“生成式人工智能”逼近通用智能的哲学叙事——ChatGPT追问智能本质的哲学分析.pdf

年第期总第 期东北师大学报(哲学社会科学版)J o u r n a l o fN o r t h e a s tN o r m a lU n i v e r s i t y(P h i l o s o p h ya n dS o c i a lS c i e n c e s)N o S u mN o D O I /j c n k i /c “生成式人工智能”逼近通用智能的哲学叙事 C h a t G P T追问智能本质的哲学分析涂 良 川(华南师范大学 马克思主义学院,广东 广州 )收稿日期 基金项目国家社会科学基金一般项目(B Z X );广东省教育科学规划项目(G X J K ).作者简介涂良川,男,华南师范大学马克思主义学院教授、博士生导师,法学博士,广东省习近平新时代中国特色社会主义思想研究中心特约研究员.赵汀阳:G P T推进了哲学问题了吗?,探索与争鸣 年第期.摘要C h a t G P T的成功把生成式人工智能逼近通用智能的重大问题推到了前台.生成式人工智能取得如此成果绝非偶然,当其以技术逻辑的方式使学习之于智能生成与发展的建构性意义展开为人工智能巨大能力的时候,这既是技术逻辑的重要发展,更是技术追求智能本质的重要进展.因为生成式人工智能逼近通用智能绝非仅仅是人工智能技术范式的重要进步与重大发展,而是因其对智能的哲学追问真正推进了人工智能本身.在我们看来,当生成式人工智能基于海量数据来发挥技术“大力出奇迹”的优势,使深度学习的提炼获得超越数据规律的原则之时,当生成式人工智能利用事态组合来展现系统“多样尽可能”的尝试,使自然学习的反思成为系统类主体的能力之时,当生成式人工智能通过引用价值偏好来实现“总结现智能”的可能,使强化学习的交互为系统引入经验、升华经验,实现了人工智能系统智能的升级之时,生成式人工智能就不仅获得了强大的力量,而且真正地逼近了通用智能.关键词生成式人工智能;学习;哲学;通用智能 中图分类号T P ;N 文献标志码A 文章编号 ()人工智能的生成性预训练转换系统有效地将既有数据开发成解决问题的方案,并以其速度的快捷、逻辑的稳定和事态的多元呈现出类人的智能,特别是当前这一系统加持的C h a t G P T成了风靡一时的话题.技术乐观主义者认为,生成性预训练转换系统获得了加工既有知识的能力,预训练所获得的基础模型的通用性正表现出与人类智能行为的同构逻辑,具有了逼近通用智能的能力,能够在算法自动进化中真正实现通用知识.特别是经过深度学习的训练之后所获得的巨型人工神经网络,能够以近乎于人无意识的方式还原数据中呈现的规律,使其运行结果呈现出与人行为的一致性;生成式系统还能够在逻辑推理原则的基础上合理地猜测,呈现出自然学习的类比能力,使其输出结果的类人性更具有现实性;其预训练中的强化学习,使其在运行的结果上更加符合人类的行为与习惯,而非简单直接地依赖于统计数据本身.那么,基于大数据、大语言模型、深度学习和人工神经网络的生成式人工智能以其运行结果的类人性、处理问题的跨越性和面对数据的灵活性中呈现出来的通用性是否就是人类智能的通用性和创造性呢?生成式人工智能逼近通用智能的技术进步到底在何种意义上推进了对人类智能本质的理解?生成式人工智能功能通用的灵活性体现的是功能一致还是机器智能与人类智能的同一?因此,生成式人工智能基于“大数据小任务”的技术范式,“G P T系列确实推进了人工智能的神奇应用,但这并非对思维的实质推进,仍与阿尔法狗同属一个技术级别,是这个技术级别里的高水平应用”,其内容的广度、逻辑的流畅和结果的新颖等在速度、数量和完善性等方面远远超越受制于生物有限的人类智能的能力.基于对智能的结构、行为、能力、功能和原则的创新性理解,生成式人工智能在系统训练中引入了“思考链提示”(C h a i n o f T h o u g h tp r o m p t i n g),力图超越人工智能一直以来基于大数据的范式,在“小样本学习”中实现人类智能“小数据大任务”的能力,但事实证明其训练和应用对算力和大数据还是存在绝对依赖.因此,以C h a t G P T为代表的生成式人工智能,“基于深度学习技术的语言大模型,通过对大规模语料库的学习和预测,它能够实现一些自然语言处理的任务,如生成文本、文本分类、语言翻译等”,但是其显然并非基于小数据或小样本的智能扩展,而只是有效地利用了“大型语言模型的涌现能力”.