陳明益，張友恒

（武漢理工大學(xué) 馬克思主義學(xué)院，湖北 武漢 430070）

引言：何為聯(lián)結(jié)主義AI？

時至今日，AI 領(lǐng)域仍面臨諸多質(zhì)疑，如公眾認(rèn)為AI 的進(jìn)步是基于炒作，而非實質(zhì)上的進(jìn)步[1]28。當(dāng)前AI 領(lǐng)域的熱情來源于聯(lián)結(jié)主義，也就是人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，ANNs）；而這些質(zhì)疑，也是對ANNs 能走多遠(yuǎn)的提問。自圖靈（A.M.Turing）提出智能機器的設(shè)想后，AI 研究進(jìn)路主要分為在20 世紀(jì)獲得巨大成功的符號主義與在21世紀(jì)迎來發(fā)展高潮的聯(lián)結(jié)主義。與符號派重視邏輯推理不同，ANNs 初期受到生物學(xué)的啟發(fā)，企圖通過計算神經(jīng)網(wǎng)絡(luò)模擬生物神經(jīng)網(wǎng)絡(luò)運行使AI進(jìn)行智能活動（見圖1）。聯(lián)結(jié)主義AI 在當(dāng)前研究中取得了突破式的進(jìn)展并擁有廣闊的應(yīng)用市場，甚至可以說ANNs 的構(gòu)想在符號派盛行的年代是一種“哥白尼式的革命”。相比于符號AI 的串行方法，ANNs 的并行程序能讓AI 完成一些常識的、經(jīng)驗性的簡單任務(wù)，如人臉識別、語音識別、無人駕駛等。但要注意的是，在虛擬機上模擬的“神經(jīng)元”與大腦中的生物神經(jīng)元有著質(zhì)的區(qū)別，聯(lián)結(jié)主義構(gòu)造的“人工神經(jīng)網(wǎng)絡(luò)”與生物神經(jīng)網(wǎng)絡(luò)不能一概而論；且從“強人工智能”定義來看，由于缺少邏輯結(jié)構(gòu)，ANNs 無法達(dá)到真正意義上的強人工智能[2]94。

圖1 生物神經(jīng)網(wǎng)絡(luò)與人工神經(jīng)網(wǎng)絡(luò)

一、聯(lián)結(jié)主義AI 的歷史發(fā)展進(jìn)程

相比于符號派從盛行到衰退的發(fā)展過程，ANNs 的發(fā)展更為“跌宕起伏”。從20 世紀(jì)40 年代至今：聯(lián)結(jié)主義AI 的早期發(fā)展可以分為“感知機（Perceptron）”和“反向傳播（Back Propagation，BP）”兩個主要階段。隨著20 世紀(jì)90 年代互聯(lián)網(wǎng)的浪潮興起，AI 研究曾一度停擺，直至2006 年隨著“深度學(xué)習(xí)（Deep Learning，DL）”的復(fù)興，聯(lián)結(jié)主義才再一次迎來了它的發(fā)展浪潮。1.第一階段：人工神經(jīng)網(wǎng)絡(luò)的興起到感知機的挫?。?940—1970）。在圖靈成為AI 領(lǐng)域的“幽靈神話” 前，還有一種思潮——控制論（Cybernetics），促生了人工智能。具有哲學(xué)背景的維納（Norbert Wiener）從科學(xué)哲學(xué)的視角創(chuàng)立了這個交叉領(lǐng)域——“關(guān)于在動物和機器中控制和通信的研究”[2]16。早期ANNs 的研究者無不受到這門學(xué)科的影響，他們從生物、通信、工程而不是從邏輯和數(shù)學(xué)的角度來建立AI 的模型。邏輯學(xué)出身的皮茨（Walter Pitts）和哲學(xué)出身的麥卡洛克（W.S.McCulloch）是維納的追隨者，他們在1943 年發(fā)表的論文《神經(jīng)活動內(nèi)在思維的邏輯演算》中，基于生物神經(jīng)網(wǎng)絡(luò)的特點提出了M-P 模型（見圖2）。當(dāng)存在抑制性輸入時，刺激性輸入無法觸發(fā)神經(jīng)元（output = 0）；當(dāng)存在刺激性輸入而不存在抑制性輸入時，若是輸入之和大于預(yù)設(shè)閾值θ 則觸發(fā)神經(jīng)元（output = 1）。“他們試圖用命題的符號邏輯符號來記錄神經(jīng)網(wǎng)絡(luò)的復(fù)雜行為”[3]117，從而初創(chuàng)了AI 的聯(lián)結(jié)主義進(jìn)路。1957 年，心理學(xué)家羅森布拉特（Frank Rosenblatt）在“赫布（Hebb）學(xué)習(xí)規(guī)則①”的影響下開發(fā)了名為“感知機”的人工神經(jīng)網(wǎng)絡(luò)模型，這個模型可以處理一些簡單的視覺任務(wù)[4]120。感知機模型與M-P 模型類似，其與后者的主要區(qū)別在于對每個輸入進(jìn)行加權(quán)，輸入的權(quán)重不再統(tǒng)一，加之一些刺激性輸入也會產(chǎn)生抑制性影響，M-P 模型的絕對抑制規(guī)則不再適用。羅森布拉特因此名聲大噪，當(dāng)時，一些美國媒體甚至對此宣傳“機器即將模擬出人的意識”[5]。1962 年，羅森布拉特在《神經(jīng)動力學(xué)原理》一書中總結(jié)了自己的研究成果，但隨即遭到了信奉符號主義的明斯基（M.L.Minsky）的批判。明斯基與佩伯特（Seymour Parpert）在1969 年合作出版的《感知機：計算幾何學(xué)》 一書中指出，感知機無法解決異或（XOR）問題[4]121，此書被廣泛解釋為ANNs 表現(xiàn)出的有限性存在致命的缺陷，由此切斷了ANNs 近十年的研究資助。

