摘" "要： 計算智能是基于計算或算法的智能，致力于感知和控制層次的不可算法化問題的解決，其興起促進(jìn)了計算機科學(xué)和人工智能的進(jìn)一步發(fā)展。從認(rèn)知哲學(xué)來追問計算智能到底是什么，與人工智能有什么不同，其中蘊含了哪些認(rèn)識論和方法論，這些問題需要得到澄清。計算智能不論是作為一堆技能的組合，還是作為一種人工認(rèn)知架構(gòu)，或者是作為一個新的人工智能研究綱領(lǐng)，其實質(zhì)是一種精確的適應(yīng)性表征。

關(guān)鍵詞： 計算智能；人工智能；自然智能；人工通用智能；適應(yīng)性表征

中圖分類號：TP18" "文獻(xiàn)標(biāo)識碼：A 文章編號：1004-8634（2024）06-0104-（010）

DOI：10.13852/J.CNKI.JSHNU.2024.06.010

眾所周知，計算機的核心是算力，基于計算機的人工智能也必然依賴算力?；诖髷?shù)據(jù)、算力和算法的人工智能被稱為“計算智能”（Computational Intelligence），它是計算機科學(xué)和人工智能發(fā)展到一定階段的產(chǎn)物，業(yè)已成為智能信息科學(xué)中最活躍的研究領(lǐng)域之一，用于解決模式識別、數(shù)據(jù)挖掘、圖像處理等領(lǐng)域的關(guān)鍵問題。那么，計算智能的最終目標(biāo)是什么？該領(lǐng)域的短期和長期挑戰(zhàn)是什么？與人工智能是什么關(guān)系？這些問題在《計算智能面臨的挑戰(zhàn)》1 中已經(jīng)給出初步說明。然而，如何定義“計算智能”則有不同的看法，它涵蓋哪些方面也有爭議。2

一般來說，計算智能是由若干相對獨立的子分支發(fā)展綜合而成的，目前已經(jīng)形成的具有代表性的分支有神經(jīng)網(wǎng)絡(luò)、進(jìn)化計算、群體智能和人工免疫系統(tǒng)等。3 可以說，計算智能代表著計算機科學(xué)和人工智能發(fā)展的新方向，是解決問題的一種綜合方法。計算智能與經(jīng)典人工智能的不同在于：它不必建立符合自身問題的模型，也不只是單純的知識表征，而是基于大數(shù)據(jù)以算法處理信息，如大型自然語言處理模型ChatGPT-4。本文在梳理、探討計算智能發(fā)展和相關(guān)爭論的基礎(chǔ)上，從適應(yīng)性表征方法論1 審視、論證和說明這樣一個問題：計算智能是何種意義上的智能，是否是真正的智能（人類智能）？以及這樣一個新觀點：計算智能是一種精確的適應(yīng)性表征能力。

一、計算智能的意蘊

人類是有智能的，會計算和推理。相比而言，計算機雖會計算，且速度遠(yuǎn)超過人，但它不一定有智能（會思維），除非我們將“計算”定義為智能（圖靈的機器智能就是計算智能?。?。然而問題是，這種人為定義的智能是真正的智能嗎？這里的“真正的智能”是指基于進(jìn)化而來的“生物智能”，尤其是人類智能。關(guān)于這一點，哲學(xué)家塞爾的“中文屋論證”業(yè)已揭示，純粹的符號計算（操作）不會產(chǎn)生智能（思維），因為計算機不“理解”它操作的符號的意義。以此觀之，“理解”就是人類智能與人工智能區(qū)分的“分水嶺”。不過，雖然人工智能系統(tǒng)不是進(jìn)化來的，但它是人類智能的衍生物，也是適應(yīng)性表征系統(tǒng)，因為它不僅能應(yīng)對確定性問題，也能部分應(yīng)對不確定性問題，2 而且可通過情境覺知方法強化其適應(yīng)性表征能力。3 這樣一來，人工智能的這種適應(yīng)性表征能力，即使不是它有智能的發(fā)生機制，也一定是計算智能的一個核心方面。

計算智能是計算機產(chǎn)生后形成的一種“類人智能”，其載體是物理裝置，如計算機和機器人，而不是生物體。根據(jù)杜克（W.Duch）的說法，4 目前的計算智能并沒有一個綜合基礎(chǔ)，與其說它是一個有堅實基礎(chǔ)的科學(xué)分支，不如說是一堆技巧的組合。他主張將計算智能的重點從方法轉(zhuǎn)移到具有挑戰(zhàn)性的問題上，將計算智能定義為計算機和工程科學(xué)的一部分，致力于解決不可算法化問題（non-algoritmizable problems）。按照這種定義，計算智能介于計算機科學(xué)和工程學(xué)之間，人工智能只是計算智能的一部分（專注于與高級認(rèn)知功能有關(guān)的問題，如對話模型ChatGPT），而計算智能的研究則致力于與感知和控制有關(guān)的問題，如各種機器人。

如果杜克的定義是準(zhǔn)確的，那么計算智能研究的感知和控制問題到底是什么？是不同于高級認(rèn)知的較低級認(rèn)知功能嗎？這與認(rèn)知動力主義研究感知—行動有何不同？一般而言，計算機科學(xué)研究可計算過程和信息處理系統(tǒng)，但根據(jù)杜克的定義，計算智能要研究那些“沒有有效計算算法”的問題，這個目標(biāo)難度很大。因為人們不可能制定這些算法，或者是因為這些問題是NP（多項式時間內(nèi)可驗證問題）困難的，在實踐中的應(yīng)用是無效的。在他看來，這是一個相當(dāng)寬泛的定義：計算智能是研究“沒有有效計算算法”問題的一個科學(xué)分支。

于是問題來了，什么是“沒有有效計算算法”呢？這個定義似乎存在內(nèi)在矛盾。一方面，按照上述定義，計算智能致力于“沒有有效計算算法”問題的研究。既然不存在“有效計算算法”，如何能稱其為計算智能呢？如果計算機不能執(zhí)行有效的計算操作，那么計算智能的目標(biāo)豈不是會落空？所謂“計算智能”，按照字面意思理解，應(yīng)該是根據(jù)已有數(shù)學(xué)和邏輯理論包括人工智能的各種方法和算法（一堆技巧）來解決與感知和行動有關(guān)的較低級認(rèn)知功能，諸如環(huán)境感知，物體識別，信號分析，發(fā)現(xiàn)數(shù)據(jù)中的結(jié)構(gòu)、簡單關(guān)聯(lián)和控制等。如果這種理解是對的，那么計算智能相當(dāng)于弱人工智能加上機器人學(xué)，其在理論上不再強調(diào)算力（避免不可算法化問題），而是突出感知和行動能力，即在實踐應(yīng)用上突出工程學(xué)，如波士頓動力機器人的研究。在筆者看來，這種理解與認(rèn)知動力主義或行動主義范式?jīng)]有多少區(qū)別。同時，由于人們不能給出有效算法或者NP困難，從哲學(xué)上看，這意味著，要么人類智能存在至上性（有限性），要么有些問題根本就不能計算，如物理學(xué)中的三體問題、數(shù)學(xué)中的高維計算。如果是這樣，計算智能也是“有限智能”，其理論基礎(chǔ)是著名計算機科學(xué)家赫伯特·西蒙的“有限理性說”（即人的理性是處于完全理性和完全非理性間的一種有限理性），方法上是一種“快速而節(jié)儉的啟示法”。1 這與通用人工智能或強人工智能的目標(biāo)有所不同。

