人工智能与认识论的哲学互释：从认知分型到演进逻辑

(一)人工智能演进中的从易到难过程

人工智能及其算法的演化进程表明，就历史进程来说，AI先是成功地模拟了人的推算认知，然后是学习认知，再然后是行为认知，这一先后序列或演进逻辑的技术合理性在于：所有技术人工物都包含由简单到复杂演进的发明逻辑，人工智能作为一种技术实践，只能从机器最容易模拟的认知类型开始，然后向难以模拟的认知类型过渡。

从“先易后难”的一般过程来看，模拟人的推算认知对于人工智能来说最容易，因为推算认知可以不具身也不具境地理想化表示。由于摆脱了身体和环境介入的各种复杂参数，推算认知最容易形式化和程序化，从而最容易成为一个被单纯化或简约化的认知类型，所以在人工智能的初级阶段首先能够研发的就只能是符号人工智能，所模拟的也只是人是如何理性地思考，其根基也在于它所理解的“和人一样的智能”只是人的推算智能，这种简约化的理解也一度形成“乐观主义”的预测：只要我们愿意，以后就可以造出具有和人完全一样智能的机器。

目前各种范式人工智能的工作原理，都是建立在对符号的计算之上，这也是它所擅长的工作。但不同范式的人工智能在技术性地实现各自的功能时，进入计算所需的环节是不一样的，如符号AI所模拟的推算，在标准化的数据输入后直接就进入计算，所以在技术上最容易实现；人工神经网络所模拟的识别，则增加了对神经网络的形式化建模、对大数据(作为训练样本)的需要，以及还需要对感知到的数据进行编码、压缩、集成、融合的环节，然后才能进行计算，所以较之符号AI的实现难度增大，从而由机器模拟学习认知更难于模拟推算认知，或者说使机器具有学习能力比使机器具有推理能力更难实现。而机器人要模拟人作为agent的行为认知能力，则技术难度进一步提高。拿自动驾驶来说，它面对的不再是一个用符号表示的模型世界，而是千变万化的复杂路况，一方面感知的难度大增，另一方还要由感知的路况生成精准合适的“驾驶动作”，需要增加传感器和执行器的技术环节，更重要的是在这个过程中还需要机器具有灵活应对环境的能力，而人的这种能力来自日常生活中积累的常识、技能知识等，其中有许多是迄今难以算法化而进行计算的，所以它较之仅进行识别的人工神经网络学习系统来说又增加了新的技术环节，于是理想的能像人那样行为的AI(agent)就更难实现。在这个意义上，越能将问题直接纳入计算过程抑或单纯地就是个计算问题的智能模拟就越容易实现，而越需要增加过渡环节才能进入计算过程的智能模拟就在技术实现上越复杂，由此形成的从模拟推算认知到学习认知再到行为认知的演进过程。

当然这仅仅是一种总体性的比较，任何一种范式的人工智能，在向极致发展的过程中，都会变得极为复杂，如符号AI要建成能够满足各种需要的知识库，人工神经网络要建立起真正像人脑一样复杂的神经网络，都比建造出当年布鲁克斯的六足行走机器人要复杂。所以这里所比较的，可以说是不同的人工智能范式模拟或实现出一个正常人的各种认知类型的平均智能的困难程度，也可视为各种AI范式需要达到的成熟水平(例如可以真正成为人所使用的有效工具)之间的比较，(21)此时无疑可以发现，由符号AI所能达到的人的一般人的推算能力最早也相对而言最容易地得到了技术化实现；人工神经网络所模拟人的学习和识别能力次之；而具有agent能力的行为AI则相对来说更困难，它不仅要有推算和学习能力，还要有灵活性和一定程度的自主性，它所模拟的行为认知也不仅是一种智能，而是体能和智能的结合，或体知合一的能力，原则上比模拟单纯的智能更具难度。而模拟人的本能认知从而完全具备人的所有能力的“强人工智能”还遥遥无期：智能机器是否会感到“疼痛”“幸福”，是否会形成“欲望”“爱情”，从而不仅具有“智商”而且具有“情商”等，还只能说是处于概念探讨的阶段。即使本能认知有可能被智能机器所模拟，其难度也远超前述的各个阶段，所以是迄今所能设想的人工智能发展的更为“高端”的形态，相对于几乎已发展到巅峰的符号人工智能来说，它还只是一种遥远的憧憬，因为我们关于牙痛的可怕感受抑或从情侣那里所感受的爱，以及种种因为人拥有身体而形成的基于生理反应的心理反应，要把握清楚其机理并被形式化为机器载体上的一种计算状态，使得机器可以拥有这些源于人的(身体和生理)本能而具备的认知体现能力，某种意义上也是要机器具有人的身体性甚至本性，使其成为“人性化的机器”，无论在概念的解释框架上，还是技术实现的路径上，都还有无数的障碍需要去克服和突破，甚至还可能存在着难以逾越的种种鸿沟。

