【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)境到人造的機器適應(yīng)環(huán)境的一個類比邏輯地推出的。如果我們承認生物是進化適應(yīng)性的，那么就應(yīng)當(dāng)承認其認知表征能力也是適應(yīng)性的，進而作為人造物的人工智能包括機器人，其認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)置語境實現(xiàn)的，語境的設(shè)置是通過建構(gòu)語料庫進行的，人工智能的適應(yīng)性表征正是基于人為設(shè)置的語境進行的。因此，適應(yīng)性表征就成為智能機器人能否像人那樣行動的一個重要判據(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? ? ? ? ? ? ? ? ? ? ? ? ? ? 【文獻標識碼】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、掃地機器人的廣泛使用。然而，人工智能特別是它的應(yīng)用領(lǐng)域機器人學(xué)的發(fā)展卻遇到了極大挑戰(zhàn)，即智能機器人如何能夠像人那樣思維和行動。

這個棘手的問題實際上有兩個層次：一個是認知層次，另一個是運動層次。關(guān)于第一個層次的認知問題，認知科學(xué)、計算機科學(xué)包括人工智能及其哲學(xué)討論得非常多了，具體說就是計算機能否像人那樣思維或認知，或者說計算機是否有思維能力。在計算主義的語境中，由于思維被定義為計算，所以計算機不僅能像人那樣思維，而且事實上已經(jīng)超過了人類，如大型計算機的運算速度遠遠超過人類;而在“具身認知科學(xué)”的語境中，思維被認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，計算機包括智能機由于沒有身體，缺乏情感和心靈，因而被認為不可能像人那樣思維。這種爭論仍然在繼續(xù)著。這里的重點不是要討論認知層次的問題，而是著重探討運動層次的問題，即智能機器人如何能夠像人那樣靈活地行動，也就是如何進行適應(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化的產(chǎn)物，進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，與其擁有超強的適應(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，如計算機、各種機器人。這表明人類的所有創(chuàng)造物，包括知識形態(tài)和實體形態(tài)，都是適應(yīng)性表征的結(jié)果。由此推知，適應(yīng)性能力特別是認知和表征能力是人之為人的標志。

之所以這樣說，是因為動物雖然也有適應(yīng)環(huán)境的能力，也可能有一些認知能力（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行表征的能力。這是顯而易見的事實。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)達的體現(xiàn)。數(shù)學(xué)和邏輯學(xué)之所以高度抽象、推理嚴密，就是運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，比如計算機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）。計算機能夠處理符號語言（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），這就是計算機和人工智能中的自然語言處理難題。

為什么計算機難以處理自然語言呢？在我看來，原因并不復(fù)雜，因為計算機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)性表征是計算機科學(xué)包括人工智能和機器人學(xué)發(fā)展的關(guān)鍵。如果讓計算機系統(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展，如智能機器人給歌手評分，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，智能機器人只“知其然”，而不知“其所以然”。這就是機器人與人類在適應(yīng)性表征方面的差距。

然而，問題來了。計算機和人工智能如何才能擁有適應(yīng)性表征能力呢？這是個非常重要的問題，也是個極其棘手的問題。目前，人工智能在技術(shù)實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)層次提出過計算機像人那樣思維的“自語境化”假設(shè)，[1]即智能機要像人那樣思維，就應(yīng)該像人那樣能夠自動融入新的語境中，也就是從一個它所處的語境（情境）進入一個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，因為我們知道智能機是沒有語感的，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器人無法習(xí)得的。但是，我們別忘了一個基本的前提：智能機器人是人設(shè)計的。人類設(shè)計者可以給智能機設(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，后者是實踐的?？茖W(xué)表征如各種科學(xué)理論，就是實實在在的適應(yīng)性表征（通過假設(shè)、試錯、檢驗、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，可能需要較長的時間，而人適應(yīng)環(huán)境的時間則相對較短。事實上，我們遇到的新語境也不是我們刻意設(shè)計的，而是隨機遇到的，比如偶遇幾個只會講英語的外國人就形成一個講英語的語境，與之交流時最好使用英語，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，智能機器人可通過語言切換進行交流，比不懂英語的人還有優(yōu)勢，因為它的語料庫中可被嵌入多種語言。