當(dāng)然，從實現(xiàn)機器感知和行動的視角看，“計算智能”的“計算”不完全是計算主義意義上的（符號表征），也不完全是動力主義意義上的（非符號表征），而是二者的結(jié)合或混合。實現(xiàn)這種低級認(rèn)知問題的方法一般包括人工適應(yīng)性系統(tǒng)的監(jiān)督和無監(jiān)督學(xué)習(xí)——神經(jīng)、模糊和進(jìn)化方法以及概率和統(tǒng)計方法，如貝葉斯網(wǎng)絡(luò)方法或核方法。而更高級的認(rèn)知功能需要解決不可算法化問題，包括系統(tǒng)思考、抽象推理、知識的復(fù)雜表征、情景記憶、計劃、對符號知識的理解，這種高級認(rèn)知是通用人工智能或強人工智能要實現(xiàn)的目標(biāo)。從這個角度來看，人工智能是計算智能的一部分，專注于更高級認(rèn)知的問題，因為高級認(rèn)知問題使用符號表征可能更容易解決。

依筆者看，所有人工智能都源于符號操作的觀點也許被人工智能界誤解了。具身認(rèn)知科學(xué)的興起表明，純粹符號操作的智能可能不是生物智能的核心本質(zhì)（大腦、身體與環(huán)境的交互才是），它可能只是人類內(nèi)在思維外化的方式（符號表征）。可以肯定的是，人腦思維的過程（濕件）不同于計算機的符號操作過程（干件），前者是生物化學(xué)反應(yīng)過程，后者是物理信號處理過程，這兩個過程有著本質(zhì)的區(qū)別（構(gòu)成硬件上完全不同，運行機制也必然完全不同）。如果是這樣，計算智能不只是研究人工智能體的設(shè)計，還應(yīng)該包括生物智能能夠以不同程度的能力解決所有不可算法化過程的研究，以及使用硬件和軟件系統(tǒng)解決此類問題的工程學(xué)方法。也許計算智能不應(yīng)該被視為一個沒有更深基礎(chǔ)的技巧包或工具箱，它應(yīng)該有更深層次的理念——計算智能與通用人工智能的結(jié)合、部分可計算（如遺傳算法）和部分不可算法化（如心智的涌現(xiàn)）的混合。這是計算智能在研究理念（認(rèn)識論）和研究策略（方法論）上的轉(zhuǎn)變，而不僅僅是具體研究進(jìn)路的轉(zhuǎn)移。

如果計算智能也奉行人腦功能模擬的路數(shù)，那么計算智能研究者一定要明白，人腦的運作機制肯定不同于計算機的，二者的計算、學(xué)習(xí)原理也必然不同，盡管有相似之處。如果我們想縮小機器學(xué)習(xí)和人類學(xué)習(xí)能力之間的差距，那么我們就必須研究如何學(xué)習(xí)通用算法，而不只是研究這種反應(yīng)式的映射。通用算法也許是通用但不可算法化的人工智能方法，但通用算法究竟是什么？如何能夠通用？其機制是什么？計算機科學(xué)界還存在爭議。2

概言之，目前，計算智能的大多數(shù)工作采取的是工程學(xué)方法，但認(rèn)知建模特別是認(rèn)知架構(gòu)采取的是科學(xué)方法，即專注于收集經(jīng)驗數(shù)據(jù)和開發(fā)模型。作為科學(xué)理論和對數(shù)據(jù)進(jìn)行科學(xué)解釋的科學(xué)方法，旨在通過更詳細(xì)的認(rèn)知建模促進(jìn)對心智等各種組成部分和過程的理解。這種科學(xué)方法必然會涉及哲學(xué)方法，如直覺的感知行動、功能主義甚至現(xiàn)象學(xué)方法，這就是計算智能的認(rèn)知架構(gòu)的科學(xué)建構(gòu)問題。

二、計算智能的認(rèn)知構(gòu)架

除工程學(xué)的考慮外，計算智能在理論上也必須建構(gòu)認(rèn)知架構(gòu)。認(rèn)知架構(gòu)是一個范圍廣泛的、領(lǐng)域通用的計算認(rèn)知模型，致力于捕捉心智的基本結(jié)構(gòu)和過程，用于對認(rèn)知進(jìn)行廣泛、多層次、多領(lǐng)域的分析。1 更普遍地說，架構(gòu)包括一個系統(tǒng)在不同時間、領(lǐng)域和個體之間相對不變的方面，并以一種結(jié)構(gòu)上和機制上明確的方式處理認(rèn)知過程。人工認(rèn)知架構(gòu)往往以人的認(rèn)知結(jié)構(gòu)和方式做類比，這就涉及人工智能與認(rèn)知科學(xué)的密切結(jié)合。

對于認(rèn)知科學(xué)來說，認(rèn)知架構(gòu)的重要性在于它在理解人類思維方面很有用。在理解認(rèn)知現(xiàn)象時，我們可以基于認(rèn)知架構(gòu)使用計算模擬，迫使人們從過程和細(xì)節(jié)的角度來思考?？梢哉f，認(rèn)知科學(xué)的主要目標(biāo)之一就是建構(gòu)認(rèn)知模型。對于人工智能和計算智能來說，認(rèn)知架構(gòu)的作用在于支持建立像人一樣有能力的人工認(rèn)知系統(tǒng)。人工認(rèn)知架構(gòu)有助于我們對周圍唯一真正的智能系統(tǒng)（人類心智）進(jìn)行逆向工程處理，即人工模擬人腦或動物腦（人工神經(jīng)網(wǎng)絡(luò)的建構(gòu)）。人類心智是地球上現(xiàn)有的最靈活、最普遍、最強大的智能系統(tǒng)，因此，解決許多人工智能和計算智能問題的一個好方法就是將人腦作為原型進(jìn)行認(rèn)知功能模擬。

然而，由于人工智能和計算智能通常是以一種數(shù)學(xué)和邏輯上的動機或最佳方式理解智能，這自然會產(chǎn)生一些問題：人工智能和計算智能背后的基本數(shù)學(xué)、邏輯約束和規(guī)律性，與處理這些問題的所有方法相關(guān)并適用嗎？它們揭示了認(rèn)知過程和機制的細(xì)節(jié)嗎？要解決這些問題，筆者認(rèn)為需要引入“適應(yīng)性表征”這個概念，因為適應(yīng)性表征是物理自組織系統(tǒng)和人工認(rèn)知系統(tǒng)的共性，可作為統(tǒng)一范疇框架來使用。2