从适应性的角度看，人工智能及其算法的水平也可以根据对环境和周围情况的适应能力来衡量。只具有推算功能的符号人工智能及其经典算法，所有的前件都是预设好的，它本身就是去语境化去语义化的，其符号是不接地的，所以不具有适应环境的能力。而基于深度学习和强化学习的人工智能，可以在人所设置的环境中适应性地进行识别和决策，所以比起符号人工智能显得更加智能化，也更接近人的日常认识活动。基于行为主义的agent更是将对环境的反应和适应作为其技术的核心，甚至力求向具身的方向提升其与环境互动中的适应性，使得机器认知的从简单到复杂演进，也是从离身性到具身性的演进。如何使机器能够模拟人的具身的行为认知甚至本能认知，是其发展的重要方向。人工智能演进的总体进程，也是一种“自上而下”的发展进路，这个“上”就是抽象的符号和形式化的符号推算，这个“下”，就是符号如何接地、内容如何嵌入环境、载体如何具身、应对如何更加灵活等。

这个序列的延伸，也将是AI从弱到强的发展趋向。弱人工智能只是对人的推算、基于表征的学习和部分行为认知的分别模拟，而强人工智能不仅要将这些局部模拟贯通起来，而且还要实现对人的智能的灵活性、适应性(行为认知中表现)、价值性(情感和本能认知中表现)的模拟，使得包括本能认知在内的人的通用智能得以人工地再现和增强。

(二)人机认知的难易互逆现象

人工智能对认知类型的模拟所形成的上述序列，如果对照人的认知能力形成的过程，一定意义上呈现出先后顺序上的互逆关系，即人工智能首先较为成熟地模拟的是人最后形成的认知(推算)能力，其次是学习能力，再次是行为能力，(22)这种先后互逆的顺序一定程度上隐喻了两者之间难易互逆的性质，这里主要指其技术实现的难度上，后来出现的人工智能更难于先前出现的人工智能，从而也使我们看到：对机器最难实现的，对人来说则是最容易的，对人最难(“最费脑筋”)的对机器来说则是最容易实现的。比如一个人在街上行走并不需要很多智能，他会感到走路比做出一道数学难题容易多了；(23)而对于人工智能来说，要完成像人一样行走则要比完成像人一样计算困难多了。如果说“自上而下”是机器认知由易到难的逻辑顺序，那么人的认知由易到难的提升则表现为正好相反的“自下而上”的逻辑顺序，即从具身、具体的本能认知、行为认知通过学习认知提升到离身、抽象的推算认知。列维一布留尔的原始思维研究和皮亚杰的儿童思维研究共同揭示，人的越原始、越幼小阶段的思维，越是动作化、直观化、具象化的思维，越不具有抽象化、符号化(表征)、形式化的能力；所以无论是人的群体还是个体的认知能力演进，都切合了本文所提出的难易相继链条。

具体说来，对人而言，生而知之的本能认知是人最早也是最容易获得的认知能力。其次是行为认知，像儿童通过游戏等过程中的动作而逐步形成了对世界的初步认识，包括“主客体分化”的观念，可以说人的一生中还未进入利用语言进行学习的阶段之前，就主要是积累这种基于行为的“常识知识”或“直接经验”。再次是习得语言表征能力的过程中也同步学会了通过语言进行学习认知的活动，它可以使人的知识通过间接经验的获取而突飞猛进，人的一生都会不断进行这类认知(所谓“活到老，学到老”)，一旦停止了这类认知，人就难以获得新经验、新知识、新能力。推算认知是学习认知在高级阶段的产物，是前面积累的各种认识能力的一种发挥，也是最有可能形成创新和创造的认知形态，所以对人来说也是最复杂最高端的认知。