因此,与其说生成式人工智能以逼近通用知识的方式带来人工智能技术范式的根本变革,并必然引发物种奇点论的担忧,倒不如说生成式人工智能是以技术的方式证明了学习之于智能获得、发展、表达及其效应的生成现象学.特别是今天生成式人工智能理解自然语言所呈现出来的进步和讨论更加表明,必须认真面对生成式人工智能逼近通用智能技术路径所内蕴的哲学追问.因为基于海量数据、利用事态组合和引入价值偏好训练出来的生成式系统事实上是一种“全知”的方式,在其功能上表现出类智能性,这虽然达到了人在既有智能的基础上追求的最好结果,但是离依赖学习生成、通过学习提升、随着学习进化的全能智能还有很大的距离.一、基于海量数据的“大力出奇迹”与“深度学习”的提炼在强大算力和海量数据的加持之下,生成式人工智能基于人工智能技术发展的既有成果,获得了提取数据规律、组织语料资源、回答现实疑难的能力.虽然其“基于对现有文化的大规模挪用”,但是获得了知识渊博、能力高超和智能卓越的表现.当生成式人工智能基于海量数据训练参数庞大的模型以生成类人的反应的时候,一方面既是有效地利用网络技术将分散的算力集聚成效率高超的计算成果,另一方面则是充分开发与提炼了蕴含于采集广泛、存取迅捷、标注有效、清洗彻底和校验及时的大数据之中的规律与原则.正是数据的积累、算力的提升和算法的改进,使得生成式人工智能表现出长袖善舞的能力.虽然这一系统确实“非常擅长模仿人类意识”,但“尚未形成人工智能的技术代差”,只是把深度学习“大力出奇迹”的提炼推到了新的高度.当然,从技术逻辑上讲,深度学习通过数据挖掘能够“概念化”“逻辑化”进而程序化海量数据中内蕴的规律,使其具有运行的稳定性与泛化的跨越性.这也是生成式人工智能的潜力被功能化为C h a t G P T后,不仅有学者担忧生成式人工智能具有“理解和复制整个人类视觉文化”的可能,而且被技术专家不断地拓展其应用场景的原因之所在.或者说,因为生成式人工智能以“大力出奇迹”的技术迭代使深度学习对海量数据的提炼更加有效,既使其模型包括的样态尽可能多,又使其算法具有可移植性与迁移性,即在物理能力的充分列举上的关系更加有效.第一,生成式人工智能以深度学习对海量数据进行提炼,获得数据本身的既有规律,形成了驱动模型运行的概念与逻辑.这一技术逻辑,不仅使生成式人工智能演化出数据的归纳能力,还演化出数据孪生的能力,更是以强大的算力及时捕获交互的数据扰动,并以生成逻辑而非分析逻辑表达出转移与泛化的能力.这一技术路径的代表系统C h a t G P T,“基于深度学习技术的模型只需要利用非监督的语言模型训练目标函数即可从海量的文本中捕捉和学习到各种类型的有效信息,能够动态生成更加准确的具有上下文信息建模能力的字、词、短语乃至句子和篇章的向量表示和生成概率,并可以在多种下游任务上取得惊艳的效果”.或者说,生成式系统生成的结果显然并非可以简单地判定为乔姆斯基所言的任晓明、林田:C h a t G P T智能系统的挑战与反思,中国社会科学网,h t t p:/w w w c s s n c n/z x/z x_r d k x/t _ s h t m l,年月 日W e i J,T a yY,B o mm a s a n iR,e t a l“E m e r g e n t a b i l i t i e so f l a r g e l a n g u a g em o d e l s”,a r X i vp r e p r i n ta r X i v:,S l a v o j i e k,“A r t i f i c i a l I d i o c y”,P r o j e c tS y n d i c a t e,M a r,h t t p s:/w w w p r o j e c t s y n d i c a t e o r g/c o mm e n t a r y/a i c h a t b o t s n a i v e i d i o t s n o s e n s e o f i r o n y b y s l a v o j z i z e k S l a v o j i e k,“A r t i f i c i a l I d i o c y”,P r o j e c tS y n d i c a t e,M a r,h t t p s:/w w w p r o j e c t s y n d i c a t e o r g/c o mm