這里以認(rèn)知構(gòu)架CLARION為例。CLARION是一個綜合架構(gòu)，由一些不同的子系統(tǒng)組成，包括以行動為中心的子系統(tǒng)（ACS）、以非行動為中心的子系統(tǒng)（NACS）、動機子系統(tǒng)（MS）和元認(rèn)知子系統(tǒng)（MCS），每個子系統(tǒng)都有雙重表征結(jié)構(gòu)（隱性與顯性表征）。以行動為中心的子系統(tǒng)的作用是控制行動，無論這些行動是用于外部物理運動，還是用于內(nèi)部心理操作。以非行動為中心的子系統(tǒng)的作用是保持通用知識，無論是隱性的還是顯性的。動機子系統(tǒng)的作用是為感知、行動和認(rèn)知提供基本動機，即提供動力和反饋來表明結(jié)果是否令人滿意。元認(rèn)知子系統(tǒng)的作用是動態(tài)地監(jiān)控、指導(dǎo)和修改以行動為中心的子系統(tǒng)的運作，以及所有其他子系統(tǒng)的運作。

當(dāng)然，建構(gòu)認(rèn)知模型不是一件容易的事情，因為認(rèn)知架構(gòu)既要緊湊又要范圍廣泛；既要保持簡單性又要準(zhǔn)確地捕捉經(jīng)驗數(shù)據(jù)；既要在計算上可行，又要與心理學(xué)理論一致，即要以某種方式整理并納入現(xiàn)有的無數(shù)個不兼容的心理學(xué)理論。撒恩（R.Sun）提出一套可參考的有用標(biāo)準(zhǔn)：3 通用性、多功能性和任務(wù)性；最佳化和可擴展性（時間/空間復(fù)雜性）；反應(yīng)性和目標(biāo)導(dǎo)向行為；自主和合作；適應(yīng)、學(xué)習(xí)和行為改進(jìn)等。自然語言處理大模型ChatGPT-4基本符合這些標(biāo)準(zhǔn)，但缺乏與現(xiàn)實世界的經(jīng)驗交互，這一點可能是其致命缺陷。

在策略上，雖然人腦是一個智能系統(tǒng)，計算機可以模擬其功能，但計算智能卻不必被限定為與人類智能有任何關(guān)系。也就是說，兩個系統(tǒng)不必是類比或模擬關(guān)系，計算智能完全可“另起爐灶”，比如飛機不必模擬鳥的飛行（但可參照）。泰勒（J.G.Taylor）認(rèn)為，計算智能可以被認(rèn)為是人類智能的計算機等同物，4 以人類智能的定義為參考和指導(dǎo)，我們可以將計算智能定義為：利用機器的知識數(shù)據(jù)庫中所需要的盡可能多的內(nèi)容來解決日益復(fù)雜任務(wù)的能力。顯然，人類智能和計算智能之間存在著明顯的差距，這是因為意識產(chǎn)生于人腦，而不是機器，所謂的“機器意識”只是一種類比或擬人化的說法，如虛擬人，在實踐上還不可行，比如“把意識移植到機器里”的想法，5 產(chǎn)生了所謂的“意識上傳”“數(shù)字生命”“電子人”等說法。

在推理方面，人類有強大的推理能力，包括符號的和圖像（想象）的。機器雖然也被看作推理機器，但只是通過被編碼成合適的高級代碼的符號計算（操作），而不是人類特有的想象力，而想象力（如直覺）才是生物智能創(chuàng)造力的核心所在，這一創(chuàng)造力正是機器智能所缺乏的。目前為止，創(chuàng)造力是人類的特有能力，對于理解和應(yīng)用于機器智能非常重要，因此從非符號層面考慮是研究計算智能認(rèn)知建模的策略。泰勒強烈地認(rèn)為，計算智能的長期目標(biāo)是創(chuàng)建一個由大腦引導(dǎo)的超級計算智能系統(tǒng)（人類的硅基版本），以進(jìn)化的方式進(jìn)行訓(xùn)練，以便能夠在人類社會中以有效的自主方式運作（不必有意識）。

當(dāng)然，建構(gòu)計算智能的認(rèn)知模型會遇到各種挑戰(zhàn)。比如，在機器視覺、機器人控制、軟件智能體的創(chuàng)建中能夠處理復(fù)雜領(lǐng)域的系統(tǒng)、情緒計算系統(tǒng)和語言理解軟件系統(tǒng)，開發(fā)各種工具使越來越復(fù)雜的計算機程序得到驗證，開發(fā)越來越復(fù)雜的程序以便在集群或網(wǎng)格計算機上運行智能應(yīng)用程序。如果我們理解了意識的神經(jīng)生物學(xué)基礎(chǔ)（真正的智能），這就可能作為在人工系統(tǒng)中實現(xiàn)意識的例子。這種真正的智能意味著：“在我們試圖制造智能機器之前，必須先了解大腦是如何思維的?！? 然而，意識定義的多樣性（不同學(xué)科對意識的理解不盡相同）阻礙了這一主題在神經(jīng)生物學(xué)和人工智能中的進(jìn)展。腦—機接口技術(shù)的發(fā)展有可能使人工腦與生物腦相結(jié)合，如果成功，這不僅可解決意識定義的多樣性問題，也可在神經(jīng)疾病的治療方面有所突破。

從技術(shù)開發(fā)來看，這意味著一個好的表征方法往往能捕捉到關(guān)于人類感知的理解，以便讓計算機程序通過機器學(xué)習(xí)來“發(fā)現(xiàn)”（適應(yīng)地表征）感知的意義，比如耳蝸對聲音信息的處理相當(dāng)于一個復(fù)雜的濾波器庫。如果將這種理解編入聽覺外圍的表征中，就會減少從頭開始計算的問題。不過，我們也應(yīng)該認(rèn)識到，適應(yīng)性表征只是提供了一個思路和框架，它絕不是解決計算智能分析問題的全部。若將適應(yīng)性表征看作學(xué)習(xí)過程（事實上，學(xué)習(xí)作為認(rèn)知就是適應(yīng)性表征能力），那這種學(xué)習(xí)在表征框架內(nèi)將會發(fā)揮重要作用，因為學(xué)習(xí)可以通過調(diào)整參數(shù)值并精確模擬輸入數(shù)據(jù)在系統(tǒng)中的分布來達(dá)到目標(biāo)。