在这个以人为中心又是基于人工智能及其算法视角所形成的认知分型中，内含这样一个判别标准：越需要更多的学习和训练才能具备和掌握的认知能力就是难度越大的认知能力，从而是越高级的认知类型；反之不学自会或稍学就会的认知能力，就是较容易的认知类型，所对应的就是越初级的认知类型。对机器来说，越容易被设计出来模仿的认知，就是越容易的类型。通过这一考察，可以发现人和机器的认知类型之间，确实呈现出难易互逆的关系，从而蕴含了人工智能演进中的这样一种逻辑关系：对人来说越高级的认知类型，对智能模拟来说越容易实现；对人来说越容易的甚至是生而就会的认知类型，对智能模拟来说则越难实现。这一关系也为“莫拉维克悖论”(Moravec's paradox)所阐明：要让电脑像成人一样下棋是相对容易的，但要让电脑像一岁的儿童那样感知和行动却是相当困难的，甚至是不可能的，因为下棋所使用的逻辑推理能力只需很少的计算能力，而感知和行动中所包含的无意识的本能、技能和直觉却需要极大的计算能力。其实，下棋属于博弈类游戏，主要使用可以与语境无关的局限于棋盘中的推算能力。人类顶级棋手通常被视为最聪明、拥有超高智商的人，他们从事的对人来说是最复杂最耗智能的脑力活动，而这对于机器智能来说则属于最简单的推算认知模拟，所以在相应的算法开发出来之后，就很容易超过人类的所有棋手；而与此同时，AI中的行为机器人要在行为的灵活性上与人相比，则还有很大的差距，因此确实表现出“人工智能和人做事的难易程度往往恰好相反——对人容易的往往对人工智能难，对人难的(如下围棋)往往对人工智能容易。”(24)所以现实中的人工智能，当它的简单能力远胜于人的复杂能力时，其复杂能力则远逊于人的简单能力。

这一人机认知的难易互逆关系表明，AI的长处恰恰是人的短板，而人的长处则为AI的短板，尤其是人的那些(似乎毫无难度或毫无智能含量)随性而得体的举手投足、顺势而自然的情景反应成为机器智能最难企及的“本领”。换句话说，越是程序化的“照章办事”属性越强的任务对于人工智能来说就越容易，而越是需要随机应变、灵活应对、随意发挥的任务，对于人工智能来说就越困难。此即德雷福斯所说，行为认知或“躯体技能所隐含的知识如何被形式化”对人工智能来说是一个严峻的问题，行为认知中所包含的大量与动作相联系的隐性知识，使得“人脑中所进行的大量活动是无法编成计算机程序的”。(25)而对于人来说，行为认知中存在大量不是“照章办事”就应付得了的情况，需要在新情况新问题出现时创造性地去处理各种“意外”情况。也就是说，一旦人所面对的问题不是模式化问题时，人工智能就难以处理了；而人基于本能、常识、经验和创造力等则可以自由应对和处理这样的问题。诺贝尔奖得主克里克(Francis Crick)也持类似的看法，他认为“计算机按编写的程序执行，因而擅长解决诸如大规模数字计算、严格的逻辑推理以及下棋等某些类型的问题……但是，面对常人能快速、不费气力就能完成的任务，如观察物体并理解其意义，即便是最现代的计算机也显得无能为力。”(26)相较于人的那些轻而易举的认知能力，撇开本能不说(因为智能机器要能模拟人的本能认知还太遥远)，(27)仅拿“常识”来说：“要使计算机程序具有人类水平的智能，其重要困难在于，我们尚不知道如何对计算机赋予人类水平的常识。如果没有常识，计算机就无法实现人类水平的智能。一旦计算机程序具有了常识，就可以直接提升计算机性能并改善算法设计，从而使计算机更加智能化。理解常识亦是解决许多哲学问题的关键。”(28)或者说，一项任务需要的背景信息越多，计算机迅速完成它的可能性就越小，因为计算机中没有“常识”方面的信息。(29)与此相关的认识论“框架问题”(即背景信息中哪些该重视哪些该忽视，也是“常识问题”的另一种表述)也是如此，它对人很容易，但对于人工智能则很困难。

可见，越初级的只具有“低端”功能的电脑或人工智能，就只能模拟人的越“高端”、越要经过学习和训练才能掌握的认知类型和能力；而功能越复杂的电脑或人工智能，才能模拟人的越初级、需要越少学习甚至不学自会的认知类型和能力。“我们与其他族群(这里尤指机器——引者注)的巨大差异不是因为我们掌握了二进制或拥有一些基本技能，而是因为我们能通过远比其他族群更为复杂和灵活的方式来使用这些技能”；(30)人和人工智能之间的这种长短互反关系用通俗而简洁的说法就是：对机器越是“高智能”的对人则越是“低智能”的甚至无智能的，从而模拟人的似乎无需什么智能的本能认知对AI来说成为具有最高智能的追求。

若以抽象性为阐释的轴心则可以看到，人的认知演进也是一个从无抽象度的直接认知(本能和行为认知)到借助表征的有一定抽象度的学习认知再到纯抽象的推算认知的抽象度不断演进的链条，它表明越直观化对于人在认知中把握对象就容易，因为所见即所得；越借助表征抽象化则越间接化(所见并非所得而需要赋义释义等认知转换)，对于把握对象来说就越复杂越困难；或者说对人来说越要借助抽象能力来进行的学习和推算活动，就越是高层次的信息加工活动。而智能机器起初就是作为符号处理装置设计出来的，所以它依赖表征进行抽象的符号转化或以处理抽象问题为起点，因此越抽象化就越容易形式化、算法化、程序化，从而就越容易在作为逻辑机器的AI系统上基于数字化地操作。无论是认知的四种类型，还是AI的三种范式，都在抽象度或具体度上形成了梯度的差异，因此也形成了难易程度上的不同针对性。