e n t a r y/a i c h a t b o t s n a i v e i d i o t s n o s e n s e o f i r o n y b y s l a v o j z i z e k 赵汀阳:G P T推进了哲学问题了吗?,探索与争鸣 年第期.S l a v o j i e k,“A r t i f i c i a l I d i o c y”,P r o j e c tS y n d i c a t e,M a r,h t t p s:/w w w p r o j e c t s y n d i c a t e o r g/c o mm e n t a r y/a i c h a t b o t s n a i v e i d i o t s n o s e n s e o f i r o n y b y s l a v o j z i z e k 张民、李俊涛:生成式预训练模型,中国科学基金 年第期.“本质上是高科技的剽窃”,而是充分体现深度学习与大规模学习时代“大力出奇迹”技术范式的有效性.因此,生成式人工智能真正将机器学习推向了一个新的高度.生成式预训练使生成式人工智能不仅以算力的强大与高效解决了庞大参数的捕获问题,而且使基于计算的结果获得一定的自我纠偏与自然修正的能力.因为数据的积累满足了深度学习和神经网络研究中的语料资料库不足的问题,使得生成式人工智能技术路线有效地解决了预训练模型的生成问题.预训练模式是“使用大规模文本语料库数据(L a r g e s c a l e t e x tc o r p u s)进行预训练(P r e t r a i n i n g),建立预训练语言模型(P r e t r a i n e dl a n g u a g em o d e l s),然后使用面向特定任务的小规模语言数据集(T a s kd a t a s e t s),根据迁移学习的原理进行微调(F i n e t u n i n g),形成下游任务的模型(M o d e l s f o rd o w n s t r e a mt a s k s)”.生成式人工智能综合数学、统计学、逻辑学、语言学、计算机科学和神经科学等的成果,充分运用大数据量大、类全和质细与计算力快速、准确和及时等特点,将力量的积累转化成算法的优质与高效.在某种程度上,生成式人工智能在对深度学习的运用中,已经达到“信息积累成知识;知识深化成理解;理解演变为智慧”的程度.或者说,生成式人工智能借助强大算力对海量数据的类智能提炼,使生成式人工智能既能够充分发掘数据内部关系所表达的知识与逻辑,又以其技术的高效与物理能力的稳定使“唯快不破”成为其高效能力的法宝.第二,强大算力、有效算法和极速网络技术组成了生成式人工智能依赖的强大力量,是其解决海量数据提炼所依赖的力量.从目前技术文献的统计来看,G P T训练参数量极其巨大.比如,年月的G P T参数多达 亿,年月的G P T 参数高达 万亿,年月的G P T 也有 亿个参数,而G P T 则据称参数量将高达 万亿.这一方面意味着生成式人工智能需要事无巨细地分析海量数据,以获得相对整全的理解;另一方面意味着巨型参数的整合是生成式人工智能的重要优势.虽然生成式人工智能一直力图期待能够实现小样本学习,但是从其目前的技术发展路线来看,物理力量是解决系统有效性与准确性的重要途径.所以 时代 周刊在专访C h a t G P T的时候,就系统明确地给出这样的回答,“我被设计成对各种各样的输入产生类似人类的反应”,“我的反应仅限于我所得到的训练数据和算法”.显然这样的技术路线使生成式人工智能一骑绝尘,将分析式人工智能落下很远.但是这样的成功,虽然有技术范式进步的贡献,但更加依赖物理力量的投入.对此,我们从诸多生成式模型训练的经济投入量就可见一斑.当然,这一趋势也体现了当前人工智能技术驱动物理能力的进步,加速了生成式人工智能系统的发展与进化.或者说,理性力量与物理力量的深度整合成为生成式人工智能提炼海量数据的法宝.由此所推进的人工智能由理性主义向经验主义转变,其运行效果“可以表现出岁小孩的心智能力”.理性力量与物理力量的共同作用不仅使生成式人工智能更加有效地处理海量数据,从技术逻辑上推进了深度学习的进步,而且使由社会历史性的活动开发出来的物理力量和积累起来的社会力量在对象成人工智能系统的时候表现出类人的能力.