李 楠

一、人工智能種種①本文討論人工智能是否比人類更聰明，“聰明”的意義和智力、智能大致等同。本文保留“聰明”的日常用法，不做嚴格定義，但根據(jù)上下文應該能知道作者的基本立場。

在最強的意義上，人工智能需要全方位地模擬人類的能力，包括認知能力、感受力等，甚至包括現(xiàn)象意識。于是，強人工智能的目標是制造出“人造人”[1]，而弱人工智能的目標則是“制造出表面上具有人的全部心智能力的信息處理機器”[2]9。如果我們能造出在功能上全面模擬人類認知能力的機器人，那么弱人工智能就實現(xiàn)了，不過，如果她不能夠覺得疼、看到紅、欣賞音樂、感到不快，那么她也算不得強?？紤]到人類心智能力的豐富多樣，弱人工智能一點兒也不弱。

比弱人工智能更弱的是只擅長某一項或少數(shù)幾項認知任務的機器人，為了方便討論，筆者將弱人工智能的定義泛化為模擬人類一項或多項認知能力的信息處理機器。于是，在弱人工智能內(nèi)部，又可以分為狹義人工智能（Artificial Narrow Intelligence）和廣義人工智能（Artificial General Intelligence），后者又被稱為通用人工智能。根據(jù)彭納基（Pennachin）和格策爾（Goertzel）的定義，狹義人工智能是“在某一個專門領域——如下棋、醫(yī)療診斷、汽車駕駛、代數(shù)運算等——表現(xiàn)出智能的程序?！盵3]1

狹義的人工智能系統(tǒng)擅長執(zhí)行單一或有限范圍的任務。它們可以在其特定的領域中戰(zhàn)勝人類。但是，如果給它們新的問題，超出其擅長領域的任務，它們就無能為力了。目前，狹義人工智能也不會將知識從一個領域遷移到另一個領域，會下圍棋的計算機并不能自己學會下五子棋。

而通用人工智能則被設想為能在各種常見的認知任務上達到人類的水平，甚至還可以有學習能力。雖然狹義人工智能還不能像人一樣解決各種問題，但這種技術已經(jīng)很有用了，為人類的生活帶來了許多便利，如搜索引擎使用了推薦算法，導航系統(tǒng)可以為司機提供最優(yōu)路徑，智能管家可以幫人安排家居生活，等等。目前，狹義的人工智能技術可以分為兩大類：符號人工智能和機器學習。

符號人工智能是老派的研究主流，依賴于程序員細致地定義規(guī)則，來定義各種條件下智能系統(tǒng)的行為。隨著海量數(shù)據(jù)的獲得和各種大數(shù)據(jù)相關技術的成熟，機器學習作為狹義人工智能的另一個分支，近年興盛起來。機器學習系統(tǒng)讓計算機根據(jù)現(xiàn)有數(shù)據(jù)對問題建模求解，并對未來的數(shù)據(jù)進行預測。例如，機器學習算法可以在大量的瀏覽和購買記錄上進行訓練，進而預測用戶的喜好和點擊概率。深度學習和強化學習可以被看作廣義機器學習的分支。

需要說明的是，對強人工智能、弱人工智能等諸種概念，學界和媒體都似乎有不同的定義，本文就按照上述定義進行討論，參見圖1。

圖1 人工智能類型

二、AI戰(zhàn)績

人工智能的發(fā)展歷程中，有三次重要的人機“較量”，計算機分別在不同的智力活動中戰(zhàn)勝了人類，引起了公眾的巨大關注。

第一個里程碑是IBM 的下棋計算機“深藍”，它在1997年擊敗了國際象棋世界冠軍加里·卡斯帕羅夫，引起了轟動。需要注意的是，深藍只是狹義的人工智能，它只有在國際象棋這一智力活動中有高超的水平，離通用人工智能還差得很遠。

第二個是IBM 的計算機Watson。它是為知名問答節(jié)目“Jeopardy!”而生的，該電視節(jié)目以競賽形式進行，參與者得到答案，需要猜出正確的問題。例如，主持人給出答案“這位‘國父’并沒有真正砍下一棵櫻桃樹”，參與者應該找到的正確問題是：“誰是喬治·華盛頓？”“Jeopardy!”需要的知識和能力比下國際象棋更多。這個任務屬于開放領域問答，需要包括科學、文化、歷史、體育等諸多領域的知識。每場比賽有三個參與者，采取搶答形式。所以，除了豐富的知識，還需要速度和技巧。