圖2 M-P 模型與感知機模型對比

2.第二階段：霍普菲爾德網(wǎng)絡(luò)的中興到反向傳播的掙扎（1980—1990）。1974 年，沃波茨（Paul Werbos）在其博士論文中將弗洛伊德的精神分析理論轉(zhuǎn)換成一種新的算法——反向傳播算法。BP 將神經(jīng)網(wǎng)絡(luò)多加了一層（隱藏層），從而解決了XOR問題[4]125，但由于ANNs 正處于低谷期，沃波茨的工作并未得到重視。ANNs 的第一次復(fù)興并非源于AI領(lǐng)域本身，而是來自物理學(xué)家霍普菲爾德（J.J Hopfield）。他的工作成果被稱為霍普菲爾德網(wǎng)絡(luò)（Hopfield Networks）（見圖3），HN 是源于自旋系統(tǒng)[6]、由一組神經(jīng)元組成的多回路反饋系統(tǒng)。其中，反饋循環(huán)數(shù)與神經(jīng)元數(shù)量相等，每個神經(jīng)元都只對除自身之外的其他神經(jīng)元進(jìn)行輸出?；羝辗茽柕戮W(wǎng)絡(luò)不僅解決了XOR 問題，并且能在組合優(yōu)化和NP 完全問題②上找到近似的解決方案，從而體現(xiàn)出其實用性[1]318-319。這重新掀起了ANNs 研究的熱潮，一批仍對此抱有希望的學(xué)者重新投入這個領(lǐng)域，并于1986 年出版了論文集《并行分布式處理》（Parallel Distributed Processing，PDP）。當(dāng)提到AI里的聯(lián)結(jié)主義，通常所指的就是PDP[2]96。這股計算機和認(rèn)知科學(xué)領(lǐng)域的“春風(fēng)”認(rèn)為，大腦可以用一個并行處理的模型來表示，各個神經(jīng)元單位聯(lián)結(jié)在一起，被激活的信號通過這個網(wǎng)絡(luò)流動，整個運行過程同時發(fā)生且呈分布式。辛頓（Geoffrey Hinton）是這個運動的參與者之一，他與人合著的論文《通過反向傳播誤差來學(xué)習(xí)表征》使BP 算法重獲重視，此算法（見圖3）反復(fù)調(diào)整網(wǎng)絡(luò)中連接的權(quán)重，以使得網(wǎng)絡(luò)的實際輸出向量與期望輸出向量之間的差異最小化[7]。這時的BP 算法僅適用于少量隱藏層的網(wǎng)絡(luò)，而當(dāng)聯(lián)結(jié)主義者們將它運用到更多層神經(jīng)網(wǎng)絡(luò)時，BP 網(wǎng)絡(luò)就變成了“慢速學(xué)習(xí)者”。一個多層網(wǎng)絡(luò)可能需要千萬次迭代才能學(xué)習(xí)，這就使BP 網(wǎng)絡(luò)取得的成就越來越有限[8]。隨著20 世紀(jì)90 年代互聯(lián)網(wǎng)浪潮的沖擊，聯(lián)結(jié)主義者的聲音逐漸被淹沒。