或者说,生成式人工智能有效地运用海量的大数据、超绝的物理力量和社会积累的理性力量,使其“大力出奇迹”面对与处理既有对象时,呈现出逻辑有效性、答案的周全性与任务的超越性.深度学习的提炼形成了事实与规律、问题与答案之间的逻辑闭环.当然,不可否认的是生成式人工智能因为根植于深度学习来提炼,所以其“大力出奇迹”也并非以量取胜、以快制胜和以准获胜的机械逻辑,而是以“紧凑性”与“结构化”判断原则来处理数据、获得原则.因此,生成式人工智能对通用智能的逼近本身也以技术发展范式的反思提出了力量在智能发展中的作用问题.第三,生成式人工智能有效地整合了自然语言处理、环境交互认知与计算机模拟实现,使“大力出奇迹”的技术逻辑推进了海量数据学习的“简约性”与“自治性”.从技术逻辑上讲,生成式人工智能以多陈广云:C h a t G P T与新文科建设,新文科教育研究 年第期.冯志伟、张灯柯、饶高琦:从图灵测试到C h a t G P T 人机对话的里程碑及启示,语言战略研究 年第期.特伦斯谢诺夫斯基:深度学习 智能时代的核心驱动力量,姜悦兵译,北京:中信出版集团,年,第页.冯志伟、张灯柯、饶高琦:从图灵测试到C h a t G P T 人机对话的里程碑及启示,语言战略研究 年第期.梅剑华:C h a t G P T之后会怎样?,中国社会科学网,h t t p:/c s s n c n/z x/z x_r d k x/t _ s h t m l,年月日.M aY,T s a oD,S h u m H Y“O nt h eP r i n c i p l e so fP a r s i m o n ya n dS e l f C o n s i s t e n c yf o rt h eE m e r g e n c eo f I n t e l l i g e n c e”,a r X i ve p r i n t s,重技术协同与整合的方式推进了深度学习的发展,使其提炼的规律与原则也更加有效,带来了人机对话的新发展.或者说,生成式人工智能推进了“大力出奇迹”的机械还原向原则生成的逻辑发展,使其系统算法表征力量的有效性,而非力量对对象的野蛮开掘.这一方面证明了以理性组织、驱动和加强力量的有效性,因为在系统性的集成中,基于理性生成的技术路径融合,不是力量的算术加总,而是能力的有机性生成,具有进化的涌现属性;另一方面则表明技术加总与融合的迭代使生成式人工智能完成了从自然语言处理(N a t u r a lL a n g u a g eP r o c e s s i n g,N L P)到大型语言模型(L a r g eL a n g u a g eM o d e l s,L LM s)的跃迁,使系统能够有效而灵活地回应运用需求,将生成式人工智能推向新的技术范式.虽然今天生成式人工智能“对于服务器的硬件要求和计算速度的算力要求都远远超出了此前的同类型应用”,但是其却以“大力”的方式进一步推进了人工智能训练中的计算整合、学科融合和人机协同,既使其呈现出目前强大的功能,又产生了跨边界融合的技术奇点的可能性.由此,生成式人工智能不仅能够以精准的算法、快捷的速度和完备的逻辑回应指令的要求,而且能够以其简约与自治的逻辑对生成的内容进行条件反馈,进而表现出一种类反思的效果.生成式人工智能不仅更有效地运用了“特征提取器”,而且更好地运用了迭代使系统本身具有从生成结果的反馈改进系统的能力.因此,生成式人工智能虽然不能说已超越了“大力出奇迹”的数据概括、抽象和联结,但是在其自治性与简约性中充分表现了以对话为基础方式的内在改进逻辑.因此,生成式人工智能在技术积累的基础上创新性地使海量数据表达的事实成为系统解释、断定和推断的算法,使深度学习的“提炼”既成为系统自组织演化的重要动力,又成为智能本质的技术隐喻.或者说,随着社会历史力量的生成与积累,经验升华成智慧既有可能,更是必然.虽然这一问题由最先进的技术范式所提出,但却是在社会历史的人性积累中获得的存在论基础.即,生成式人工智能驱动物理力量与理性力量,使“通过其他较简单的表示来表达复杂表示”成为智能的一般面相,更使其能够在事态组合中呈现出自然学习的灵活性与生成性,在逼近通用智能中提出智能如何面对多样性的问题.二、利用事态组合的“多样尽可能”与“自然学习”的反思生成式人工智能生成什么、如何生成、以何生成,在其技术范式内不成问题.但是,是生成本已存在的东西还是创造性生成本不存在的内容,是在既定的材料和数据内生成还是不断扩展与创新材料与数据来生成,是以既定的逻辑与规律来还原式地生成还是以创新观念和形态的方式来运用规律地生成等系列追问,却构成了生成本身的质询.