù)膬?nèi)在表征。

還有一種機(jī)器學(xué)習(xí)方法能夠使機(jī)器人在感應(yīng)器測量中不斷地適應(yīng)廣泛的變化，那就是適應(yīng)性感知方法，如適應(yīng)性視覺。假如我們從一個(gè)陽光照射的空間進(jìn)入一個(gè)黑暗無陽光的房間，顯然房間的物體更黑，但光源的變化也會影響所有色彩，比如霓虹燈具有比陽光更強(qiáng)的綠光成分。然而，我們可能并沒有注意到這種變化。我們的感知系統(tǒng)很快適應(yīng)了新光環(huán)境，我們的大腦忽視了這種差異。人工感知系統(tǒng)也是如此。比如掃地機(jī)器人能根據(jù)其“可驅(qū)動表面”概念的分類器適應(yīng)新地面。這種無人操縱地面裝置使用激光器為機(jī)器人正前方的小區(qū)域提供分類，當(dāng)整個(gè)小區(qū)域在激光掃描范圍被發(fā)現(xiàn)是平坦的時(shí)候，它就被作為“可驅(qū)動表面”概念的一個(gè)積極訓(xùn)練例子使用。這表明，適應(yīng)性感知方法能夠讓機(jī)器人適應(yīng)變化的環(huán)境。

當(dāng)然，不是所有機(jī)器人感知是關(guān)于定位和映射的。機(jī)器人也感知溫度、氣味、聲信號等。這些屬性都可以使用動態(tài)貝葉斯網(wǎng)絡(luò)來評估，這些評估就是刻畫狀態(tài)變量時(shí)刻在演化的條件概率分布，以及描述狀態(tài)變量測量關(guān)系的感應(yīng)器模型?？梢钥闯?，機(jī)器人學(xué)的一個(gè)顯著趨向是選擇定義明確的語義學(xué)的表征。這一趨向有力地說明，缺乏表征的機(jī)器人學(xué)是難以發(fā)展的。而表征是需要語境的，因而缺乏語境的機(jī)器人學(xué)幾乎不可能發(fā)展到靈活行動的水平。理論上，我們可以通過人為設(shè)置的語境讓機(jī)器人不斷去適應(yīng)新的環(huán)境，從而達(dá)到我們意圖的目標(biāo)。因此如何根據(jù)特定任務(wù)目標(biāo)給機(jī)器人設(shè)置語境，是機(jī)器人學(xué)發(fā)展中的一個(gè)重要問題。

進(jìn)一步的討論

智能體作為人工主體（相對于主體人），其行動是依據(jù)規(guī)則進(jìn)行的。在確定的、可觀察的、靜態(tài)的或完全知曉的環(huán)境中，智能體所選擇的行動的方法有多種，依據(jù)這些方法它們能夠發(fā)現(xiàn)其目標(biāo)。這種僅僅按照某些理性規(guī)則尋找目標(biāo)的過程就是“搜索”。盡管這種搜索是無意識的過程，但它們卻是適應(yīng)性的，只是這種適應(yīng)性不是基于生物基質(zhì)的，而是基于理性規(guī)則的。所以說，人工智能是完全理性的事業(yè)，完全按照規(guī)則如邏輯規(guī)則、概率規(guī)則行事。這就排除了情感、意志等非理性因素。在這種意義上，因機(jī)器人沒有情感沒有意識而否認(rèn)其能認(rèn)知、有智能的觀點(diǎn)就有失偏頗了。畢竟，心靈、意識、意圖、意志這些傳統(tǒng)哲學(xué)或大眾心理學(xué)的概念是難以按照規(guī)則操作的。人工智能將這些非理性概念排除在其研究領(lǐng)域之外，不僅是可理解的，事實(shí)上也是一種研究策略。

如果將人的適應(yīng)性搜索看作是“完全適應(yīng)性”，那么人工主體的適應(yīng)性就是介于完全與不完全之間的一種中間狀態(tài)，我將這種中間適應(yīng)性稱為“擬適應(yīng)性”或“準(zhǔn)適應(yīng)性”，以便區(qū)別于人的這種適應(yīng)性。畢竟人的適應(yīng)性是基于生物學(xué)的，而人工主體（智能體）的適應(yīng)性是基于物理學(xué)和計(jì)算機(jī)科學(xué)的，前者是碳基構(gòu)造的（碳水化合物），后者是硅基構(gòu)造的（物理硬件加軟件）。在認(rèn)知科學(xué)中，這個(gè)問題就是“硬件要緊不要緊”的問題，即意識特征是否與構(gòu)成物質(zhì)相關(guān)。比如塞爾就堅(jiān)持認(rèn)為意識是一種生物學(xué)現(xiàn)象，智能機(jī)不可能有意識，不可能有思維能力，它只不過是處理符號的物理裝置，根本不理解所操作符號的意義。[7]根據(jù)塞爾的看法，生物的適應(yīng)性是基于有意識物體的，如我們?nèi)祟?，人工主體由于沒有意識，當(dāng)然不可能是適應(yīng)性的。這個(gè)結(jié)論與智能體也能適應(yīng)性地搜索和表征的事實(shí)不符。[8]