圖3 霍普菲爾德網(wǎng)絡(luò)與反向傳播算法

3.第三階段：深度學(xué)習(xí)的復(fù)蘇到復(fù)雜神經(jīng)網(wǎng)絡(luò)的發(fā)展（2006 至今）?；ヂ?lián)網(wǎng)技術(shù)與AI 技術(shù)其實有重疊的目標(biāo)，更快捷的“互聯(lián)”似乎也能嗅到一絲聯(lián)結(jié)主義的氣味，“恰恰是互聯(lián)網(wǎng)所產(chǎn)生的海量數(shù)據(jù)給了神經(jīng)網(wǎng)絡(luò)更大的機會”[4]130。2006 年，辛頓等在《Science》上發(fā)表的《通過神經(jīng)網(wǎng)絡(luò)降低數(shù)據(jù)維數(shù)》一文徹底拉開了這個帷幕。此文描述了一種將高維數(shù)據(jù)轉(zhuǎn)換為低維代碼，并通過逐層預(yù)先訓(xùn)練的機器學(xué)習(xí)方法[9]。一個在20 世紀(jì)已經(jīng)被提及的方法即深度學(xué)習(xí)（Deep Learning，DL）因為此項工作而獲得了實用性。深度學(xué)習(xí)是機器學(xué)習(xí)的方法之一，該方法與其他方法的不同之處在于訓(xùn)練者不用再給數(shù)據(jù)集“貼標(biāo)簽”，而是使機器對數(shù)據(jù)集的特征進(jìn)行主動學(xué)習(xí)。到此，我們可以發(fā)現(xiàn)ANNs 研究的兩個主要方向：一個是方法（算法），另一個則是如何建構(gòu)神經(jīng)網(wǎng)絡(luò)。許多神經(jīng)網(wǎng)絡(luò)的建模在20 世紀(jì)就已經(jīng)被作為猜想或是“半成品”提出，但是沒有合適的算法能讓它們得到更好的應(yīng)用。在研究初期，AI 從諸多學(xué)科那里汲取了養(yǎng)分，“在吸收很多后，AI 已經(jīng)打破了它們的框架，并開始反過來影響它們”[10]，這些因DL 的復(fù)蘇而重新得到重視的復(fù)雜神經(jīng)網(wǎng)絡(luò)就是如此：卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNNs）是一種主用于機器視覺的神經(jīng)網(wǎng)絡(luò)，“卷積層”是其內(nèi)核，它將一個函數(shù)轉(zhuǎn)化為另一個函數(shù)，通過池化層選取對象的主要特征，再由全連接層給出對象是某事物的概率[11]；循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Networks，RNNs）是一種主用于自然語言處理的神經(jīng)網(wǎng)絡(luò)，其特點在于高度重視順序數(shù)據(jù)或時間序列，將隱藏層的獨立激活變?yōu)橐蕾嚰せ睿纬梢粋€循環(huán)，從而獲得一定的記憶能力[12]；圖神經(jīng)網(wǎng)絡(luò)（Graph Neural Networks，GNNs）是一種非傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)，它處理的是對象的分析圖示，在圖示中，節(jié)點就代表一個實體，邊則代表不同實體間的關(guān)系，這種圖示關(guān)系可用于單個或集合對象[13]；量子神經(jīng)網(wǎng)絡(luò)（Quantum Neural Networks，QNNs）是一種前沿的、適用于量子計算機的神經(jīng)網(wǎng)絡(luò)，它將量子理論推廣到ANNs 研究中，希望突破傳統(tǒng)ANNs的一些限制性問題[14]。諸如此類的神經(jīng)網(wǎng)絡(luò)的宏觀目標(biāo)是模擬大腦的智能，這不禁讓我們想起了羅森布拉特，這不正是他的夢想嗎[4]133？

二、關(guān)于聯(lián)結(jié)主義AI 的智能命題

無論是符號派還是聯(lián)結(jié)主義者，對于任意AI程序最初的構(gòu)想都并非源于每一步的精確計算，而是先產(chǎn)生一個理論上的“命題”。這個“命題”的構(gòu)想雖然基于他們的研究工作，但是指向的是機器智能的可行方案，因此每一個AI 工作者的“智能命題”都已經(jīng)在向哲學(xué)思考進(jìn)發(fā)。因此，關(guān)于聯(lián)結(jié)主義AI的哲學(xué)問題，要先回到AI 專家的研究中去尋找，再從哲學(xué)家對聯(lián)結(jié)主義AI 的思考中去尋找。

1.神經(jīng)活動內(nèi)在思維的邏輯演算。在數(shù)學(xué)方面極有天賦的皮茨和從哲學(xué)方面對大腦進(jìn)行研究的麥卡洛克可能從未想過自己的影響可以持續(xù)近一個世紀(jì)。麥卡洛克將哲學(xué)理論和實踐相結(jié)合，并在與皮茨的合作中通過科學(xué)來檢驗自己的哲學(xué)構(gòu)想，二人合著的《神經(jīng)活動內(nèi)在思維的邏輯演算》就是聯(lián)結(jié)主義AI 哲學(xué)的開篇之作。“神經(jīng)活動‘全有或全無（all-or-none）’的定律可以把任意神經(jīng)元的活動表示為一個命題”[3]117，這個首創(chuàng)性的理論把大腦和心智簡化為數(shù)學(xué)模型，為哲學(xué)家們解釋心智開辟了一個新的進(jìn)路?！吧窠?jīng)活動之間的生理關(guān)系與命題之間的關(guān)系相對應(yīng)”[3]117，命題之間的邏輯關(guān)系描述了神經(jīng)活動的因果流，麥卡洛克和皮茨把這種邏輯關(guān)系訴諸時間，從而使神經(jīng)活動的每個過程成為定在，以形式化的方式揭開了神經(jīng)活動的“面紗”?；谏鲜隼碚摚溈寺蹇撕推ご奶岢隽藘蓚€猜想：“無環(huán)網(wǎng)（netswithoutcircle）”理論和“有環(huán)網(wǎng)（netswithcircle）”理論。無環(huán)網(wǎng)③即M-P 模型，這個神經(jīng)網(wǎng)絡(luò)中的突觸不形成循環(huán)。無環(huán)網(wǎng)的一階邏輯在這里被稱為“時態(tài)命題表達(dá)式”[3]120（Temporal Propositional Expressions，TPE），而TPE 可以通過這種非遞歸神經(jīng)網(wǎng)絡(luò)來實現(xiàn)，即實現(xiàn)了圖靈機的功能。有環(huán)網(wǎng)則是具有循環(huán)連接的神經(jīng)網(wǎng)絡(luò)，對此，麥卡洛克和皮茨解釋道，“若是不滿足于無環(huán)網(wǎng)的自由假設(shè)，要實現(xiàn)這種情況要難上許多”[3]124。相比于無環(huán)網(wǎng)，有環(huán)網(wǎng)的表達(dá)式更為復(fù)雜，因為在循環(huán)中神經(jīng)元活動的時間是不確定的，這就涉及多次量化。之后，克萊尼（S.C.Kleene）優(yōu)化了無環(huán)網(wǎng)理論，他通過數(shù)學(xué)表達(dá)式描述所有輸入神經(jīng)元激活序列的集合，在將這些序列進(jìn)行完全處理后，再將有環(huán)網(wǎng)的給定網(wǎng)絡(luò)帶到特定狀態(tài)，從而發(fā)現(xiàn)其中的規(guī)律[15]。