三、計算智能的適應(yīng)性表征模式

盡管人們對意識的理解存在分歧，但將大腦視為一個動態(tài)的信息處理系統(tǒng)是普遍認(rèn)可的。一個典型的例子是，卡薩博夫（N.Kasabov）通過不同層次的信息處理來表征大腦的進(jìn)化結(jié)構(gòu)和功能：量子信息處理→分子遺傳信息處理（基因、蛋白質(zhì)）→細(xì)胞（神經(jīng)元）的信息處理→系統(tǒng)信息處理（神經(jīng)元集合）→大腦認(rèn)知過程（神經(jīng)網(wǎng)絡(luò)）→進(jìn)化（人口/世代）過程。2 計算智能方法應(yīng)該涉及所有這些方面，因為人類的計算在某種意義上具有完備性，即人類是宇宙中最會計算的物種，凡是人類能夠計算的東西，原則上都可以用一組計算規(guī)則來表征。這是計算機和人工智能得以發(fā)展的基本信念和底層邏輯。

在量子層面，構(gòu)成物質(zhì)世界每個分子的粒子（原子、離子、質(zhì)子、中子、電子等）在不斷運動，同時處于幾種狀態(tài)，這些狀態(tài)的特點用物理學(xué)術(shù)語說就是幾率、相位、頻率和能量。在分子水平上，RNA（如新冠病毒）和蛋白質(zhì)分子在細(xì)胞中演變，并以連續(xù)的方式相互作用，基于DNA存儲的信息和外部因素在一定條件下影響細(xì)胞（神經(jīng)元）的功能。在神經(jīng)元層面，內(nèi)部信息過程和外部刺激使神經(jīng)元產(chǎn)生信號，并將攜帶的信息傳遞給其他神經(jīng)元。在神經(jīng)元集合的層面，所有的神經(jīng)元以協(xié)同的方式運作，確定了集合的功能，如對一個聲音的感知。在整個活大腦層面認(rèn)知過程發(fā)生了，如語言和推理，并表現(xiàn)出全局信息過程，如意識涌現(xiàn)。在個體群體的層面上，物種通過進(jìn)化而演變，改變遺傳DNA代碼以獲得更好的適應(yīng)性，如人類的進(jìn)化和人類社會的形成。

依筆者之見，所有這些過程都是適應(yīng)性的，在呈現(xiàn)屬性意義上（顯現(xiàn)）也是表征性的（不限于符號文字表述）。這里以量子啟發(fā)的計算智能為例。根據(jù)量子力學(xué)，如果一個量子系統(tǒng)以任何方式與它的環(huán)境相互作用，疊加就會被破壞，系統(tǒng)就會如同經(jīng)典物理學(xué)（海森堡）中坍縮成一個單一的真實狀態(tài)。這個過程受概率振幅的制約，概率振幅的強度的平方是觀察該狀態(tài)的量子概率，如量子糾纏，它是兩個或多個粒子，無論其位置相距多遠(yuǎn)，都處于相同的狀態(tài)，具有相同的概率函數(shù)。這兩個粒子可被看作相關(guān)的、不可區(qū)分的、同步的、相干的全同粒子（2022年物理學(xué)諾貝爾獎就被授予了量子糾纏的工作）。比如，我們熟悉的激光束就是由數(shù)百萬個具有相同特征和狀態(tài)的受激輻射原子產(chǎn)生的。這是微觀領(lǐng)域的適應(yīng)性表征（呈現(xiàn)）行為。

如果生物智能系統(tǒng)是量子動力學(xué)系統(tǒng)，它就應(yīng)該遵循量子力學(xué)原理，意識或心智的量子力學(xué)解釋就是可能的。從適應(yīng)性表征觀點看，量子系統(tǒng)也是適應(yīng)性表征系統(tǒng)，量子態(tài)疊加原理可以應(yīng)用于許多現(xiàn)有的計算智能方法，其中使用了由波概率函數(shù)描述的狀態(tài)疊加而不是單一的狀態(tài)，如參數(shù)值，或有限自動機狀態(tài)，或連接權(quán)重。因此，所有這些狀態(tài)將被并行計算，從而使計算速度提高許多數(shù)量級?？ㄋ_博夫（N.Kasabov）認(rèn)為，這些多層次功能表征蘊含了一些假設(shè)，筆者將其概括為三個哲學(xué)或形而上學(xué)假設(shè)：（1）量子特性同一性：大量的原子具有相同的量子特性，可能與大量神經(jīng)元的相同基因/蛋白質(zhì)表達(dá)譜有關(guān)，其特征是用函數(shù)描述的脈沖活動表征的。（2）神經(jīng)元聚合生成性：一個大的神經(jīng)元集合可用一個局部場電位（local field potentials）函數(shù)來表征，從而生成宏觀上的意識或智能行為。（3）低層次決定高層次假設(shè)：一個認(rèn)知過程可在一個抽象層次上表征為一個函數(shù)，這取決于所有較低層次的神經(jīng)元、基因和量子活動?？梢钥闯?，這三個假設(shè)的功能表征可通過計算智能來實現(xiàn)。從科學(xué)表征的視角看，現(xiàn)實世界的物體必須以形式化方式來表征，以便于通過數(shù)學(xué)、邏輯以及計算機模擬手段進(jìn)行分析和模式識別。在人工智能中，模式識別是計算智能的一個主要方面，其重點是開發(fā)和評估模仿或協(xié)助人類識別模式能力的系統(tǒng)。因此，模式識別的工程方法是試圖建立模擬這種現(xiàn)象的系統(tǒng)，這樣做可以獲得對識別模式所需的科學(xué)理解。這與科學(xué)中建構(gòu)模型（如原子模型）來理解對象（原子）是一個道理。

其實，模式識別能力動物也有，如寵物狗能找到回家的路。這背后的機制是什么？這是個科學(xué)問題。科學(xué)問題通常是通過建模來解決的，也就是建立與所研究對象大致表現(xiàn)出相同現(xiàn)象的人工系統(tǒng)，即表征中介，如宇宙演化的數(shù)學(xué)模型。在構(gòu)建這樣一個系統(tǒng)并對其進(jìn)行評估時，將獲得對真實物體的理解和說明。這意味著，科學(xué)家認(rèn)為這樣的模擬系統(tǒng)可用來替代原系統(tǒng)（自然系統(tǒng)），甚至可以改善原系統(tǒng)的一些特性，如假肢、人工心臟、虛擬系統(tǒng)。在這個意義上，一個模式可以用表示一個單獨的個體作為其群體、模型或概念的表征。因此，模式識別處理的是模式、規(guī)律性和特征，可以在感官測量的低層次上探討，如圖像中的像素，也可以在衍生和有意義概念的高層次上討論，如圖像中的人臉識別。