這個例子告訴我們，在機器人學(xué)中，我們可以“頂層設(shè)計”，根據(jù)目標任務(wù)想到機器人可能遇到的所有可能境遇。比如掃地機器人，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)計者可以給智能機設(shè)置語境，所以智能機適應(yīng)性地表征就不僅是可能的，而且已經(jīng)基本實現(xiàn)，比如現(xiàn)在的各種實用機器人，只是這種適應(yīng)性是受限于被設(shè)置的語境的。總之，智能機的適應(yīng)性是人類設(shè)計者通過設(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”的解讀所認為的那樣，我們有必要設(shè)定使特定局部實踐得以可能的背景（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，這與要完成的目標任務(wù)相關(guān)。事實上，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)計者可以給它設(shè)置并嵌入語境。比如計算機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，智能機沒有我們擁有的語境，但人類設(shè)計者可以通過人為設(shè)置語境讓智能機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，由于人和機器存在質(zhì)的差異，其語境也必然有所區(qū)別，因為人是通過自然習(xí)得語言才逐漸有了語感進而形成語境，而機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，機器沒有）。[3]

就人為機器設(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。例如機器翻譯，雖然它的翻譯總是直譯，并不準確，但它提供的信息，如我們不認識的單詞，機器會給出基本意義，省去我們查找詞典的許多時間。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)計者為智能機設(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關(guān)鍵且無法消除的方面相比，還是有區(qū)別的。因為人的語境“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“生活世界”，更談不上體驗這個“生活世界”了。

如果說語料庫是人為智能機設(shè)置的一個背景語境，那么具體到一個問題或任務(wù)，人工智能就是問題或任務(wù)導(dǎo)向的，此時就需要有具體的問題語境或當(dāng)下目標語境。在人工智能中，智能體被認為是最大化其性能測量的人工主體。這一過程是目標取向的并盡可能達到目標，這與生物體是相似的。在適應(yīng)環(huán)境的意義上，意識主體達到目標的表征一定是適應(yīng)性的。我們設(shè)想一個主體（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，這個決策問題也是復(fù)雜的，因為它涉及諸多權(quán)衡，要閱讀旅游指南等。進一步假設(shè)這個主體購買了第二天去上海的機票，而且該機票是不能退的，在這種情形下，主體只能確定去上海的目標（沒有選擇余地），不能及時達到上海的行動計劃會被拒絕，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規(guī)劃，就是問題-解決語境下的關(guān)鍵第一步。

在真實世界中，一個目標就是一組世界狀態(tài)，準確說就是目標被滿足的那些狀態(tài)。主體的任務(wù)就是發(fā)現(xiàn)現(xiàn)在和將來如何行動，以便實現(xiàn)目標。在采取行動前，我們需要確定哪類行動和狀態(tài)要考慮，因為在細節(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、哪一天的什么時刻等，甚至還要考慮天氣因素。這就是說，在給定目標的情形下，我們需要考慮基于目標的相關(guān)行動和狀態(tài)，這是問題規(guī)劃的過程。對一個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到目標。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，一個明確定義的問題語境一般包括五個方面。

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

（2）關(guān)于主體可用的可能行動的一個描述，已知一個狀態(tài)s，一個在該狀態(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)于每個行動做什么的一個描述，也就是轉(zhuǎn)換模型，由結(jié)果函數(shù)Result（s， a）詳細說明，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)達到所有狀態(tài)的組合語境。這個狀態(tài)空間形成一個定向網(wǎng)，其中的節(jié)點表示狀態(tài)，狀態(tài)之間的連接表示行動。

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

（5）一個路徑代價函數(shù)，它評估每個路徑的數(shù)值。問題-解決的主體選擇一個代價函數(shù)來反映它自己的性能測量。比如趕飛機去上海的人，時間是其實質(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)地圖上的比例計算出兩個城市之間的直線距離。一般來說，一個問題的求解就是從初始狀態(tài)到目標狀態(tài)的一個行動序列。求解質(zhì)量由路徑代價函數(shù)來測量，而最優(yōu)解是所有解中的最低值。