2.維納及其情調(diào)（Affective Tone）機制。維納是天才式的數(shù)學(xué)家，他的貢獻(xiàn)得到了初期AI 工作者的共同承認(rèn)。今日再談控制論，應(yīng)把《控制論》中的一些想法同當(dāng)前AI 的發(fā)展和哲學(xué)思考聯(lián)系起來，“情調(diào)”便是維納在計算機和神經(jīng)系統(tǒng)的討論中提出的重要概念。智能體要對外界做出反應(yīng)，就必須有觀念的作用，觀念不僅包括智能體面對當(dāng)下對象做出的反應(yīng)，也包括由觀念的積累而形成的顯在或潛在的復(fù)雜觀念。維納將經(jīng)驗論者的簡單觀念和復(fù)雜觀念與巴普洛夫的行為心理學(xué)進(jìn)行了比較，把前者將簡單觀念聯(lián)系起來的原則稱為“鄰接原則”[16]105，把后者將復(fù)雜觀念相聯(lián)系的原則稱為“行為方式的聯(lián)合”[16]106。從這種比較中，他提出“情調(diào)”這一概念，用以闡述機器行為和機器學(xué)習(xí)?！扒檎{(diào)機制”是一個循環(huán)的反饋系統(tǒng)，與神經(jīng)網(wǎng)絡(luò)十分相似（見圖4）。情調(diào)的變化會影響神經(jīng)系統(tǒng)正在進(jìn)行的活動，并且源于情調(diào)匯集器的反饋可以增強或抑制情調(diào)的二次能力[16]106?！扒檎{(diào)機構(gòu)”則是在活動過程中形成觀念的一個分布式的反饋機制，多個“情調(diào)機構(gòu)”將在“情調(diào)匯集器”中被綜合。“情調(diào)匯集器”的輸出指的是以潛在的“復(fù)雜觀念”作用于活動過程，并對“情調(diào)機構(gòu)”閾值作出調(diào)整。值得注意的是，情調(diào)匯集器的輸出和被輸出過程是一個長期過程，而且在維納的理論中，情調(diào)匯集器不必是一個獨立的電子元件，它可以代表一種將情調(diào)自然綜合的作用，成為“敬告所有與此事有關(guān)者”式的消息發(fā)送出去[16]107。情調(diào)機制是機器“心靈”中的動力學(xué)機制，而非機器的運行機制。人類的行為不是單純的機械性程序行為，而是會受到如動機、情感、記憶、信念等方面影響的行為，若要使AI 的行為更加擬人化，也必須使它能感受到來自“心靈”的某種動機[17]。

圖4 維納的“情調(diào)機制”