Waston 參賽時盡可能地模擬了人類選手，他使用英語作答，也模擬了按鍵搶答的方式。在比賽現(xiàn)場，Waston 并沒有連接到互聯(lián)網(wǎng)，而是可以離線訪問上億頁的信息[4]165。在2011 年，Waston 擊敗了“Jeopardy!”史上最優(yōu)秀的兩位參與者肯·詹寧斯和布拉德·拉特。在為期兩天的比賽中，Waston 贏得的獎金是人類對手的3倍還多。

第三個里程碑是AlphaGo，由DeepMind 公司開發(fā)的下圍棋的機器人。2016 年3 月，AlphaGo 與圍棋世界冠軍、職業(yè)九段棋手李世石進行比賽，以4比1的總比分獲勝；2016年末2017年初，它在中國棋類網(wǎng)站上與中日韓數(shù)十位圍棋高手進行快棋對決，連續(xù)60局無一敗績；2017年5月，它與排名世界第一的世界圍棋冠軍柯潔對戰(zhàn)，以3 比0 的總比分獲勝。AlphaGo 獲勝的另一個重要意義在于其使用了深度學習的技術，這使得它和深藍完全不同。深藍依賴的是大量的規(guī)則，屬于符號系統(tǒng)的人工智能，然而AlphaGo使用的是神經(jīng)網(wǎng)絡的模型，通過強化學習訓練和蒙地卡羅樹搜索求解，其中不存在顯式的規(guī)則，甚至人類無法描述和理解神經(jīng)網(wǎng)絡擬合出的復合函數(shù)。

每次這種機器戰(zhàn)勝人類的事件出現(xiàn)，都會有很多的爆炸性新聞報道，甚至說“人類最后的智力驕傲即將崩塌”[5]，但同時也有人覺得計算機顯然還比不上人。下面我們以Watson 為例，對這種人工智能的“聰明”程度做個評價。

（一）Watson是我們的新王？

我們之前就區(qū)分了狹義的和通用的智能，在狹義的層面，一個主體有智能，只需要在一項或少數(shù)幾個智力任務中表現(xiàn)得足夠好，足夠好大致可以理解為和普通人的水平差不多；一個主體比另一個在某項智力活動中表現(xiàn)得更好，則意味著作為狹義的智能主體，前者比后者更聰明。下文將說明在狹義的層面，Waston 比人類對手更聰明，或者說，作為狹義的人工智能，Waston有超過人類對手的智力水平。

首先，Waston的任務是真正需要智能的?！癑eopardy!”實質(zhì)上是一個開放領域的問題回答任務。參賽者必須配備足夠的認知能力，包括理解自然語言、從記憶中檢索相關信息、做出符合邏輯或概率的合理決策，并形成人類可以理解的答案。舉例來說，當一個選手聽到“我們的這位‘國父’并沒有真正砍下一棵櫻桃樹”這一線索時，他必須能夠提取出“國父”和“櫻桃樹”等提示和關鍵詞，同時能夠理解“我們”在該語境中的指代，并對句子的否定部分進行一些邏輯推理；當他試圖找到正確的回答時，他需要能夠利用關鍵詞在記憶中搜索，記憶中的知識是以一種方便檢索的方式組織和表示的，這個搜索過程可能最終不會完全匹配，這意味著需要對種種候選答案進行評估和排序；最后，回答必須是問題形式，也就是說，檢索到的信息，無論以何種形式出現(xiàn)，都必須轉化為一個句法正確的英語句子，以問號結尾。

其次，Watson 使用了與人類在解決同樣任務時相似的認知能力，二者的能力是可以比較的。為了給出類似人類的表現(xiàn)，Watson 的設計整合了自然語言處理、信息檢索、知識表征和推理等技術，其工作流程大致反映了人類玩家的工作流程：獲取并分析線索、尋找答案、構思對策，最后還有激活蜂鳴搶答器。首先，Watson 會提取線索中的關鍵詞，然后梳理它的“記憶”（對于Watson 而言，是一個15TB 的人類知識數(shù)據(jù)庫），尋找與這些詞相關的詞群，根據(jù)所有它能收集到的上下文信息來檢查最高命中率。當它覺得足夠“確定”的時候，它就會決定發(fā)出蜂鳴聲。