在我看來，意識和智能是兩個(gè)層次的東西或概念。有意識一定會有某種程度的智能，而有智能則不一定需要意識，如機(jī)器人。這里存在一個(gè)生物學(xué)和人工智能包括機(jī)器人學(xué)之間的一個(gè)解釋鴻溝。類似于查爾莫斯關(guān)于意識的難問題方面的解釋鴻溝。[9]在適應(yīng)性的意義上，只要一個(gè)主體，人或機(jī)器，能夠在變化的環(huán)境中不斷調(diào)整自己的行為，最終找到要發(fā)現(xiàn)的目標(biāo)，或者解決了所要解決的問題，我們就應(yīng)該認(rèn)為它們是適應(yīng)性的，在表達(dá)上也是適應(yīng)性的表征。這種判斷類似于“圖靈測試”，即只要我們不能區(qū)分與我們對話的是人還是機(jī)器（實(shí)際上是機(jī)器與人對話），那么我們就不得不承認(rèn)機(jī)器也會思維（即操作符號、解決問題的認(rèn)知活動）。

從認(rèn)知系統(tǒng)的結(jié)構(gòu)和活動機(jī)制看，人的認(rèn)知系統(tǒng)（神經(jīng)系統(tǒng)）與智能機(jī)的認(rèn)知系統(tǒng)（編碼-解碼系統(tǒng)）是完全不同的，前者是自然認(rèn)知系統(tǒng)，后者是人工認(rèn)知系統(tǒng)，人工智能目前只是模擬人的認(rèn)知系統(tǒng)的功能，其結(jié)構(gòu)與運(yùn)作機(jī)制可能完全不同于人類的。這是不爭的事實(shí)，也因此才有了認(rèn)知科學(xué)、腦科學(xué)與計(jì)算機(jī)科學(xué)、人工智能等不同學(xué)科的存在。但是，僅就適應(yīng)性特征來說，這兩種認(rèn)知系統(tǒng)（人的和機(jī)器的）都具有，只是程度上有差異，比如就靈活性、簡單性來說，人的適應(yīng)性要比人工主體的要好許多。正是在這個(gè)意義上，我將人工主體的適應(yīng)性稱為擬適應(yīng)性，以區(qū)別于人的生物適應(yīng)性。

提起適應(yīng)性，我們自然會聯(lián)想到意向性、相關(guān)性和因果性這些概念。適應(yīng)性涉及意向性，因?yàn)橐庀蛐允顷P(guān)于或指涉某物的特性，它最早是胡塞爾用于說明意識本質(zhì)屬性的概念，即有意識的物體就應(yīng)該有意向性，如各種有生命動物包括我們?nèi)祟?。但是這個(gè)概念用于說明意識太寬泛，因?yàn)橐环矫?，簡單生物如阿米蟲雖然有生命但沒有意識;另一方面，即使是非生命的物體，比如溫度計(jì)、智能機(jī)，也具有意向性的特征，如指向某個(gè)目標(biāo)，好像它們是有目的有意識的。所以，在我看來，用意向性來描述意識的特性還不夠，還需要加上反身性，即知道“我們是誰”。這樣一來，意識就有了向外和向內(nèi)兩個(gè)特征，缺一個(gè)就不能準(zhǔn)確說明人類意識的本質(zhì)了。如果說意向性是某物有意識的必要條件，那么反身性就是某物有意識的充分條件。從哲學(xué)和邏輯上看，一個(gè)問題或概念的完備、準(zhǔn)確的說明，必須滿足其必要性和充分性，這就是我們常說的“充要條件”。