3.德雷福斯與普特南的不同觀點。列寧曾說過“聰明的唯心論好過愚蠢的唯物論”，這句話在人工智能哲學(xué)中也同樣適用：聰明的哲學(xué)家好過愚蠢的AI 專家，反之亦然。人工智能哲學(xué)溯源于圖靈，但不僅限于圖靈?，F(xiàn)象學(xué)家德雷福斯（Hubert Dreyfus）對AI 的批判使他名聲大噪。他從生物層面對ANNs 進(jìn)行了批判，認(rèn)為“人腦的‘信息加工’方式可能完全不同于數(shù)字計算機”[18]。德雷福斯認(rèn)為，M-P 神經(jīng)模型只是部分地解釋了神經(jīng)元的工作方式，而ANNs 只是人類在有限經(jīng)驗的情況下，被神經(jīng)學(xué)家和AI 專家采用的一種不加批判地接受的解釋。他的批判方式是用哲學(xué)的綜合來打擊AI 的分析，但是其哲學(xué)的綜合是建立在具體分析之上的。從未受過計算機教育的德雷福斯的簡單分析招致了AI 和哲學(xué)領(lǐng)域的研究者對他的共同批判。德雷福斯也隨著20 世紀(jì)80 年代符號主義的衰退和ANNs 復(fù)興的浪潮，在與其表親④的合作中重新審視了自己的批判，如他們在合作發(fā)表的論文中將對AI 的批判范圍縮小至符號派，而對ANNs 仍抱有一定的期待。德雷福斯曾說，哲學(xué)在自然科學(xué)中找到的有效方法在AI 研究中也必定是有效的[19]，但是他卻用傳統(tǒng)哲學(xué)的模糊語句去論證一些在傳統(tǒng)哲學(xué)中早已被指出的計算機語言和AI 程序設(shè)計，這種牽強附會的證明方法同樣招致了批判。與德雷福斯不同，科學(xué)哲學(xué)家普特南（Hilary Putnam）作為機器定理證明早期發(fā)展的推動者，同時也是AI 一些分支領(lǐng)域的開創(chuàng)者，他的一些哲學(xué)思考通常會被“內(nèi)行人”所接受。普特南在心靈哲學(xué)中將心智的功能與計算機的功能進(jìn)行了類比，認(rèn)為人類心靈的運作也是輸入、處理和輸出的過程，開創(chuàng)了功能主義進(jìn)路。在1981 年出版的《理性、真理和歷史》一書中，普特南在開篇給出了“缸中大腦”和“孿生地球”兩個熟知的思想實驗，其目的在于對“意向性”概念進(jìn)行否定。普特南認(rèn)為，“構(gòu)成理解的不是內(nèi)在心理現(xiàn)象，而是主體運用這種現(xiàn)象的能力以及能在正確的環(huán)境中產(chǎn)生正確的心理現(xiàn)象”[20]19-20，因此，“對外部事物的理解并不需要一系列的心理現(xiàn)象”[20]20。“意向性”是困擾AI 的一個難題，它涉及對機器意識、機器的主體地位等命題的辯論。但“意向性（intentionality）⑤”不是“意圖（intention）⑥”，在對這一問題的探討中，普特南的功能主義論證對于今日AI 的發(fā)展是有效的，如在機器的理解中加入其他參照物、知識圖譜中的本體論聯(lián)結(jié)、在人工神經(jīng)系統(tǒng)中加入邏輯結(jié)構(gòu)。古典哲學(xué)中的“意向性”并未阻止AI 科技的進(jìn)步。

三、對聯(lián)結(jié)主義AI 的反思與展望

鑒于近期生成式AI 的火熱，這種在使用上通過文本描述而生成內(nèi)容的AI 重新燃起了對智能和“通用人工智能”這類話題的討論熱情，其中最為火熱的莫過于ChatGPT 及其所引發(fā)的爭議。GPT 打造了一個LLM（大型語言模型），這種模型使用了神經(jīng)網(wǎng)絡(luò)來監(jiān)督和強化學(xué)習(xí)算法，打破了以往很多哲學(xué)上關(guān)于AI 的偏見，相應(yīng)的爭議更是接踵而至。盡管ANNs 已經(jīng)取得了如此高的成就，但是它仍舊存在著根本性的限制。因此，在這一部分，我們將從學(xué)科理論基礎(chǔ)的角度闡述這些問題。

1.聯(lián)結(jié)不是一切。1997 年，IBM 公司的深藍(lán)（Deep Blue）使用窮舉法擊敗了國際象棋大師；2019年，DeepMind 的Alpha Star 在星際爭霸2⑦中完勝人類職業(yè)選手。通過對監(jiān)督學(xué)習(xí)算法建立的神經(jīng)網(wǎng)絡(luò)強化學(xué)習(xí)的訓(xùn)練，聯(lián)結(jié)主義AI 已經(jīng)能在許多電子游戲中優(yōu)于人類玩家，但Alpha 和各種Game AI只能用于特定環(huán)境中，如下圍棋的Alpha Go 并不能玩轉(zhuǎn)星際爭霸，這不僅是由于訓(xùn)練出的神經(jīng)網(wǎng)絡(luò)的獨特性，更是因為這些網(wǎng)絡(luò)使用的能力是決策而不是推理。這種基于權(quán)重的決策可以稱為衡量，而推理則是邏輯，這兩種能力都存在于人類的大腦之中。即使這兩種能力有某種程度的相似，即都是在環(huán)境下作出的正確判斷，但是在規(guī)則和目標(biāo)明確的環(huán)境中作出判斷和在開放環(huán)境中作出判斷所運用的能力是不同的，這也就是為何無法將聯(lián)結(jié)主義AI 作為操盤者運用在規(guī)則明晰但是環(huán)境開放的股票市場中的主要原因。其中一個主要限制在于：微觀層面上的突觸重組、神經(jīng)遞質(zhì)和激素神經(jīng)調(diào)節(jié)對神經(jīng)元興奮性的影響無法達(dá)到宏觀層面上的大范圍同步尖峰活動、具備全球連通性[21]。聯(lián)結(jié)主義AI的網(wǎng)絡(luò)模型仍無法在多個層次上模擬大腦，若是要擺脫“專用人工智能”的限制，就必須開發(fā)出將符號系統(tǒng)的表達(dá)性和程序多樣性與聯(lián)結(jié)主義表達(dá)的模糊性和適應(yīng)性相結(jié)合的系統(tǒng)[22]。