第三，Watson 比詹寧斯和拉特更擅長做“Jeopardy!”這樣的任務。原因很簡單：Watson 穩(wěn)定地、大比分地在所有的比賽中勝出。鑒于這是一場公平的比賽，每個人都遵守了規(guī)則，Wtason 的成功并不是因為運氣或作弊，因此，我們不得不承認，計算機在這項任務上確實更勝一籌，而且說實話，要強得多。

最后還需要說明的是，在一項需要X型智力的任務上更勝一籌，說明擁有更多的X型智力。這是我們論證的另一個值得解釋一下的前提。在人類身上也有類似情況。假設在GRE 考試中Sally 在數(shù)學部分得到170 分，但Tim 只得到140 分。在這種情況下，我們會很自然地說Sally 比Tim 更有數(shù)學天賦。那么基于類似的考慮，我們也應該自然地說Watson在知識問答任務中比詹寧斯和拉特有更高的能力。

的確，Watson 在其他類型的智力水平上遠不如人類：他不能決定從演播室回到“家”的最佳路徑；他甚至恐怕都不知道什么是自己的“家”；他不能像詹寧斯那樣講一個機智的笑話，有風度地輸?shù)舯荣悺ＶT如此類的例子不勝枚舉。但這并不影響Watson 是個優(yōu)越的狹義智能主體。在其他方面的智力匱乏并不會削弱某一個方面的智力。從通用智能的角度看，Watson 確實不如任何一個正常人，但在知識問答領域，他卻和任何人一樣優(yōu)秀。這背后的原因很簡單?；氐轿覀僄RE 的例子，當我們說Sally 的數(shù)學比Tim 好的時候，我們并不關心Sally 的其他方面：也許Sally 的文字表述讓人費解，也許她常常迷路，也許她毫無幽默感，但是這絲毫不會削弱我們對其數(shù)學天賦的認可。

詹寧斯在輸給Watson時有句妙語：“我，代表自己，歡迎我們新的電腦之王?！痹诖斯P者慎重復議，只不過Watson的疆土，只是“Jeopardy!”這一小小領域。

（二）通用的論證

事實上，否認狹義人工智能比人類更聰明的觀點，通常都會采取這樣的形式：雖然計算機在當前任務中戰(zhàn)勝了人類，但是計算機換一個領域、任務就無能為力了，它不會做的事還很多，所以計算機不如人類聰明。確實，計算機還沒有通用的人工智能，但是根據(jù)我們之前的思路，這不影響我們承認計算機在狹義的意義上比人類更聰明。我們可以更清晰地將反對意見構造為下面的論證：

前提1:雖然人工智能在認知任務X上比人類選手有更好的表現(xiàn)，但他還不能做另一個認知任務Y；

前提2:人類可以完成認知任務Y。

結論：人工智能不比人類更聰明。

上述論證是個通用的框架，X可以是任何狹義人工智能擅長的任務，而Y可以是任何人類可以輕松完成、但狹義人工智能沒有實現(xiàn)的功能。但是，根據(jù)我們之前的討論，我們也可以構造一個通用的反駁論證框架①感謝邢滔滔教授對這個論證初版的批評意見。如下：

前提1：如果主體A 在認知任務X 上比主體H 有更好的表現(xiàn)，且認知任務X 需要的認知能力為x，則主體A具有比主體H有更高的能力x；

前提2：如果能力y不同于能力x，那么主體A不具有能力y并不影響A具有能力x；

前提3：狹義人工智能不勝任的任務Y需要的能力不同于其擅長任務所需的能力；

前提4：狹義的更聰明，指（狹義的）人工智能在其擅長的認知任務上比人類有更高的能力。

結論：人工智能在狹義上比人類更聰明。

這個論證中一個重要的概念是“認知任務”，顯然并非所有的任務都是認知任務，否則，望遠鏡比人類的視野更遠，就能得出望遠鏡比人更聰明的荒謬結論②例子來自陳嘉映教授的批評。。要給認知任務下定義，并非易事。一個容易想到的界定是以使用了認知能力為標準，即，認知任務是使用了某個或某些認知能力的任務，但是認知能力又需要進一步說明，而要說明認知能力恐怕又要用到認知任務。所幸，我們對認知任務和所涉及的認知能力有常識性的、相對無爭議的理解，我們可以舉一些典型的例子，例如閱讀、寫作、算術，這些是認知任務，其中涉及的能力是認知能力。同時，我們也都認為單純的視覺、條件反射的行動都不是認知任務?？傊斀o出具體的任務，我們可以相對無爭議地判斷這個任務是不是認知任務，而這對于我們當前的論證就夠用了。