人工智能中的無監(jiān)督學(xué)習(xí)給研究者提供了一個自動系統(tǒng)，以表明觀察中存在尚未闡明的模式，如規(guī)律性，它們必須由研究者來確認(rèn)或驗證，這就是認(rèn)識到了一種模式。與無監(jiān)督學(xué)習(xí)相比，監(jiān)督學(xué)習(xí)作為一個自動系統(tǒng)，它驗證或確認(rèn)研究者基于他定義的表征所描述的模式，這是通過自動分類和評估來完成的。而分類是一項機器可以成功完成的任務(wù)，其中識別行為可能發(fā)生，也可能不發(fā)生，這意味著分類（classification）與識別（recognition）是有區(qū)別的。1 同樣，識別過程中可以有分類，也可以沒有?？梢园l(fā)現(xiàn)，分類是基于知識或常識的認(rèn)知活動，如生物分類，而識別可以基于知識，也可以沒有知識，如兒童第一眼看到的不同類型的玩具。在機器學(xué)習(xí)中，分類和識別的區(qū)分涉及監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)。在工程學(xué)層次，分類被看作是模式識別系統(tǒng)的一個重要組成部分，無監(jiān)督學(xué)習(xí)也可能在其中發(fā)揮作用。2 通常情況下，這樣的系統(tǒng)首先被提交給一組已知的對象，即訓(xùn)練集，并以某種方便的方式表征，如樹型表征。學(xué)習(xí)依賴于尋找數(shù)據(jù)描述，以便系統(tǒng)能夠正確地描述、識別或分類新的例子。在適當(dāng)?shù)念A(yù)處理和適應(yīng)之后，系統(tǒng)會采用各種機制對整個系統(tǒng)進(jìn)行良好的訓(xùn)練，這個訓(xùn)練識別過程，我認(rèn)為就是適應(yīng)性表征過程。

一個人工模式識別系統(tǒng)一般有三個主要階段：表征、概括和評估，以及一個中間階段的適應(yīng)（見圖1）。1 適應(yīng)居于識別模式的中心，這個事實表明，這種表征方式即適應(yīng)性表征，這是人工智能的一種哲學(xué)方法論。2

顯然，表征問題是模式識別的一個重要方面，它在很大程度上影響了識別的成功。適應(yīng)是表征和概括之間的一個中間階段，在這個階段，表征、學(xué)習(xí)方法或問題陳述被調(diào)整或擴展以加強最終的識別，而且語境知識可以適當(dāng)?shù)乇恢匦轮贫ú⒓{入表征中。在概括或推理階段，我們從訓(xùn)練集，即已知的和適當(dāng)表征的例子集中學(xué)習(xí)一個概念，這樣就可以對新例子的一些未知屬性進(jìn)行預(yù)測。在評估階段，我們估計系統(tǒng)在已知的訓(xùn)練和驗證數(shù)據(jù)上的表現(xiàn)如何，同時訓(xùn)練整個系統(tǒng)。如果結(jié)果不令人滿意，就必須重新考慮前面的步驟，這構(gòu)成了一個反饋循環(huán)過程。

需要指出的是，不同的研究領(lǐng)域會關(guān)注這個系統(tǒng)的不同部分。例如，感知和計算機視覺主要處理表征方面的問題，而人工神經(jīng)網(wǎng)絡(luò)、機器學(xué)習(xí)、模式分類通常局限于概括問題。所以，模式識別的主要目標(biāo)集中于研究與表征有關(guān)的概括。在哲學(xué)和邏輯上，概括是一種歸納，即從有限事實總結(jié)出一般性結(jié)論的認(rèn)知過程。這種能力是人類特有的能力，如果人工智能系統(tǒng)有了這種能力，必然會增強其創(chuàng)新力（僅僅靠演繹不會產(chǎn)生新知）。問題在于，如何讓人工認(rèn)知系統(tǒng)擁有因果力才是關(guān)鍵?？梢缘贸?，因果力（引起關(guān)系）是一種強的適應(yīng)性表征力，相關(guān)性（影響關(guān)系）是弱的適應(yīng)性表征力，這兩種關(guān)系可通過適應(yīng)性表征得到統(tǒng)一。

四、計算智能面臨的挑戰(zhàn)

計算智能作為人工智能的拓展，同樣面臨著以下挑戰(zhàn)：

第一是靈活性挑戰(zhàn)，即如何創(chuàng)建一個靈活的人工系統(tǒng)。4 這種系統(tǒng)可以自主配置，可以利用其模塊來探索解決同一問題的各種方法，提出可能具有不同優(yōu)勢的多種解決方案，而不是用單一的學(xué)習(xí)算法可以設(shè)置優(yōu)先級來定義什么是有效的解決方案，比如使用元學(xué)習(xí)搜索方法在所有可能的模型空間中進(jìn)行探索。目前，大多數(shù)計算智能的算法都有非常有限的目標(biāo)，如基于具有某種固定結(jié)構(gòu)的數(shù)據(jù)進(jìn)行預(yù)測（使用近似方法）或診斷（分類）。這樣的算法是一般智能系統(tǒng)的基本構(gòu)件，盡管它們的目標(biāo)和信息流是由用戶決定的，即用戶試圖找到一種對特定數(shù)據(jù)有效的方法。例如，運行神經(jīng)網(wǎng)絡(luò)軟件，用戶必須做出許多決定，諸如設(shè)計網(wǎng)絡(luò)、選擇訓(xùn)練方法、設(shè)置參數(shù)、準(zhǔn)備數(shù)據(jù)、評估結(jié)果和重復(fù)整個周期。

第二是適應(yīng)性挑戰(zhàn)，即制造一個能在惡劣環(huán)境中生存的人工實體。人工智能界和哲學(xué)界都曾經(jīng)預(yù)測過，計算智能的一個巨大挑戰(zhàn)是制造一個可能在惡劣環(huán)境中生存的人造動物，如機器狗。中間的步驟需要解決感知方面的許多問題，如物體識別、聽覺和視覺場景分析、空間定位、記憶、運動學(xué)習(xí)、行為控制等，還需要一些推理和計劃。根據(jù)強人工智能，最終的挑戰(zhàn)可能是：不僅建立一個人造動物，而且建立一個類似人的系統(tǒng)。除繁殖能力外，該系統(tǒng)能夠通過圖靈測試并與其他智能體交流，滿足人類社會的各種需求，如伺服機器人。

第三是認(rèn)知性挑戰(zhàn)，即大腦的認(rèn)知過程是什么。這是來自更深的元層面的真正挑戰(zhàn)，而如何從計算智能視角解釋人腦的認(rèn)知機制，可能是一個終極挑戰(zhàn)。我們知道，大腦是復(fù)雜且靈活的，它會以許多不同的方式解決同一個問題。計算智能也可以由此得到啟示，許多實際應(yīng)用，諸如模糊識別圖像、手寫字符、人臉、自然信號、多媒體流、復(fù)雜文本，以及各種生物醫(yī)學(xué)數(shù)據(jù)，通常需要高度專業(yè)化的方法來實現(xiàn)高級性能。這種實際應(yīng)用是一種強大的力量，導(dǎo)致不同計算智能分支的分化。因此，創(chuàng)建與各種應(yīng)用中的最佳方法相競爭的元認(rèn)知系統(tǒng)，可能是計算智能面臨的又一個巨大挑戰(zhàn)，如制造出支撐ChatGPT-4背后的算力的精密芯片。