可以看出，這五個成分構(gòu)成一個問題或任務(wù)語境，其表征嚴格說是一種抽象的數(shù)學(xué)描述，還不是真實發(fā)生的事情，比如我們從北京到上海的實際旅行，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節(jié)，留下最顯著的特性。這個抽象過程也是規(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，還有時間花費、汽油消耗、尾氣排放、環(huán)境污染等。我們的規(guī)劃只考慮了地點的改變，忽略了許多其他行動，比如打開收音機、向窗外看、減速等，因為這些行動對于我們從一個地方到達另一個地方（完成目標）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目標幾乎沒有關(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，使得某些與認知目標關(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)，它是一個適應(yīng)性系統(tǒng)，即必須隨著路徑和路況的不同及時做出調(diào)整。上述從北京到上海的航空旅行就是一個具體的路徑發(fā)現(xiàn)例子。根據(jù)上述的五個方面或步驟，這個例子的一個旅行計劃網(wǎng)（語境）的構(gòu)成包括以下六部分。

（1）歷史狀態(tài)：每個狀態(tài)包括一個地點，如首都國際機場，當(dāng)前時間，如具體起飛時間，以及歷史因素，如機場狀況、機場設(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點北京到上海的航班的情況。

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

（4）轉(zhuǎn)換模型：產(chǎn)生乘機的狀態(tài)將擁有航班的目的地作為當(dāng)下地點，航班到達時間作為當(dāng)下時間。

（5）目標測試：使用者是否詳細說明了最終的目的地。

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

因此，一個真正好的系統(tǒng)應(yīng)該包括臨時計劃，比如備份預(yù)定下一趟航班，以防原計劃失效。出于這些原因，人類設(shè)計者在設(shè)置語境時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——機器人學(xué)的適應(yīng)性表征為例來說明。在機器人學(xué)中，通過感知系統(tǒng)是機器人能夠適應(yīng)性表征的主要方法。感知是機器人將感應(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，因為它會遇到不確定環(huán)境中狀態(tài)評估的所有問題。這就需要人類設(shè)計者為其設(shè)置特定語境。

一般來說，機器人的可靠內(nèi)在表征有三個屬性：一是包含足夠的信息讓機器人做決定;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，這三個屬性就是人為給予的三個語境因素。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，我們將機器人自己的過去行動作為已觀察變量，具體說，機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)的時序推理。我們假設(shè)Xt是在時間t包括機器人在內(nèi)的環(huán)境的狀態(tài)，如足球場，At是在時間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)一個踢足球的機器人，X（t+1）可能是與足球相關(guān)的機器人的位置，后驗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)的一個概率分布。

對于機器人來說，如何發(fā)現(xiàn)包括它自己在內(nèi)的物體的位置是一個重要問題。這就是定位和映射問題，涉及物體在何處的先驗知識，這種先驗知識是任何與環(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。比如無人駕駛飛機必須知道去哪里發(fā)現(xiàn)目標。這就是說，機器人這種人工主體的行動是基于先驗知識的。這種先驗知識就屬于語境范疇，人類設(shè)計者要預(yù)先考慮到并將其嵌入智能體的程序或算法中。

問題是，基于先驗知識的機器人的內(nèi)在表征是否是適應(yīng)性的呢？我們以移動機器人在二維平面移動為例來說明這個問題。給定機器人一幅精確的環(huán)境地圖（先驗知識），機器人的姿態(tài)可由它的兩個具有x和y值的笛卡爾坐標定義，它的頭部轉(zhuǎn)動方向可由三角函數(shù)θ值定義。這種計算在數(shù)學(xué)上不難做到，一般的人工智能和機器人學(xué)書籍或教材都有介紹，這里不做詳細討論。由于機器人的內(nèi)在表征是基于知識和計算的，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)的移動機器人的內(nèi)在表征是依據(jù)其語境進行的，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)注的一個哲學(xué)問題是，如果沒有先驗知識這種語境知識可用，比如沒有機器人所需要的地圖，在這種情形下，機器人如何行動呢？顯然，這里存在一個“雞和蛋的問題”——機器人對于它不知道的一幅地圖，卻必須確定它的位置，同時建構(gòu)這幅地圖而又不知道它確切的位置。這個問題對于機器人的應(yīng)用非常重要，因為機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)境中地標的位置。不過，這種方法仍然需要機器人感知。感知的實質(zhì)就是機器人如何學(xué)習(xí)的問題，即機器學(xué)習(xí)。顯然，機器學(xué)習(xí)在機器人感知中起重要作用，特別是當(dāng)最優(yōu)內(nèi)在表征是未知的時候。一個簡單的方法就是使用無監(jiān)督機器學(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。機器學(xué)習(xí)使機器人從數(shù)據(jù)學(xué)習(xí)感應(yīng)器和運動模型成為可能，而同時發(fā)現(xiàn)一個適當(dāng)?shù)膬?nèi)在表征。