然而,今天生成式人工智能却不断地给人们带来新奇与惊喜,似乎其已具有全能的生成能力,不仅能够回答问题,而且能够撰文写诗,甚至还能绘画作曲.但是,按照乔姆斯基的观点,生成式人工智能的代表性应用C h a t G P T“本质上是一个高科技剽窃系统,它访问海量数据,然后将它们按一定规律串联在一起,看起来或多或少像人类在这个话题上的思考,但本质上就是抄袭,只是碰巧C h a t G P T是高科技”.那么,生成式人工智能以自组织的系统达到全知的全能,到底是生成式人工智能因为逼近通用智能而超绝人类智能,还是说其以多样尽可能的组合表明不断地创造可能并尽最大可能实现才是智能的本性?第一,生成式人工智能强化与放大了人类收集与记忆的自然学习过程,并将“吃一堑长一智”的经验主义原则深化为系统的进化原则.从某种程度上讲,生成式人工智能运行的效果是像人,但是从行为发生学和智慧生成历史现象学上讲却不是人.在这里,我们且不论人工智能在收集上快速、整全与客观,也不论记忆保存的持久与固定、检索的便捷与完全,更不论经验验证是否透明与客观等 这些都是机械与电子处理信息的强项,但是,生成式人工智能在利用经验习得的规律对语境前后试错的准确、组合事态的惊艳、应答指令的自然,却是值得思考的问题.或者说,通过收集与记忆的经验主义整理对于获得智慧的处理为什么如此重要.生成式人工智能的预训练以逻辑、数学和概率的模型提炼出存在语料杨俊蕾:C h a t G P T:生成式A I对弈“苏格拉底之问”,上海师范大学学报(哲学社会科学版)年第期.杨立昆:科学之路,李皓、马跃译,北京:中信出版集团,年,第 页.伊恩古德费洛、约书亚本吉奥、亚伦库维尔:深度学习,赵申剑、黎彧君、符天凡、李凯译,北京:人民邮电出版社,年,第页.熊明辉:多维考察C h a t G P T,中国社会科学报 年月日.库的规律和联系,能够以还原主义的方式将实例有限集、定义、意义值域客观、准确地运用于事态的进一步组合之中.或者说,生成式人工智能所给出的事态组合,既是基于记忆所表达的社会历史性事实,又是基于系统基础的逻辑设定(由构成生成式人工智能的器件与逻辑构成),还是基于前述两层法则的“合理”猜测.因此,生成式人工智能在其生成内容中,既可能是贴切严谨的事实或判断,又可能是一本正经的胡说八道.对此,我们显然不能因为结果不符合人类智能的常理就武断地否定.因为这种情况恰恰说明两个问题:其一,生成式人工智能自然学习的习得是经验主义的习得,经验的有限性对结果影响必须重视;其二,生成式人工智能的习得只是数据的抽取,而非经验伴随性的生成,其“预训练是完全经验主义的,类似于原始人在没有先验语法的情况下以完全经验主义的方式发展一种语言 当然其实不如原始人,原始人是真的懂语言的意思的 准确地说是发现了大量高概率的关联”.然而,当生成式人工智能将系统生成的“经验”再次作为经验而纳入学习的对象时,问题就发生了根本变化.生成式人工智能生成结果的对错交杂、好坏并存与真假同在的状态似乎还原了经验存在的本真状态,而且这些经验也是在人类主体的介入基础上形成的.但是基于事态组合的经验自身成为经验并内化成进行的记忆使人工智能本身在生成内容结果上一本正经,其实材料与内容是否一本正经就成为重要问题.或者说,自然学习习得本身一方面是获得作为记忆的材料,另一方面则是在经验伴随性的前提性下赋予记忆以社会历史的内涵,再一方面则是以虚拟实践的方式组成一种可能的事态.因此,自然学习中的对话或者说社会历史的行为标准可能是影响生成式人工智能进化的重要问题.第二,生成式人工智能基于自然语言大模型的底层逻辑,在技术化自然学习、经验感知、直观推理和无意识行动等基础上实现了事态的组合,以效果的逻辑表现智能“涌现”的效果.以超距文明和微距文明证明人类智能的技术范式不同,生成式人工智能直指人类自然语言的问题.当然,我们需要明确的是,生成式人工智能并不是在复制与还原人类自然学习物理过程、社会机制和知识逻辑中来重演自然语言对智慧的建构过程的.但是生成式人工智能的人工语言,“不仅能够通用于各种自然语言,而且具有生成性,能够生成新的内容”.生成式人工智能根据指令和提示,可以生成新的内容.这显然不是由系统先在的物理器件结构和基本算法所决定的,而是海量数据“投喂”之后的系统涌现,是系统一种类无意识的反映.