人的意識無疑具有這兩個(gè)特征，因而人才是真正有意識的物種。而其他動物特別是靈長類的猿、大猩猩等，如果它們不知道自己是誰的話（也許朦朧地知道），它們就不具有完整的意識，至多具有低級的意識（基于生命）。人工主體（智能機(jī)）僅僅具有指向外部目標(biāo)的屬性，如搜索目標(biāo)，但是不知道它們是誰。也就是說，它們僅僅知道如何做，但是不知道它們知道如何做。這與“我會開車”和“我知道我會開車”之間的區(qū)別是一個(gè)道理?！拔視_車”是如何做的問題，“我知道我會開車”是我意識到我會的問題。這是兩個(gè)不同層次的問題，前者是意向性問題，后者是意向性加上反身性的問題。也就是說，人有命題態(tài)度，如我們知道、我們相信，其他動物和智能機(jī)沒有。進(jìn)一步說，人工主體是通過相關(guān)性認(rèn)知的，而人不僅通過相關(guān)性，更能通過因果性認(rèn)知。相關(guān)性認(rèn)知是一種關(guān)聯(lián)性認(rèn)知，是一種影響和被影響的關(guān)系，因果性認(rèn)知是一種產(chǎn)生性認(rèn)知，是一種引起和被引起的關(guān)系。相比而言，影響關(guān)系較之產(chǎn)生關(guān)系要弱許多。

在人工主體開始搜索所需的結(jié)果前，它必須先識別目標(biāo)，并形成一個(gè)定義明確的問題，因?yàn)橛袉栴}才能有解決的目標(biāo)和結(jié)果。問題由初始狀態(tài)、一組行動、一個(gè)描述行動結(jié)果的轉(zhuǎn)換模型、一個(gè)目標(biāo)測試函數(shù)和一個(gè)路徑代價(jià)函數(shù)構(gòu)成。問題的語境由一個(gè)人為設(shè)置的空間狀態(tài)來表征。從初始狀態(tài)到目標(biāo)狀態(tài)穿過狀態(tài)空間的路徑就是要搜索的解決方案。搜索過程采取的策略是，搜索算法將狀態(tài)和行動當(dāng)作原子狀態(tài)（不可再分）。在人工智能中，一般的樹搜索算法考慮所有可能路徑去發(fā)現(xiàn)目標(biāo)，而圖表算法避免考慮多余路徑。我們根據(jù)完備性、最佳性、時(shí)間和空間復(fù)雜性就可以判斷它們的優(yōu)劣。這些搜索方法對于不確定的、動態(tài)的和完全不知曉的情形還無能為力，這是另一個(gè)更加復(fù)雜的搜索問題，但可以通過設(shè)置新的語境來解決。由此看來，設(shè)置新的語境對于機(jī)器人的適應(yīng)性表征是多么的重要。

（本文系國家社會科學(xué)基金重點(diǎn)項(xiàng)目“科學(xué)認(rèn)知的適應(yīng)性表征研究”階段性成果，項(xiàng)目編號：16AZX006）

注釋

[1]魏屹東：《自語境化：智能機(jī)似人思維的關(guān)鍵》，《中國社會科學(xué)報(bào)》，2013年6月10日。

[2]Wrathall， M.A.， "Background practice， capacities， and Heideggeriandislclosure"， In Wrathall， M.A.， Jeff Malpas（eds.）， Heidegger， Coping， and Cognitive Science， Cambridge， MA： MIT Press， 2000， p. 98.

[3]Searle， John R.， The Rediscovery of the Mind， Cambridge： MIT Press， 1992， p. 175.

[4]Dreyfus， Hubert L.， What Computers Can't Do： A Critique of Artificial Intelligence， New York： Harper & Row， 1979， p. 221.

[5]這里使用的是英語表達(dá)，而不是中文如在（北京），原因在于英語是符號文字，中文是象形文字。在目前的編程語言如算法中主要使用的是英語和數(shù)字的組合，還沒有使用中文編程的，這可能是因?yàn)橄笮挝淖诌€不是抽象符號表征方式。計(jì)算機(jī)的編程語言是純粹的符號表達(dá)，只有解釋說明時(shí)才使用自然語言。

[6][美]羅素、諾維格：《人工智能：一種現(xiàn)代的方法（第3版）》，殷建平、祝恩等譯，北京：清華大學(xué)出版社，2013年，第978頁。

[7]Searle， John.Minds， "Brains and Programs"， Behavioral and Brain Sciences， 1980， 3（3）， pp. 417-457.

[8]魏屹東：《人工智能的適應(yīng)性表征》，《上海師范大學(xué)學(xué)報(bào)》，2018年第1期，第28～39頁。

[9]https：//en.wikipedia.org/wiki/Explanatory_gap.

責(zé) 編/馬冰瑩