另外，對于討論人工智能是否比人類更聰明這樣的問題，我們確實無需定義認知任務，這是因為，值得討論、存在爭議的任務當然是認知任務，而且是爭論雙方都承認的——畢竟，洗衣機和微波爐出現(xiàn)的時候，人們并沒有去考慮這些更會做家務的機器是否比人更聰明。

對于論證的反駁意見可能來自能力的“連續(xù)性”：也許有人會說，對于一個合格的智能主體，任何單項能力都不能單獨被割裂出來，在某一領域或單項任務中表現(xiàn)優(yōu)異卻不具備其他領域的能力，只能表明這個主體還不是合格的智能主體。我們確實有這種傾向，認為真正的“聰明”應該是全方面的綜合能力，這體現(xiàn)在早年間對中國學生“高分低能”的批評，以及現(xiàn)在對“小鎮(zhèn)做題家”的鄙視。然而，作為對前文論證的批評，這種意見并沒有什么力量，因為它已經(jīng)預設了狹義的智能不是真正的智能。

也許這個通用論證的結論會被認為是平平無奇的，但是區(qū)分狹義和廣義（通用）的智能含義，對于理解和澄清圍繞人工智能是否比人更聰明這樣的混亂話題是有幫助的。

三、通用人工智能難在哪兒？

現(xiàn)在我們考慮狹義人工智能能否、如何走向通用人工智能。首先，通用人工智能不是多個狹義人工智能的簡單疊加。以波蘭尼（Polanyi）和德雷福斯（Dreyfus）為代表的觀點認為，人類有一種隱性知識是不能被計算機實現(xiàn)的；另外還有一種常見的看法是，計算機沒有創(chuàng)造力，也不能像人類一樣活學活用。本章會逐一討論這些看法，最后試圖說明，創(chuàng)造力這樣的能力很可能是一種突現(xiàn)的性質(zhì)，即使我們不能從底層物理結構中看到創(chuàng)造力，但這不能構成計算機擁有創(chuàng)造力的原則性困難。

（一）狹義人工智能，聯(lián)合起來？

一個相對沒有爭議的看法是通用人工智能還沒有實現(xiàn)，而狹義人工智能已經(jīng)實現(xiàn)并且在很多領域被應用了。表面看來，通用人工智能和狹義人工智能的最顯著差異在于其完成的認知任務數(shù)量不同，狹義人工智能專于一個或少數(shù)幾個領域，而通用人工智能應該在人類常見的所有認知任務上都至少可以達到人類水平。但是，通用人工智能顯然并不僅僅是在能力數(shù)量上比狹義人工智能多而已。如果二者的差別僅在能執(zhí)行的任務數(shù)量上，那么通用人工智能的實現(xiàn)恐怕并不十分困難。

假設在不遠的未來，我們有了分別在各個人類常用領域的狹義人工智能，他們各司其職，有的擅長下棋，有的會寫文章，有的能管理財務，有的替人規(guī)劃路線。那么我們完全可以設想用一臺超級計算機，或者云平臺，將這些狹義人工智能整合在一起，成為一個超級人工智能，他的能力就是所有這些狹義人工智能的并集。當它需要規(guī)劃路線時，就執(zhí)行規(guī)劃路線的模塊，當它需要下棋時，就調(diào)用下棋的函數(shù)，等等。那么這樣一個綜合的人工智能，是否就是我們想要的、哲學家和科學家所說的通用人工智能了呢？