系统在递归调整基本结构的“无上限自举(b o o t s t r a ph e a v e n)”中,使海量数据成了分析问题、分析逻辑和给出答案的背景.表征经验感知和呈现为经验事实的数据,不再是规定与被规定的关系,而是系统结果与修正系统的同一.虽然在此人类自然学习的诸环节还表现为数据的流动与数据的创生,但是其却呈现出人类智能“自主思考、主体创造”同构的“自行思考、自行生成”,“其本身表现为类似于自然语言系统的东西”.生成式人工智能有如此的“能力”,显然不能归结为物理力量,而在于依据自然语言模型建构起来的自然学习模式.因为生成式人工智能能够将事态组合得逻辑合理、功能明晰和价值明确,既源于学习数据之大,更源于其能以近乎于自然学习的方式进行系统自修正与自进化.因此,在自然学习加持之下的生成式人工智能,通过自然语言大模型的学习,表现出处理问题的高阶自动性与类人智能的生成性.更为重要的是,生成式人工智能本身具有对生成结果的容错能力.前文所述的“一本正经的胡说八道”在直观和无意识的意义上不是无意识的,恰恰相反,这反映其真正是尊重了自然学习的容错能力.因为自然学习本身就是一个允许经验绝对化的学习过程,其直观和无意识的反映恰恰是自然理性的特质.当生成式人工智能基于自然语言大模型进行训练时,一方面“把基于语言规则的理性主义方法和基于大数据的经验主义方法结合起来”,另一方面也把自然语言生成与发展的直观和无意识内化成系统生成的原则.因此,自然学习的容错被作为其优化模型的重要途径,意味着系统赵汀阳:G P T推进了哲学问题了吗?,探索与争鸣 年第期.汪行福:C h a t G P T的终极之问:赐福还是诅咒,“探索与争鸣杂志”微信公众号,h t t p s:/m p w e i x i a q q c o m/s/HN y MQ O I QAA q g S O F OA.安迪克拉克:预测算法:具身智能如何应对不确定性,刘林澍译,北京:机械工业出版社,年,第页.汪行福:C h a t G P T的终极之问:赐福还是诅咒,“探索与争鸣杂志”微信公众号,h t t p s:/m p w e i x i a q q c o m/s/HN y MQ O I QAA q g S O F OA.冯志伟:神经网络、深度学习与自然语言处理,上海师范大学学报(哲学社会科学版)年第期.“找到了一条较好的路径,虽然不一定是最佳路径”.或者说,生成式人工智能在事态组合的多样尽可能“建立在信息或语言关联时具有语境化的不确定性、灵活性或即兴性.因此,形成了思维不完全透明的黑箱效应”.或者说,建构生成式人工智能系统的深度学习的隐蔽层内置了黑箱效应的不可追溯性,这就与生物进化涌现的人类智慧的难解释性具有同构性.只是生成式人工智能是从数据中学习,人类是在社会历史及其现实中学习.第三,生成式人工智能在利用事态组合尽可能多样的技术进路中,以自监督学习的方式在功能上复制了自然学习的反思.生成式人工智能组合事态不仅在于以计算极速建构所有可能的联系,呈现出事态新的组合,更为关键的是利用这种组合系统获得了类自然学习的反思的参照对象,结合“大力出奇迹”的提炼,生成式人工智能获得了更多的灵活性.生成式人工智能具有对话交流、内容生成、预训练转化、强化学习和内容趋真五个方面的特点,而预训练转化是其逼近通用智能的重要动力.因为在预训练的逻辑中,系统特别注重既有数据组合样态对系统运行结果的比较.这就如同人类自学一样,人类一方面根据已掌握的知识逻辑对对象进行周密的逻辑推论,另一方面又以直觉和经验设想可能的状态并进行组合验证.因此,生成式人工智能根据训练既得模型进行的自然语言理解、自然语言生成和上下文学习就是不断利用事态组合的多样性进行自我检验、修正、优化甚至是进化.生成式人工智能虽然是基于经验的组合却生成了具有因果性的原则和反思性的结论.而且,生成式人工智能以自然学习的机理使其既能“学中干”,又能“干中学”,具有类人类实践特质.由此看来,生成式人工智能不再单一地把自监督学习作为修补与优化系统的工具,而是以实现自然学习机器化的方式,一方面在形而上学层面强调自然学习客观实在性与主体创造性的双重属性,另一方面则是参加事态组合进行反思,从而“减少机器在学习阶段所犯错误的过程”.当然,这其中有着复杂的技术逻辑,但是其显示出这样的表达逻辑,这是组合呈现出来的事实逻辑,“到目前为止,你还没有向我传输能够使我给出正确答案的输出,所以我希望你生成这样的输出”.