第四是來自計算機科學(xué)和智能科學(xué)內(nèi)部分歧的挑戰(zhàn)，即如何區(qū)分計算智能與人工智能。如果二者的重疊太多，那就沒有必要建立計算智能了，因為僅是人工智能——符號的和統(tǒng)計的、通用的和專用的、結(jié)構(gòu)的和功能的、具身的和離身的，就已經(jīng)夠令人眼花繚亂了。到目前為止，計算智能還是被理解為不同方法的會聚，沒有明確的人工智能規(guī)模的挑戰(zhàn)。在技術(shù)層面上，不同計算智能技術(shù)的融合本身也是一個挑戰(zhàn)，比如雖然進(jìn)化方法（遺傳算法）和神經(jīng)方法（神經(jīng)網(wǎng)絡(luò)）的結(jié)合已經(jīng)有很長的歷史，但很難找到明顯優(yōu)于其他競爭技術(shù)（如貝葉斯方法、深度學(xué)習(xí)）的特性。

當(dāng)然，如何準(zhǔn)確理解和定義計算智能可能還存在異議。如果計算智能被定義為使用計算機或?qū)ｉT硬件解決不可算法化問題的學(xué)科，那么整個領(lǐng)域?qū)⒗卫蔚卦谟嬎銠C和工程科學(xué)，許多技術(shù)挑戰(zhàn)可能會被確定下來，如神經(jīng)計算的生物靈感來源也會得到承認(rèn)。可以預(yù)計，對于計算智能來說，關(guān)注廣泛的、具有挑戰(zhàn)性的是問題而不是工具，這將使人們能夠在各種應(yīng)用中與其他方法競爭，從而促進(jìn)在解決更多困難問題方面取得真正的進(jìn)展。

五、計算智能應(yīng)對挑戰(zhàn)的方法論策略

針對上述挑戰(zhàn)，筆者認(rèn)為，適應(yīng)性表征可作為計算智能應(yīng)對這些挑戰(zhàn)的方法論策略。1適應(yīng)性表征作為方法論，決定了我們探討現(xiàn)象的效果。僅僅停留在一個特定的思維框架內(nèi)必然會束縛我們的視野，限制我們的思路。這就需要從哲學(xué)上拓展我們的視域。

從認(rèn)知研究策略來看，方法論經(jīng)歷了“從內(nèi)省審查到行為分析、從心理還原到概念建構(gòu)、從符號運算到人工神經(jīng)網(wǎng)絡(luò)、從哲學(xué)思辨到邏輯建構(gòu)”2幾個階段，這種思路的轉(zhuǎn)變有助于計算智能的適應(yīng)性表征能力的開發(fā)。從柏拉圖式—亞里士多德式觀點和內(nèi)部—外部觀察出發(fā)，筆者將其概括為以下計算智能進(jìn)行模式建構(gòu)和模式識別的四種方法論策略：

第一，以柏拉圖式理念自上而下內(nèi)省的對象建模，如句法模式識別、結(jié)構(gòu)模式識別、基于案例的推理。這意味著人工智能研究者要從關(guān)于模式識別系統(tǒng)如何工作的理念出發(fā)，試圖在自己的思考和推理中驗證某些想法。也就是說，研究者可能會發(fā)現(xiàn)其使用了特定的推理規(guī)則，在一套固定的可能觀察值上進(jìn)行操作，例如對一個物體的特定顏色、形狀和味道的描述，足以讓觀察者將其歸類為蘋果。

第二，以柏拉圖式理念自上而下外省的概念建模，如專家系統(tǒng)、信念網(wǎng)絡(luò)、概率網(wǎng)絡(luò)。在這種模式識別中，外部觀察被內(nèi)在的思想和概念所取代。人們習(xí)慣于對給定的模式識別系統(tǒng)進(jìn)行外部建模，如專家系統(tǒng)，通過采訪特定模式識別任務(wù)的專家，試圖考察他們使用什么規(guī)則以及他們以什么方式使用觀察。這種方法與系統(tǒng)建模的不同之處在于，它不是以物理實在的方式，而是以概念的方式對物理或生理系統(tǒng)進(jìn)行建模。這在哲學(xué)立場上超越了經(jīng)驗主義，奉行的是科學(xué)實在論。

第三，以亞里士多德式自下而上歸納內(nèi)省的概括，如語法推理、統(tǒng)計模式識別。歸納概括是以觀察為前提的，同時也依賴于內(nèi)省（思考）。觀察可以是肉眼的，也可以借助儀器（如望遠(yuǎn)鏡、顯微鏡），這將產(chǎn)生定量的描述，然后從這種數(shù)字化的結(jié)果進(jìn)行概括，如天文學(xué)家開普勒從觀測數(shù)據(jù)歸納出行星運動三定律。概括的生理過程是我們無法觸及的，也無從知曉。研究者如果想知道自己是如何從數(shù)字給出的低水平觀察中歸納出來的，可以依靠統(tǒng)計，因此概括包括統(tǒng)計模式識別。如果低層次的輸入不是數(shù)字而是屬性，如色彩、點線、圓形，那么概括可能是基于邏輯或語法推理的，如平面幾何、解析幾何。如果對象或?qū)傩缘慕Y(jié)構(gòu)不是從觀察產(chǎn)生的，而是從應(yīng)用知識的形式全局描述中得出的，如通過使用圖形匹配，那么這種方法實際上是自上而下的，進(jìn)而可以從對象或概念開始建模。

第四，以亞里士多德式自上而下歸納外省的系統(tǒng)建模，如神經(jīng)網(wǎng)絡(luò)、機器視覺。如果以這種自上而下的歸納方法觀察，我們就處于感官、神經(jīng)和可能的大腦低水平建模領(lǐng)域，這些模型是基于細(xì)胞以及構(gòu)成細(xì)胞的蛋白質(zhì)和礦物質(zhì)的物理和生理知識的。我們的感官本身通常不會直接從觀察中進(jìn)行概括，概括需要高級認(rèn)知（推理）的參與。例如，眼睛看到某物并不能直接識別它是什么，因為視覺是一個包括腦的神經(jīng)網(wǎng)絡(luò)。耳朵聽到某種聲音也不能立刻判斷它是什么，如一聲巨響是雷聲還是爆炸聲，而是需要認(rèn)知推理做出判斷。