并非如此。這樣一個綜合人工智能，離我們設想的全面模擬人類認知能力的主體，似乎還差一些。一種容易想到的質(zhì)疑是，我們怎么可能保證窮盡所有人類可能執(zhí)行的認知任務，一一編碼為計算機指令，讓機器在對應的任務場合下能夠調(diào)用呢？畢竟，短短五十年之前，人類社會還沒有給智能手機充電這樣的認知任務。這種質(zhì)疑表面看來是對上述方案在實際可行性方面的否定——因為我們不可能窮舉出所有未來人類可能遇到的認知任務，但是其背后卻有更加實質(zhì)和原則性的擔憂——這樣的計算機還沒有應對新問題、新任務的能力，不能將已有的知識技能主動地遷移到類似的新領域，他會的一切都是通過人類顯式地編碼賦予的明確指令，離開他知識儲備中涵蓋的領域，他的智力就等于零。而我們想要的通用人工智能不能受限于此：像人類一樣聰明，就要像人類一樣，能舉一反三，溫故知新，對于沒見過的問題，也能利用見過的問題去嘗試求解。

（二）知識，不可言說

有一種經(jīng)典的看法是，人類有一種“隱性知識”（tacit knowledge），不可言傳，甚至無意識的技巧，這些是計算機所無法掌握的。隱性知識的思想最早是由邁克爾·波蘭尼（Michael Polanyi）提出的。關于隱性知識的本質(zhì)，波蘭尼在其《隱性維度》的開篇說道：“我們知道的比我們能說的多”[6]4。波蘭尼繼而給出一個人臉識別的例子?！拔覀冎酪粋€人的臉，并能在千人、甚至百萬人中認出來。然而，我們通常說不出是如何識別的。所以，這種知識大部分都無法用語言表達?！盵6]4另一個常見的例子是騎自行車。騎自行車顯然是一種技能，需要“怎么做的知識”（know how）[7]29（用賴爾的術語）。既然我會騎車，那么我就有這方面的知識，可是我寫不出一套詳細指令，能讓一個不會騎車的人讀過就會騎車。

如果計算機能夠獲得的都只是可被言傳的顯式知識，那么我們?nèi)祟愐兄氐姆N種隱性知識就不可能被計算機獲得。不過，波蘭尼的思想顯然有更多復雜精微之處，我們暫不考慮，而是轉向對人工智能更直接的批評，來自德雷福斯（Hubert Dreyfus）。德雷福斯在一系列著作中論證說，人類的智能和能力主要取決于無意識的過程，而非有意識的符號運算，而這些無意識的技能不可能被形式化規(guī)則所充分刻畫。德雷福斯描述了人類獲得技能的層級（圖2）。

圖2 德雷福斯技能獲取模型

其中最低層次的是按照明確的指令的新手階段，而最高層次則是不依賴任何明確規(guī)則，憑豐富經(jīng)驗和專業(yè)直覺的專家。而專家的知識最主要的特征就是隱性、意會的。要想用計算機模擬一個專家系統(tǒng)，最困難且最重要的就是學到這些隱性的知識。可是，人類專家要想描述自己日常工作中如何憑經(jīng)驗完成任務時，他們通常只能明確描述更低層次的知識，表現(xiàn)為規(guī)則和指令。這就意味著，依賴于明確規(guī)則的計算機系統(tǒng)不能刻畫專家的技能[8]36。

我們需要注意，德雷福斯的批評對象是依賴形式化規(guī)則的符號系統(tǒng)人工智能，而他的這一批評已經(jīng)被廣泛認可。然而，近年來興起的機器學習，尤其是使用大型神經(jīng)網(wǎng)絡的深度學習模型，似乎已經(jīng)不再是簡單的符號運算了。相反，這些模型所擬合的函數(shù)，其復雜程度之高，似乎也不能被“言傳”。如果是這樣，那么計算機也不僅僅是顯式規(guī)則的學習者，也可以通過大量實例獲得不可“言傳”的知識。當然，有人會提出這樣的批評，神經(jīng)網(wǎng)絡是一種表征學習，仍然是想從事物中提取出對于完成任務最為重要的相關特征，特征在原則上是可以被言傳的，而專家知識在原則上就不是。要全面地衡量這里的爭議，我們需要對“可言傳”、專家知識等概念都有更清晰的界定，然而，筆者發(fā)現(xiàn)這很困難，因為專家知識或者專家技能，是被從負面定義的，即，不可被言傳的知識，而從正面角度，似乎我們很難說明它到底是什么?；蛟S，專家知識的定義本身，也是只可意會，不可言傳的吧。但是，至少，在實際可以被表達的意義上講，當代神經(jīng)網(wǎng)絡擬合出的函數(shù)，確實是不可被歸約為德雷福斯針對的符號系統(tǒng)的，即使在輸入端，我們知道文字被嵌入為字詞向量，圖片被抽象為實數(shù)矩陣，但是經(jīng)過層層復雜的線性和非線性變換，神經(jīng)網(wǎng)絡對文字和圖片的表征已經(jīng)不再是能被輕易描述的了。想想看，GPT-3這樣的語言模型，竟然有1750億參數(shù)。