如此反复的过程,生成式人工智能虽然是理智的“全知”逼近智慧的“全能”,并且在丰富性与整体性上还有所欠缺,但是其以事态组合的多样尽可能既打造了机机对话的平台,使系统自身的“经验”成为反思系统的参照,又作为“人机对话平台,还突破了智人大脑的生理限制,突破了自然语言的技术限制”.即是说,生成式人工智能因为以技术的方式引入了自然学习的反思,使其具有了达致人工智能奇点的可能性是我们必须正视的问题.因此,技术力量强劲的生成式人工智能能够穷尽事态组合的可能性,既拓展经验的疆域,更强调自然学习对升华经验成智慧的形而上学意义.其对自然学习或隐或显的技术探知,不仅为生成式人工智能的发展开辟了有效的技术途径,更是凸显了自然学习中人与世界交互之于智能的存在论意义.生成式人工智能几乎原本地确认了自然学习“实践出真知”的原则.因此,对人而言,“环境的改变和人的活动的一致,只能被看作并合理地理解为变革的实践”;对生成式人工智能而言,系统的改变和系统的学习一致,只能被看作并合理地理解为不断的学习.即,要在“大力出奇迹”获得突变,在多样尽可能进行反思,在总结现有知识中形成稳定.三、引入价值偏好的“总结现智能”与“强化学习”的交互生成式人工智能并非从一开始就显现出直逼通用智能的能力,而是历经多次技术迭代之后才初显超群的智能.G P T以挖掘语言模型本身知识指示学习(I n s t r u c t i o nL e a r n i n g)和提示学习(P r o m p tL e a r n i n g)的指令微调(P r o m p t t u n i n g)推进了系统处理N L P问题和非典型N L P任务泛化能力的提特伦斯谢诺夫斯基:深度学习 智能时代的核心驱动力量,第 页.赵汀阳:G P T推进了哲学问题了吗?,探索与争鸣 年第期.钱力、刘熠、张智雄等:C h a t G P T的技术基础分析,数据分析与知识发现 年第期.杨立昆:科学之路,第 页.杨立昆:科学之路,第 页.汪行福:C h a t G P T的终极之问:赐福还是诅咒,“探索与争鸣杂志”微信公众号,h t t p s:/m p w e i x i a q q c o m/s/HN y MQ O I QAA q g S O F OA.马克思恩格斯文集 第卷,北京:人民出版社,年,第 页.W e i,J a s o n,e t a l“F i n e t u n e d l a n g u a g em o d e l sa r ez e r o s h o t l e a r n e r s”,a r X i vp r e p r i n t a r X i v:()升,并通过引用人类反馈强化学习(R e i n f o r c e m e n t l e a r n i n gf r o m H u m a nF e e d b a c k,R LH F)来解决系统有用、可信和无害的问题,并使生成式人工智能进入加速发展的轨道.G P T从第一代到第三代,经历了近四年时间,从第三代到第四代则缩短至不到半年时间.生成式人工智能充分发挥了强大算力处理海量数据的总结能力,而且以强化学习将之整合,使其在开发中节约成本和提高效率、在运行中纠错升质和泛化拓展、在进化中强化反馈和提升通用.可以说,强化学习植入的原则既从技术上解决了强化学习与预训练的整合问题,更成为生成式人工智能最大的创新点;既加速了系统的进步,又优化了 H 有用的(H e l p f u l)、可信的(H o n e s t)、无害的(H a r m l e s s),更表征了人机交互的学习机制之于系统的重要性与理解智能本质的可能性.第一,生成 式 人 工 智 能 的 人 类 反 馈 强 化 学 习,引 入 人 工 标 注 最 近 策 略 优 化(P r o x i m a lP o l i c yO p t i m i z a t i o n,P P O)的强化,是强调与现实环境进行有效交互的强化学习.简单讲,为了使生成式人工智能更具可塑性,强化学习不仅要解决系统自洽的逻辑紧致性问题,更应该解决和人类反馈偏好一致性的问题.基于海量数据的预训练系统本身无监督的学习模型或者系统自强化学习的模式,对偏见的开放性一直是生成式人工智能考虑的问题,而预训练本身的黑箱不可解释性很难在系统设计的基本原则中解决,反而会在传统强化学习技术范式中固化或放大.所以,以适当的人工反馈诱发纠偏的奖励偏好,就不仅仅是干预系统放大偏好和在系统中整合人类偏好的重要工作.