需要指出的是，這四種計算智能模式識別的方法不是相互排斥的，而是相輔相成的，自上而下和自下而上、外部和內(nèi)部的區(qū)分也是相對的。一般來說，內(nèi)部方法從外部世界的結(jié)果中受益。在確定它們在自然界如何運作之后，我們從觀察中歸納的認(rèn)知方式會發(fā)生變化。柏拉圖式方法和亞里士多德式方法之間的直接形式雖然較難實現(xiàn)，但在人工智能研究中兩種方法的結(jié)合，無疑是物理實現(xiàn)人工認(rèn)知的重要方法論，這是上—下、內(nèi)—外、自然—人工混合的認(rèn)知方法。因此，單一方法肯定不如多種方法綜合好，計算智能也是如此。

從適應(yīng)性表征觀之，適應(yīng)性意味著，一旦一個識別問題由一組方便表征的實例對象來闡明，系統(tǒng)就可以對這組對象進(jìn)行恰當(dāng)概括，最后導(dǎo)致一個識別系統(tǒng)。在哲學(xué)中，“概括”這個概念在20世紀(jì)初的現(xiàn)象學(xué)就得到了研究，胡塞爾認(rèn)為“概括”是對可能情況的想象過程，而不是對實際情況的觀察。1這意味著人們通過掌握關(guān)于特定類型或本質(zhì)的個體的基本通性，從而在其本質(zhì)變化中掌握本質(zhì)。同樣，神經(jīng)網(wǎng)絡(luò)通過對正確處理數(shù)據(jù)的例子進(jìn)行訓(xùn)練來學(xué)習(xí)識別模式。但胡塞爾也提醒人們，從本質(zhì)的變化中領(lǐng)悟本質(zhì)通常是不完整的。這些哲學(xué)概念能否被數(shù)學(xué)化或形式化？這種模型能否激發(fā)出具有概括能力的學(xué)習(xí)算法？這是計算智能研究要實現(xiàn)的目標(biāo)。比如，在基于經(jīng)驗誤差函數(shù)[εz]最小化的算法中，網(wǎng)絡(luò)參數(shù)被調(diào)整以使網(wǎng)絡(luò)的輸入輸出函數(shù)與訓(xùn)練集很好地匹配，2 該數(shù)學(xué)模型將被概括為網(wǎng)絡(luò)輸入—輸出函數(shù)在數(shù)據(jù)的小變化方面的穩(wěn)定性。經(jīng)驗誤差函數(shù)的值越小，輸入—輸出函數(shù)對訓(xùn)練集的擬合就越好，或者說適應(yīng)性越強，表征越精確。因此，計算智能與哲學(xué)的結(jié)合也是人工智能發(fā)展的必然要求。

六、結(jié)語

計算智能作為計算機科學(xué)和人工智能發(fā)展中出現(xiàn)的一個新興領(lǐng)域，其前景無疑是誘人的。它以計算手段解決低級認(rèn)知系統(tǒng)（感知—行動系統(tǒng)）的不可算法化問題，從而與傳統(tǒng)人工智能和通用人工智能區(qū)別開來。對于計算智能的非人工智能部分來說，制造機器動物可能是一個好的挑戰(zhàn)，這與制造移動機器人來完成某個特定任務(wù)（如月球探險）是一個道理。這似乎是一個烏托邦，與通用人工智能的目標(biāo)幾乎相同。但從長遠(yuǎn)的觀點看，這需要對人類的發(fā)展過程、認(rèn)知和情感的大腦功能、人類的價值需求有更深入的了解。如果加上能夠識別行為模式，對觀察進(jìn)行理解，以及理解自然語言、計劃和推理的廣泛語境知識的技術(shù)，這將會導(dǎo)致一個更美好的世界，如元宇宙的實現(xiàn)?？梢栽O(shè)想，具有人類智慧的人工智能也許是面向人類科學(xué)的終極目標(biāo)。從哲學(xué)上看，這樣的烏托邦是值得夢想的，盡管目前的計算智能離人類水平還很遠(yuǎn)。

然而，理想歸理想，現(xiàn)實歸現(xiàn)實。計算智能的目標(biāo)，不是創(chuàng)造所謂的超級智能，而是致力于一種能夠獲得廣泛知識的技術(shù)，但它也能夠幫助人類做出明智的決定，提出選擇對象和預(yù)測可能的后果。也就是說，計算智能應(yīng)該以人為中心，不僅幫助人類解決問題，還要幫助人類制定有意義的目標(biāo)，實現(xiàn)真正的科學(xué)技術(shù)進(jìn)步和社會發(fā)展。一句話，當(dāng)代人工智能仍屬于“計算智能”，而非“意識智能”或“認(rèn)知智能”，有意識人工智能的實現(xiàn)需要心理學(xué)、認(rèn)知科學(xué)和腦科學(xué)以及倫理學(xué)和哲學(xué)的介入，這就需要在研究策略上從注重符號推理的“人工智能”走向注重心理意圖和注意轉(zhuǎn)換的“人工認(rèn)知”。

Computational Intelligence： An Artificial Intelligence of Precise Adaptive Representation

WEI Yidong

Abstract： Computational intelligence is intelligence based on computation or algorithms， dedicated to solving non-algorithmizable problems at the level of perception and control. Its rise has promoted further development in computer science and artificial intelligence. Inquiring into what computational intelligence truly is from the perspective of cognitive philosophy， how it differs from artificial intelligence， and what epistemological and methodological implications it contains， these questions need to be clarified. Whether computational intelligence is regarded as a combination of skills， an artificial cognitive architecture， or a new research agenda for artificial intelligence， its essence is a precise adaptive representation.

Key words： computational intelligence; artificial intelligence; natural intelligence; artificial general intelligence; adaptive representation

（責(zé)任編輯：蘇建軍）

作者簡介：魏屹東，山西大學(xué)哲學(xué)學(xué)院教授（山西 太原" 030006）。

1 計算智能這個概念涵蓋了許多現(xiàn)有的科學(xué)分支：人工神經(jīng)網(wǎng)絡(luò)、模糊系統(tǒng)、進(jìn)化計算和基于這三個學(xué)科的混合系統(tǒng)構(gòu)成了計算智能的核心。概率推理、分子（DNA）計算、計算免疫學(xué)、機器學(xué)習(xí)的某些領(lǐng)域等，也可被視為計算智能的子領(lǐng)域。計算智能幾乎涵蓋科學(xué)和工程的所有分支，這些分支涉及理解和解決那些不存在有效計算算法的問題。因此，它與人工智能的某些領(lǐng)域，以及模式識別、圖像分析和運籌學(xué)的很大一部分重疊。所以，計算智能不僅僅是對智能行為體的設(shè)計的研究，它還包括對所有動物和人類能夠以不同程度的能力解決非算法過程，以及使用硬件和軟件系統(tǒng)解決這些問題的工程學(xué)方法（參見：Duch，W.and Mandziuk，J.（eds.）.Challenges for Computational Intelligence.Heidelberg，Berlin：Springer-Verlag，2007，Preface，VI）。