（三）變通與創(chuàng)造

另一種常見的意見是，計算機沒有創(chuàng)造力，也不懂變通。甚至，在原則上，我們就不能制造出有創(chuàng)造力和能變通的機器。這兩者其實都與“新”有關，變通是指能接收和處理新的輸入數(shù)據(jù)，而創(chuàng)造則是能產(chǎn)生新的結果。細究起來，變通的難度并沒有那么高。有時候，人們說到計算機只能處理一個領域的問題，是說工程師在編寫程序的時候只能接收某一類型的輸入，但是這僅僅是個工程方面的實際問題，要解決的話也可以從工程方面著手。而更麻煩的，是計算機在面對全新的領域時是束手無策的。一個機器學習系統(tǒng)在微博評論的語料集上訓練，用來判斷評論的情感傾向，可是在預測新聞情感傾向時，卻完全不能給出合理的預測，更不用說，如果讓這樣的系統(tǒng)去預測房價走向，即使我們調(diào)整其輸入值讓程序可以運行，這個模型很可能只能隨機產(chǎn)生輸出。不過，在這里，似乎也沒有原則性的困難。在某一個領域的語料集上訓練的模型，在另一個領域的語料集上表現(xiàn)不好，這個困難有望被新的模型和技術所解決。而對于相差甚遠的問題領域，或許我們應該調(diào)整的是我們的期待。畢竟，當我們說人類懂得變通，能活學活用的時候，那些知識遷移的領域還是有某些相似性或相關度的，然而，在我們之前舉的例子中，從情感評價到房價回歸，這兩個領域似乎找不到多少相關性，即使對于人類而言，我們也沒有期待能將體會文字背后情感緯度的能力運用到預測房價上。

更大的麻煩恐怕在創(chuàng)造力上，畢竟這個概念本身就令人捉摸不定。哲學史上有一些關于創(chuàng)造力的著名說法:例如，柏拉圖認為，詩人產(chǎn)生真正偉大的詩歌時，并不是通過知識或技藝，而是被繆斯女神神圣啟發(fā)了，處于一種瘋狂的附體狀態(tài)[9]22；康德則將創(chuàng)造力與想象力聯(lián)系起來，認為藝術家的天賦是一種內(nèi)在的能力，能通過自由想象產(chǎn)生“典型的獨創(chuàng)性”的作品，而這種創(chuàng)造過程不遵循規(guī)則，學不來也教不會，對于天才自己而言都是神秘費解的[10]43-50。然而20世紀哲學領域對創(chuàng)造力的討論卻不多，即使有也主要集中在藝術哲學領域。

Gaut 定義創(chuàng)造力為使用天賦產(chǎn)生原創(chuàng)性和有價值的事物的能力，是主體性的一種特定實踐，只有人或者其他什么行動者才能有這種能力[11]1041。原創(chuàng)性體現(xiàn)在創(chuàng)造物需要是新的，給人帶來驚奇；有價值也是一個必要條件，因為并非所有新的、意料之外的東西都體現(xiàn)了創(chuàng)造力，當我隨手亂敲鍵盤，打出一堆文法不通的文字，這段文字也是從沒出現(xiàn)過的、意料之外的，然而我的創(chuàng)造力（假如有的話）也完全沒有用到。從這個定義出發(fā)，人工智能有創(chuàng)造力的障礙可能來自兩個方面。

1.創(chuàng)造性活動是無目的性的，而計算機的活動都是有目的的。

回應：一方面，從概念層面上，創(chuàng)造性的定義和無目的性并沒有什么內(nèi)在的緊密關聯(lián)。而且，人類的創(chuàng)造性活動也并非全然無目的。我在寫下前面幾段文字之前并沒有將每個字每句話都了然于胸，而寫作活動通常被認為是展現(xiàn)了創(chuàng)造性的，所以，我的寫作（希望是）包含了創(chuàng)造性，但是我對寫作主旨、文字風格都有個大概想法，對寫作的結果有大致預期，因而，從經(jīng)驗層面上看，創(chuàng)造性活動是可以有目的性的。事實上，一些認知心理學家將創(chuàng)造力視作在問題空間的搜索過程，認為創(chuàng)造過程是“目的論的，既受制于一開始就存在的、規(guī)定最終結果的計劃，又受制于在創(chuàng)造過程中產(chǎn)生的計劃。”[12]286這樣看來，計算機執(zhí)行創(chuàng)造性活動是完全可能的，因為人工智能主要關注的就是在復雜的問題空間中求解。