神經(jīng)符號人工智能（Neural-Symbolic AI，NeSy AI）的理念是對聯(lián)結(jié)主義和符號派的一種綜合，此項研究在理論上一直有進(jìn)展，但在實際應(yīng)用中卻很難有突破。原因在于：其一，雖然人腦可以使用完全物理的神經(jīng)網(wǎng)絡(luò)來解決高度抽象的推理問題，但我們對其中的潛在機制只有部分了解；其二，人腦是由神經(jīng)元通過交換顫動的生物電脈沖而不是像單詞一樣的符號來工作[23]，思維中邏輯結(jié)構(gòu)的工作方式與人腦的工作方式顯然不同。盡管存在如此大的差異，布雷澤克（P.J.Blazek）和米洛林（M.M.Lin）的近期研究在解決神經(jīng)符號問題上還是更進(jìn)了一步。本質(zhì)神經(jīng)網(wǎng)絡(luò)（Essence Neural Networks，ENNs）（見圖5）在一定程度上破除了由反向傳播和隨機梯度下降帶來的“不可解釋性”，在其中，每個神經(jīng)元都具有區(qū)分功能：概念神經(jīng)元區(qū)分“像A”和“不像A”，分化神經(jīng)元則區(qū)分“更像B”和“更像D”。ENNs 通過此過程建立起邏輯結(jié)構(gòu)，模擬出符號AI 程序的功能。布雷澤克表示，“ENNs 建立了一個廣泛的計算框架，以破譯認(rèn)知神經(jīng)為基礎(chǔ)而追求通用人工智能”[24]。雖然ENNs 在邏輯推理方面做出了很大的努力，但這仍然不夠，其中的神經(jīng)元仍然要經(jīng)過訓(xùn)練，訓(xùn)練集仍然是其智能的“先天條件”。在圖像識別和文本翻譯中，ENNs 或許能取得不錯的成績，但這些能力離“通用人工智能”仍有很大距離?？偟膩碚f，這至少是個不錯的開端，AI 程序或許并不需要直接復(fù)制人類的認(rèn)知過程，但通過AI 的認(rèn)知過程可以反思人類的認(rèn)知結(jié)構(gòu)，從而了解我們是如何思考以及大腦機能是如何促成這種思考的。AI 的作用之一就是在我們對人類思維的思考中引入更多的結(jié)構(gòu)，若是只把思維看作一種東西，就無法深入了解更多了[25]。

圖5 本質(zhì)神經(jīng)網(wǎng)絡(luò)

2.如何理解“智能”。學(xué)習(xí)算法是ANNs 得以體現(xiàn)智能的方法，但它與人類的學(xué)習(xí)模式仍有很大的區(qū)別。在生物神經(jīng)網(wǎng)絡(luò)中，大腦中存在著康德所說的“先天綜合判斷”的結(jié)構(gòu)，即在進(jìn)行任何學(xué)習(xí)之前，大腦中已存在一種先驗的知識結(jié)構(gòu)⑧，如“時間感”“空間感”“數(shù)學(xué)知識”“趨利避害”等先天能力，這些初始狀態(tài)部分最初并不需要通過學(xué)習(xí)來獲得，而是遺傳衍生的生物進(jìn)化的副產(chǎn)品，是由生物本能所帶來的生物智能[26]。這個結(jié)構(gòu)中配置了一切使我們獲得知識得以可能的重要信息，通過學(xué)習(xí)可以不斷對原始的知識表示結(jié)構(gòu)做出調(diào)整，并使新獲得的知識和能力在大腦中呈現(xiàn)一貫性和結(jié)構(gòu)化；與生物神經(jīng)網(wǎng)絡(luò)不同，ANNs 的這種結(jié)構(gòu)通常都是從數(shù)據(jù)集中訓(xùn)練、以所選擇的問題為導(dǎo)向、通過算法優(yōu)化調(diào)整神經(jīng)元中的權(quán)重而得來的。知識表示結(jié)構(gòu)對于ANNs 來說不是先驗的，而是經(jīng)驗的，且這種結(jié)構(gòu)不會隨著時間的推移發(fā)生新的改變。當(dāng)然，也可以通過調(diào)整ANNs的學(xué)習(xí)目標(biāo)從而使神經(jīng)元中的權(quán)重再次發(fā)生變化，但同一ANNs 程序仍無法習(xí)得多種不同的知識或能力。