還有一種機器學(xué)習(xí)方法能夠使機器人在感應(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。假如我們從一個陽光照射的空間進入一個黑暗無陽光的房間，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器人正前方的小區(qū)域提供分類，當(dāng)整個小區(qū)域在激光掃描范圍被發(fā)現(xiàn)是平坦的時候，它就被作為“可驅(qū)動表面”概念的一個積極訓(xùn)練例子使用。這表明，適應(yīng)性感知方法能夠讓機器人適應(yīng)變化的環(huán)境。

當(dāng)然，不是所有機器人感知是關(guān)于定位和映射的。機器人也感知溫度、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?？梢钥闯觯瑱C器人學(xué)的一個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)置的語境讓機器人不斷去適應(yīng)新的環(huán)境，從而達到我們意圖的目標。因此如何根據(jù)特定任務(wù)目標給機器人設(shè)置語境，是機器人學(xué)發(fā)展中的一個重要問題。

進一步的討論

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。這種僅僅按照某些理性規(guī)則尋找目標的過程就是“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，因機器人沒有情感沒有意識而否認其能認知、有智能的觀點就有失偏頗了。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)和計算機科學(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）。在認知科學(xué)中，這個問題就是“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)。比如塞爾就堅持認為意識是一種生物學(xué)現(xiàn)象，智能機不可能有意識，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。這個結(jié)論與智能體也能適應(yīng)性地搜索和表征的事實不符。[8]

在我看來，意識和智能是兩個層次的東西或概念。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，如機器人。這里存在一個生物學(xué)和人工智能包括機器人學(xué)之間的一個解釋鴻溝。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，只要一個主體，人或機器，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，或者解決了所要解決的問題，我們就應(yīng)該認為它們是適應(yīng)性的，在表達上也是適應(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器（實際上是機器與人對話），那么我們就不得不承認機器也會思維（即操作符號、解決問題的認知活動）。

從認知系統(tǒng)的結(jié)構(gòu)和活動機制看，人的認知系統(tǒng)（神經(jīng)系統(tǒng)）與智能機的認知系統(tǒng)（編碼-解碼系統(tǒng)）是完全不同的，前者是自然認知系統(tǒng)，后者是人工認知系統(tǒng)，人工智能目前只是模擬人的認知系統(tǒng)的功能，其結(jié)構(gòu)與運作機制可能完全不同于人類的。這是不爭的事實，也因此才有了認知科學(xué)、腦科學(xué)與計算機科學(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，這兩種認知系統(tǒng)（人的和機器的）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，因為意向性是關(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?。但是這個概念用于說明意識太寬泛，因為一方面，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、智能機，也具有意向性的特征，如指向某個目標，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)兩個特征，缺一個就不能準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，一個問題或概念的完備、準確的說明，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）僅僅具有指向外部目標的屬性，如搜索目標，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，其他動物和智能機沒有。進一步說，人工主體是通過相關(guān)性認知的，而人不僅通過相關(guān)性，更能通過因果性認知。相關(guān)性認知是一種關(guān)聯(lián)性認知，是一種影響和被影響的關(guān)系，因果性認知是一種產(chǎn)生性認知，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，并形成一個定義明確的問題，因為有問題才能有解決的目標和結(jié)果。問題由初始狀態(tài)、一組行動、一個描述行動結(jié)果的轉(zhuǎn)換模型、一個目標測試函數(shù)和一個路徑代價函數(shù)構(gòu)成。問題的語境由一個人為設(shè)置的空間狀態(tài)來表征。從初始狀態(tài)到目標狀態(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，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)基金重點項目“科學(xué)認知的適應(yīng)性表征研究”階段性成果，項目編號：16AZX006）

注釋

[1]魏屹東：《自語境化：智能機似人思維的關(guān)鍵》，《中國社會科學(xué)報》，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，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，這可能是因為象形文字還不是抽象符號表征方式。計算機的編程語言是純粹的符號表達，只有解釋說明時才使用自然語言。

[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》，2018年第1期，第28～39頁。

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

責(zé) 編/馬冰瑩