从日常认知与科学认知之间的区别及其在人机之间的难易配置中也能体现这种互逆关系。日常认知直接形成于人的生活实践，最切近于人的本能和行为，因此是人更熟悉从而最易习得的认知；科学认知的理想形态是用精确的符号语言和数学工具建构的数理科学，典型体现在推算类认知中，是现实对象的间接模型，需要人的漫长学习才能把握。从日常认知推向科学认知(自下而上)对于人来说是由易到难的提升，因此对人的认知来说越日常化越初级，越科学化越高级，即“愈下愈易，愈上愈难”。人工智能的演进则与此相反，它的“成长”路径是一个从科学世界向人的生活世界延伸(自上而下)的过程，这个过程就是AI适用范围的不断扩大，使得机器不仅能处理理想化的科学计算和推理问题，而且也能处理某些日常生活问题，如识别对象、进行与环境互动的行为等。所以对于AI的认知模拟来说，越科学化越容易办到，越日常化越难以办到，即“愈上愈易，愈下愈难”。这也是因为以推算为主的科学认知的机制更容易搞清楚，这类认知处于一种理想的、规范的条件中(如棋子被摆放于棋盘中、符号被置于方程中)，它们可以在明言知识的层面上被揭示出来，从而为形式化和机器模拟所容易实现。我们还知道，还原方法是科学思维中的一种普遍方法，对于人工系统的建造来说，越还原就越抽象，处理问题的机制就越简单。符号AI就是对智能活动的一种还原，是将复杂的世界和认知还原为“原子事实”“原子命题”后，在“信息DNA”即0和1两个数字的组合与变换中进行的计算过程，所以最容易成为人工智能的起步之处。而以行为为主的日常认知的机制则难以搞清楚，尤其是如何灵活地应对环境，更是包含了许多难言的经验和需要随机应变的由偶然性触发的灵感。这就是德雷福斯所说的：“没有人知道如何把作为感知和躯体化技能特征的全局性组织及其不确定性编成程序”；(31)或者说，自然智能中的简单性恰恰是人工智能中的复杂性所在。

德雷福斯也对这种难易互逆有特定的表述，他认为可区分出四类智能活动，其中前两类适合数字计算机模拟，第三类只是部分可程序化，第四类全部不可驾驭。第一类包括意义同上下文环境及有关活动无关的、各种形式的初级联想行为(如各种形式的条件反射行为、语言翻译中的机器辞典，问题求解中纯试错搜索程序和模式识别中的根据固定模板匹配模式)；第二类为数学思维，它由概念世界而不是感知世界构成，问题可完全形式化，并且完全可以计算，此为“简单—形式化领域”，在其中形式语言取代了自然语言，人工智能在这一领域都是可能的；第三类为“复杂—形式化系统”，其中包括原则上可形式化但实际上无法驾驭的行为；第四类为非形式化行为领域，包括有规律的但无规则支配的我们人类世界中的所有日常活动，如我们对自然语言中歧义的识别，规则不确定的游戏(猜谜)，这一层次上的技巧，通常是以概括事例的方法教授的，然后被直觉地遵从，无需求助规则。(32)

总之，如果将人的认知能力发展和认知类型前后相继形成与提升的现实过程，与人工智能演进的客观进程加以同框的逻辑对比，则人机之间难易互逆的关系就成为明显存在的现象或事实。造成这一难易互逆关系的原因，无疑在于人和机器各自的物理构造和运作机制上的差异，这种差异就是前面曾提到的“具身性”：在人那里越具身(与身体关联越紧密的认知)越容易，在机器那里则越具身越困难。由于人是身心统一体，人的认知与自己的身体以及身体与环境的互动密切相关，人本身就是“具体”而非“抽象”地成长起来的，所以越直接与对象或环境进行具身互动对于人来说就越自如，就越是人所原初具有的认知能力；而那些越脱离身体和环境的认知活动，则越是需要经过学习、训练后才能掌握的认知能力，从而对人越具有复杂性和困难性。由于机器没有人的身体，也不是在类似于人的生活环境中成长起来的，所以要在其中融入环境信息就是一种额外的重负，要使其产生出类似人的“切身”认知，显然是勉为其难的要求；也正是因为这一点，所以那些与身体关联相对不紧密的认知，无疑就是AI所“擅长”的。两相对比，人的认知从低级到高级的推进，是一个摆脱具体、得意忘形或“形式摆脱内容纠缠”的过程；而机器认知由简单到复杂的推进，则是一个“符号落地”、概念走向具体、使形式与内容结合、从纯粹表征—计算走向具象化和情景化的过程。