由此可見，學(xué)習(xí)在生物智能中表現(xiàn)出的是一種綜合性行為，而在人工智能中則是一種專門性行為，這也就是為何ANNs 在某一方面的學(xué)習(xí)和功能可以比肩甚至超過人類的能力，但仍無法達(dá)到智能的綜合層面即“觸類旁通”“舉一反三”等的原因所在。這對于人工智能功能化的編程存在著潛在挑戰(zhàn)：從經(jīng)驗水平上研究大腦，可以把大腦限定為精確“編寫”的水平，即計算機中的“邏輯門”水平，但是大腦處于神經(jīng)元的生物水平，編寫出神經(jīng)元的所有脈沖聯(lián)結(jié)序列，就足以說明“神經(jīng)計算”嗎？[27]答案顯然是否定的，即使可以確定神經(jīng)活動的規(guī)則，也很難得到生物的神經(jīng)規(guī)則和計算的思維規(guī)則相一致的解釋。生物智能和人工智能不僅有層次的區(qū)別也有質(zhì)的區(qū)別，若要使人工智能適應(yīng)不同的環(huán)境并真正智能化，需要選擇適當(dāng)?shù)某绦騺斫鉀Q它們在不同環(huán)境中遇到的新問題。能夠解決選擇程序問題的程序稱為“元程序”，ANNs 的編程在特定問題上的執(zhí)行效率可能高于生物智能，但這種特定程序不具備也無法作為“元程序”；恰恰相反，只有生物智能可以作為生物全部行為和思想的“元程序”。這種從生物的生存和繁殖的歷史過程中發(fā)展出的“元程序”以生命作為載體，但編寫出的人工智能程序沒有也永遠(yuǎn)不會有這種獨特屬性。除非有一場思想革命認(rèn)為“生命”之類的詞應(yīng)該被刪除，否則“智能”在人工智能和生物智能中永遠(yuǎn)會有這種區(qū)別。

3.認(rèn)知科學(xué)的大模型理論愿景。上述兩節(jié)分別談到了ANNs 無法達(dá)到生物神經(jīng)活動的宏觀層面和生物“元程序”缺失的問題，說明了聯(lián)結(jié)主義進(jìn)路上的部分技術(shù)缺陷。盡管NeSy AI 這種將符號和聯(lián)結(jié)進(jìn)路相混合的方式給后續(xù)的研究指明了一定的方向，但由于基礎(chǔ)理論的缺失，其仍需進(jìn)一步發(fā)展[28]?；诂F(xiàn)有的研究基礎(chǔ)，認(rèn)知科學(xué)中的大模型理論也被廣泛認(rèn)為是理解和解釋“智能”的方法之一。

在20 世紀(jì)，由羅森布魯姆（Paul Rosenbloom）等人提出的SOAR 認(rèn)知模型和安德森（John Anderson） 提出的ACT-R 獲得了廣泛的關(guān)注。SOAR 模型把推理、學(xué)習(xí)、感知、運動控制、語言、認(rèn)知發(fā)展、情感甚至可能是意識等不可言喻的品質(zhì)，所有這些都放在一個連貫的框架內(nèi)[29]。由于人類認(rèn)知的多樣性，SOAR 無法囊括所有結(jié)構(gòu)，因此在應(yīng)用中可能會提出其創(chuàng)建者從未預(yù)料到的解決方案⑨[30]。ACT-R 則是典型的ANNs 模型，它是一個關(guān)于大腦的總體框架，規(guī)定了大腦的組織以及這種組織如何產(chǎn)生思想[31]。無論是SOAR 還是ACT-R 都超越了聯(lián)結(jié)主義和符號進(jìn)路的傳統(tǒng)辯論，事實上，任何一個大模型都必須包含二者的優(yōu)點，因為所有關(guān)于認(rèn)知的符號方法都旨在使用某類實體和系統(tǒng)將思維描述為大腦功能的產(chǎn)物。最近的認(rèn)知科學(xué)理論提出了產(chǎn)生人類行為的雙重過程（有時被稱為系統(tǒng)1 和系統(tǒng)2），這為協(xié)調(diào)符號和聯(lián)結(jié)主義人工智能AI 的各個方面提供了一個理論框架。根據(jù)心理雙過程理論，系統(tǒng)1 是聯(lián)想的、默示的、意象的、個性化的、快速的，而系統(tǒng)2是分析的、外顯的、言語的、概括的、緩慢的[32]。值得注意的是，此項研究認(rèn)為，人類認(rèn)知中的系統(tǒng)1和系統(tǒng)2 之間的關(guān)系并不是直接的一對一的對應(yīng)關(guān)系。雖然系統(tǒng)1 可能同時包含了符號和聯(lián)結(jié)AI的抽象功能和算法，但系統(tǒng)2 中的功能和算法盡管是基于符號方法的，卻是在人腦的神經(jīng)網(wǎng)絡(luò)上實現(xiàn)的。

當(dāng)下ANNs 技術(shù)性問題已經(jīng)越來越少，而科學(xué)性的問題卻越來越多，這些問題大部分都與認(rèn)知科學(xué)相關(guān)。雖然能在GPT 上看到LLM 的成功，但是自然語言畢竟只是認(rèn)知的一部分；雖然語言處理很重要，但并不能代表整個認(rèn)知模型和過程。因此，認(rèn)知大模型的理論在AI 研究中經(jīng)常是缺失的，這一方面是由于認(rèn)知科學(xué)的發(fā)展放緩，另一方面也是由于技術(shù)性研究超過了科學(xué)性研究。在這一點上，認(rèn)知科學(xué)的整體（包括哲學(xué)和AI 研究）仍然需要做出努力。