2.創(chuàng)造力是一種不同于也不能歸約為任何知識技能的能力，而計算機只能存儲知識、模擬技能。

回應：首先有證據(jù)表明，創(chuàng)造力需要大量知識，甚至是專業(yè)領域的知識[13]226，還有一些證據(jù)表明創(chuàng)造力在某種程度上是可以習得的[14]。這構成了關于創(chuàng)造力和知識關系的“基礎論”，根據(jù)這種觀點，知識對于創(chuàng)造力有正面作用，提供了基礎，創(chuàng)造性成果是建立在特定領域的知識之上的。

當然，這并不等于說，特定的知識和技能（假設我們能準確找到是哪些）就足以產(chǎn)生出創(chuàng)造力，基礎論者也承認“仍然有這種可能性，一個有深厚知識的人從未在其擅長的領域做出創(chuàng)新”[13]248。不過，這至少使創(chuàng)造力沒有那么神秘。

不過，更棘手的問題在于我們似乎總是可以設想，兩個具備同樣知識和技能的人，一個有創(chuàng)造力，而一個沒有。一個能想到苯特殊的環(huán)狀分子結構，而另一個卻沒有想到。甚至，我們可以設想，兩個在物理層面完全一樣的主體，一個有創(chuàng)造力，而另一個卻沒有，至少可以設想，在同樣的場景下，一個突然寫出絕妙的詩句，而另一個卻沒有。靈感的火花似乎并不隨附于任何物理性質(zhì)。如果是這樣的話，那么即使我們能制造出在功能、行為上完美模擬人類、在知識技能方面比人類也毫不遜色的人工智能主體，我們還是不能保證這樣的機器是有創(chuàng)造力的，而差在哪里，我們似乎又不能確定。

但是，這種可設想的情況很可能并不構成什么嚴重的質(zhì)疑。心靈哲學領域圍繞物理主義的爭論中有許多著名的基于可設想的情況的論證，然而即使這些可設想性論證的最積極捍衛(wèi)者也承認可設想性與自然律相容——即使現(xiàn)象意識可以被設想為獨立于物理屬性，在我們的現(xiàn)實世界自然律約束下，現(xiàn)象意識也是被物理屬性決定的。類似地，即使我們可以設想創(chuàng)造力獨立于任何知識和技能，但是這并不能在原則上否認計算機可以擁有創(chuàng)造力。我們可以進一步將創(chuàng)造力看作一種突現(xiàn)的（emergent）性質(zhì)，也許我們不能從物理結構和底層屬性中“看到”創(chuàng)造力，但這并不蘊含創(chuàng)造力不可能從電路、代碼、模型中產(chǎn)生。

四、結語：強人工智能有希望嗎？

回到我們一開始的定義，強人工智能需要實現(xiàn)人類的全部心理狀態(tài)和能力。這就包括現(xiàn)象意識，以及審美能力、幽默感等依賴于現(xiàn)象意識的能力。

一方面，熟悉心靈哲學的人會馬上意識到前面有何其困難的問題：如果我們想知道AI是否有現(xiàn)象意識，恐怕在概念上、從形而上學層面，就很困難。而另一方面，如果僅僅要AI 表現(xiàn)出有類似于人類的審美、幽默感，卻完全可以設想。例如，對音樂作品，可以構造一種打分函數(shù)，給人類認為悅耳的音階打高分，并在高分作品中隨機選擇一個作為AI“最喜歡的”。當然，這看起來很沒有藝術感，但是，當他人說這幅畫線條優(yōu)美、色彩和諧的時候，我們怎么知道他真的是內(nèi)心有所觸動？

當然，強人工智能似乎離我們還遠，我們首先要實現(xiàn)多種狹義人工智能，進而制造出有創(chuàng)造力的通用人工智能，也許我們對這些都可以滿懷期待。