2 計算智能一方面是指通過以數(shù)據(jù)為基礎(chǔ)、以計算為手段來建立功能上的聯(lián)系（模型）來進(jìn)行問題求解，以實現(xiàn)對智能的模擬和認(rèn)識；另一方面是指用計算科學(xué)與技術(shù)模擬人的智能結(jié)構(gòu)和行為。計算智能強調(diào)通過計算方法（如神經(jīng)網(wǎng)絡(luò)、模糊邏輯和進(jìn)化計算）來實現(xiàn)生物內(nèi)在的智能行為。具體而言，計算智能涉及神經(jīng)計算、模計算、進(jìn)化計算、粒群計算、蟻群算法、自然計算、免疫計算和人工生命等，是一種智能方式的低層認(rèn)知，與人工智能的區(qū)別只是認(rèn)知層次從中層下降至低層（中層系統(tǒng)含有知識，低層系統(tǒng)則沒有）。若一個系統(tǒng)只涉及數(shù)值（低層）數(shù)據(jù)，含有模式識別部分，不應(yīng)用人工智能意義上的知識，而且能夠呈現(xiàn)出計算適應(yīng)性和計算容錯性，接近人的速度，而且誤差率與人相近，則該系統(tǒng)就是計算智能系統(tǒng)。相比而言，若一個智能計算系統(tǒng)以非數(shù)值方式加上知識價值，即人工智能系統(tǒng)。因此，計算智能和人工智能都是人類智能的衍生物，它們之間的差異只是低級和高級的區(qū)別。

3 張勇、耿國華、周明全、陳麗萍：《計算智能研究綜述》，《計算機應(yīng)用研究》2017年第11期。

1 魏屹東：《論適應(yīng)性表征及其方法論意義》，《山西大學(xué)學(xué)報（哲學(xué)社會科學(xué)版）》2022年第1期。

2 魏屹東：《人工智能對不確定性的適應(yīng)性表征》，《上海師范大學(xué)學(xué)報（哲學(xué)社會科學(xué)版）》2020年第4期。

3 魏屹東：《人工智能的情境覺知：一種“在線”適應(yīng)性表征》，《上海師范大學(xué)學(xué)報（哲學(xué)社會科學(xué)版）》2022年第1期。

4 W.Duch， “ What Is Computational Intelligence and Where Is It Going？”， Studies in Computational Intelligence （SCI），2007，63（1）：1-13.

1 赫伯特·西蒙：《現(xiàn)代決策理論的基石》，楊礫，徐立譯，北京經(jīng)濟(jì)學(xué)院出版社1989年版。

2 關(guān)于通用的計算概念或算法的通用概念，著名的“丘奇論題”業(yè)已說明。根據(jù)該論題，要想明確算法的通用概念，這取決于計算是由誰來做——人類還是機器。這意味著“丘奇論題”包含“心理”（人類）和“物理”（機器）兩種形式：前者是，人類為解決某一特定問題所能完成的所有算法，都可以用一組計算規(guī)則來表達(dá)；后者是，物理系統(tǒng)為解決某一特定問題所能讓系統(tǒng)執(zhí)行的所有算法，都可以用一組計算規(guī)則來表達(dá)。當(dāng)然，如果我們接受唯物主義的本體論（人類是自然界的一部分），那么心理形式就是物理形式的推論。然而，在認(rèn)識論上，這兩個形式并不是等價的，因為人類會計算不必然地意味著物理系統(tǒng)也會計算。這其中既有哲學(xué)問題，如解釋鴻溝，也存在數(shù)學(xué)問題，如這兩種形式都無法在數(shù)學(xué)上證明（參見[法]吉爾·多維克：《計算進(jìn)化史：改變數(shù)學(xué)的命運》，勞佳譯，人民郵電出版社2017年版，第74—80頁。

1 G. Gigerenzer， “Fast and Frugal Heuristics： The Tools of Bounded Rationality”， Blackwell Handbook of Judgment and Decision Making，2004，62（1）， p.88.

2 魏屹東：《適應(yīng)性表征：架構(gòu)自然認(rèn)知和人工認(rèn)知的統(tǒng)一范疇》，《哲學(xué)研究》2019年第9期。

3 R.Sun， “The Challenges of Building Computational Cognitive Architectures”， in W. Duch， J. Mandziuk （eds）， Challenges for Computational Intelligence， Springer，2007，pp.37-60.

4 J.G.Taylor， “The Human Brain as a Hierarchical Intelligent Control System”， in W. Duch， J. Mandziuk （eds）， Challenges for Computational Intelligence， Springer，2007，pp.99-122.

5 渡邊正峰：《大腦的意識，機器的意識》，岸本鵬子，安婷婷，胡實譯，李同歸審校，北京大學(xué)出版社2021年版，第268頁。

1 杰夫·霍金斯、桑德拉·布萊克斯利：《新機器智能》，廖璐，陸玉晨譯，浙江教育出版社2022年版，第xxxi頁。

2 N.Kasabov， “Brain-，Gene-，and Quantum Inspired Computational Intelligence”， in W. Duch， J. Mandziuk （eds）， Challenges for Computational Intelligence， Springer，2007，pp：193-219.

1 K-H.Han and J-H.KIM， “Quantum-inspired Evolutionary Algorithm for a Class of Combinatorial Optimization”， IEEE Transactions on Evolutionary Computation，2002， pp.580-593.

2 K.M.Sayre， Recognition， a Study in the Philosophy of Artificial Intelligence， University of Notre Dame Press，1965.

1 R.P.W.Duin and E. Pekalska， “The Science of Pattern Recognition. Achievements and Perspectives”， in W.Duch， J.Mandziuk （eds）， Challenges for Computational Intelligence， Springer，2007，pp：221-259.

2 R.P.W.Duin， F.Roli and D.de RIDDER， “A Note on Core Research Issues for Statistical Pattern Recognition”， Pattern Recognition Letters，2002，23（4）：493-499.

3筆者根據(jù)W.Duch，J.Mandziuk （eds.）， Challenges for Computational Intelligence，2007，結(jié)合語境理解繪制。

4 T. Poggio and F.Girosi， “Networks for Approximation and Learning”， Proceedings IEEE，1990，78：1481-1497.

1 魏屹東：《人工智能的適應(yīng)性表征》，《上海師范大學(xué)學(xué)報（哲學(xué)社會科學(xué)版）》2018年第1期。

2 魏屹東：《認(rèn)知哲學(xué)手冊》，科學(xué)出版社2020年版，第107—109頁。

1 D.W.Smish and R.Mcintyre， Husserl and Intentionality： A Study of Mind， Meaning， and Language， Dordrecht and Boston， D.Reidel Publishing Co.1982.

2 W. Duch， “Towards Comprehensive Foundations of Computational Intelligence”， in W. Duch， J. Mandziuk （eds）， Challenges for Computational Intelligence， Springer， 2007， pp.261-316.