結(jié) 語

本研究探討了聯(lián)結(jié)主義范式，揭示了其哲學(xué)根源，并基于當(dāng)下研究對未來的可能方向做出了展望。雖然人工神經(jīng)網(wǎng)絡(luò)已經(jīng)取得了重大進(jìn)展，但聯(lián)結(jié)主義人工智能目前仍無法實現(xiàn)真正的智能。這不僅源于人工神經(jīng)元與生物神經(jīng)元之間存在的差異，更是源于人工智能對工程師所定義的問題的依賴。人工智能要實現(xiàn)真正的智能，必須具備自主決策和主動尋求解決方案的能力?！皬娙斯ぶ悄堋钡脑妇安粩嗉钪斯ぶ悄軐W(xué)者，但其復(fù)雜性往往導(dǎo)致人們將注意力集中在較窄的領(lǐng)域，從而導(dǎo)致對這一話題的相對沉默。中世紀(jì)的哲學(xué)家們提出的關(guān)于“智能機器”的觀點，雖然與今日的人工智能概念相去甚遠(yuǎn)，但現(xiàn)代技術(shù)嫻熟的人工智能專家也仍未為實現(xiàn)強人工智能建立起一套被普遍接受的科學(xué)理論。因此，未來的研究應(yīng)側(cè)重于識別人工智能解決問題范式中的固有局限性和偏見，同時加強人工智能與認(rèn)知科學(xué)之間的跨學(xué)科合作，將人工智能哲學(xué)研究中考慮的認(rèn)知因素、主體責(zé)任觀念和人類價值觀等融入人工智能的發(fā)展之中。隨著人工智能對我們的世界的不斷塑造，我們的目標(biāo)仍然是超越當(dāng)前研究的界限，開創(chuàng)一個讓人工智能系統(tǒng)真正體現(xiàn)智能、具備自主性和倫理責(zé)任的時代。

注 釋：

①赫布學(xué)習(xí)規(guī)則認(rèn)為，大腦學(xué)習(xí)新的東西時，神經(jīng)元會被激活并與其他神經(jīng)元連接，形成一個神經(jīng)網(wǎng)絡(luò)。這些連接最初很弱，但重復(fù)刺激會使連接越來越強，它們之間的連接的權(quán)重就會相應(yīng)增加。參見：Hebbian theory[Z/OL]//Wikipedia.（2023-08-27）[2023-09-01].https://en.wikipedia.org/w/index.php?title=Hebbian_theory&oldid=1172449656.

②NP 完全問題最直觀的一個例子就是旅行推銷員問題，它是一個被廣泛研究的組合優(yōu)化問題。即給定一組城市中某城市到另一個城市的距離和旅行成本，在同一個城市開始和結(jié)束，每個城市只需訪問一次，求解推銷員最小成本的最優(yōu)路線。參見：Travelling salesman problem [Z/OL]//Wikipedia.（2023-08-18）[2023 -09 -01].https://en.wikipedia.org/w/index.php?title =Travelling_salesman_problem&oldid=1171041134.

③在此文中，麥卡洛克和皮茨使用了非現(xiàn)在所熟知的邏輯語言來論述無環(huán)網(wǎng)的具體推理步驟，為節(jié)省篇幅在此不進(jìn)行解釋，但其功能已在“人工神經(jīng)網(wǎng)絡(luò)的興起到感知機的挫敗”段做出概述。

④斯圖亞特·德雷福斯（Dreyfus S.E.） 是休伯特·德雷福斯（Dreyfus H.L.）的親戚，他的研究方向是人工神經(jīng)網(wǎng)絡(luò)。

⑤See JACOB P.Intentionality [M/OL]//ZALTA E N, Nodelman U.The stanford encyclopedia of philosophy.Spring 2023.Metaphysics Research Lab, Stanford University,（2023-02-07）[2023-09-01].https://plato.stanford.edu/archives/spr2023/entries/intentionality/.

⑥See SETIYA K.Intention[M/OL]//ZALTA E N, Nodelman U.The stanford encyclopedia of philosophy.Winter 2022.Metaphysics Research Lab, Stanford University,（2022-07-20）[2023-09-01].https://plato.stanford.edu/archives/win2022/entries/intention/.

⑦暴雪公司推出的一款即時戰(zhàn)略游戲。星際爭霸的游戲地圖與圍棋地圖同樣是坐標(biāo)系，不同的是前者在這個坐標(biāo)系中添加了資源、環(huán)境等為獲得游戲勝利而需要考慮的因素，但是二者仍然具有類似的基本規(guī)則，即進(jìn)攻、防守和布局等基本游戲策略。

⑧在這里的先驗知識采用的是康德的解釋，這是一種在邏輯上先于經(jīng)驗并使得經(jīng)驗知識得以可能的知識。

⑨由于人類認(rèn)知的復(fù)雜性，這往往是大模型的通病。