虽然这种选择首先是基于技术范式而采用的防范价值偏好被放大的问题,但是却在无形中改变了人工智能在数据范畴内无穷迭代和互动学习的局限性,使系统具有外在的开放性.或者说,人类反馈强化学习的引入,葆有了人工智能系统总结现智能的优势,其“在理论容量上获得人类全部知识.此外通过与人类进行互动学习,人工智能将来有望接近于 全知”.人类反馈的加入,并不是改变投喂系统数据的属性,而是以价值偏好的方式引导与激活系统总结数据方式的转变.这既有可能解决“大数据小任务”过度消耗的问题,也有可能解决人工智能底层逻辑形而上学结构不能技术更新的问题.即是说,人类反馈强化学习,不仅是生成式人工智能在技术范式上的拓展与创新,更是以活动逻辑趋同的方式推动了系统逼近通用智能.因此,人类反馈强化学习的引入,一方面强调智能无自主的自动,无论是运行的自动,还是高阶的自动,都只能在逻辑周全的意义上表达某种似智慧性;另一方面则强调智能本身不是形式化定义的植入,而是在交互学习中的生成,人类反馈强化学习使“多层裂隙中的交织参数联系”更具有发展性与开放性;又一方面则强调不同于人类心灵的人工智能如果能够与人发生生成性的交互,那么“总结现智能”的人工智能系统就有通用与泛化的可能.第二,人类反馈强化学习作为与系统的交互,其根本目的不是自上而下或自外而内地调整系统,而是以经验、主观和偶然等推动系统的通用性与泛化能力.虽然生成式人工智能是不是通用智能目前还存在诸多争论,但是生成式人工智能以泛化的方式表达出来的跨界能力使其被看作通用智能的方式却是不争的事实.这显然不是因为系统能整全经验还原论,或本体决定推演论包含所有事实而证明的.对于人工智能系统而言,“大力出奇迹”地“总结现智能”,虽然能够在系统内部获得干预系统算法的经验事实,但却是在反思知识的框架内展开的.人类反馈强化学习所呈现出来的价值偏好,既有对经验形而上学本质的肯定,又有对偶然必然性的认可,还有对主观客观性的认同,等等.或者说,我们虽然不能从多逻辑上否认人工智能系统的深度学习与强化学习可以优化系统,并可能产生因果与必然,但是如果没有人类强化学习所引入的价值偏好干预,可能结果就会是另外的情形.因此,人类反馈强化学习对于生成式人工智能而言,既是“理性主义和经验主义的相融互补,整体论与还原论的协同互动”的机制,C h r i s t i a n o,P a u lF,e ta l“D e e pr e i n f o r c e m e n t l e a r n i n gf r o mh u m a np r e f e r e n c e s”,A d v a n c e si nn e u r a l i n f o r m a t i o np r o c e s s i n gs y s t e m s()S c h u l m a n,J o h n,e t a l“P r o x i m a l p o l i c yo p t i m i z a t i o na l g o r i t h m s”,a r X i vp r e p r i n ta r X i v:()赵汀阳:G P T推进了哲学问题了吗?,探索与争鸣 年第期.张祥龙:人性、时间意识与人工智能新境 从现象学和东方心学视野所做的探讨,载宋冰主编:智能与智慧,北京:中信出版集团,年,第 页.涂良川:因果推断证成强人工智能的哲学叙事,哲学研究 年第 期.任晓明、王刚:人工智能视域的纯粹理性批判,南开学报(哲学社会科学版)年第期.更为系统提供了泛化的形上根据,使“生成模型可以为A I系统提供它们所要理解的、各种不同概念的框架,让它们有能力在面对不确定性的情况下推理这些概念”.人工智能以此获得的泛化与扩展,显然就不再是算力和数据、人与人类经验、先验和社会历史现实的简单叠加,而是交互的深度融合.也正是因为如此,在C h a t G P T的运用中,其才总是不断地以意想不到的方式给予我们惊喜.如此看来,人类反馈强化学习与预训练的深度整合,虽然不能说是再现了智能演化的核心逻辑,但却以效果的方式证明了激活积累知识与经验创新知识对于智能本身进步的不可或缺.第三,交互的强化学习使生成式人工智能获得人类反馈的价值偏好更加直接和便利,其对人际对话的人机转移,使生成式人工智能在逼近通用智能上走得更远.就像“C h a t G T P这样的生成式人工智能的奥秘并非从一个静态的数据库和语料库中提取数据,而是更看重与提问和交谈主体之间的互动关系”.对人类反馈强化学习的技术研究已表明,“从长远看来,为确保强大的R L系