人工智能研究进路的转化是范式的革命吗.pdf

科学与管理SCIENCE AND MANAGEMENT2023 年 8 月Aug.2023第 43 卷 第 4 期Vol.43 No.4人工智能研究进路的转化是范式的革命吗？张友恒，陈明益（武汉理工大学马克思主义学院，湖北武汉430070）摘要：符号主义和联结主义是AI研究的两种主要进路，它们常常被视为对立不相容的两种方法论，但它们其实共同拥有着深刻的哲学思维根基。符号派在哲学上注重理性的演绎，而联结派在哲学上则注重经验的收集；在人工智能的运行中，理性离不开经验、经验也离不开理性，因此二者并非完全不相容。近年来神经符号进路的呼声在AI研究中也频繁出现，因此有必要对这两种研究进路以及它们的历史转换做出一番考察。一方面有利于重新审视当下技术思潮对AI研究的影响，另一方面也有利于从哲学和技术层面重新挖掘AI研究的学科基点，这都有利于AI和哲学的共同发展。关键词：人工智能哲学；范式；符号主义；联结主义中图分类号：N031文献标识码：ADOI：10.3969/j.issn.1003-8256.2023.04.0080引言自AI技术问世以来，已经过了近70年的发展。AI之父图灵可能从未想到AI能对日常生活和学术研究造成如此大的影响，70年前他在一本哲学期刊上留下的问题“哪里是最好的研究开端？下棋还是硬件？”1，成为促进AI研究的两个基本因素算法（编程）和算力（硬件）。而在实际研究中，硬件的迭代更新大多来自工程师们的努力，对智能程序的编程才是AI专家们的努力方向。但如何才能使AI程序是智能的，这不仅是AI学科的独有问题，更是一门跨学科的探讨。在70年的研究发展中，主要有两种研究进路引领了这个探讨，即符号主义和联结主义，它们分别代表着不同阵营的科学共同体的研究“范式”。但随着新的研究进路出现，库恩（T.Kuhn）所言的范式的“不可通约性”在二者间逐渐淡化，那么从科技的历史发展考察，人工智能研究进路的转化真的是一种范式的革命吗？1人工智能两种研究进路概述AI 研究中符号主义和联结主义方法间的争论从1956年的达特茅斯会议一直持续到今日。而符号主义和联结主义这两个可以作为研究“范式”的词汇并非源于AI学科，因此“符号人工智能”和“联结人工智能”这两个命名带有一定的误导性，会使不了解的研究者认为二者是两种完全对立的研究方式。通常来说，符号派致力于在机器学习和知识表示中逻辑和推理的运用，在AI程序运行的过程中少有数据的介入，知识库和推理方法是其不可分割的两个模块。因此符号AI探求的并非符号本身，符号代表的是一种知识的抽象方式；而联结主义AI阵营实际上是从很少或没有先验知识的数据中学习其中关联，人工神经网络（ANNs）的训练通常需要大规模数据。联结派在1986年出版了 并行分布式处理（Parallel Distributed Processing，PDP）这一论文集，其涵盖了哲学、认知科学、AI、心理学、神经科学领域。基金项目：中央高校基本科研业务费专项资金资助（2023VB067）作者简介：张友恒（1998）男，湖北武汉人，硕士研究生，研究方向：科学哲学；（通信作者）陈明益（1986）男，湖北蕲春人，哲学博士，副教授，研究方向：科学哲学，分析哲学。E-mail：cmy_ 某些研究中认为还有第三种研究进路，这并不被AI研究认可。这些研究认为机器人学家布鲁克斯（R.Brooks）的研究Intelligencewithout Reason代表着AI的行为主义研究进路。但是：第一，机器人研究与AI研究并不能等同；第二，此文第591页，布鲁克斯明确表示：“此研究是对构建智能方式的评论，而不是对如何构建智能系统的推论”。详情参见：BROOKS R A.Intelligence without reason C Proceedings of the 12th international joint conference on artificial intelligence-Volume 1.San Francisco，CA，USA：Morgan Kaufmann PublishersInc.，1991：569-595.达特茅斯会议是1956年在美国达特茅斯学院举办的一个暑期研讨会，其被认为是人工智能作为一个领域的创始事件。作为一次头脑风暴会议：第一，明确地提出了人工智能的概念；第二，符号主义和联结主义的创始人和支持者在会议上已经开始了他们的辩论。符号主义和联结主义作为专业名词，皆源于认知科学，在AI中强调的是作为一种方法论。科学与管理2023 年“当提到AI里的联结主义，通常所指的就是PDP”2 96，这种认为人类思维和大脑应该是“分布式联结”的观点代表着这一阵营对于智能进行研究的根本科学方法和哲学观。符号AI在人工智能不长的研究历史中大部分时间都占据主导地位，从20世纪50年代到90年代中期，符号派的主要成就分别集中在机器定理证明、专家系统、知识表示和推理三大领域。符号AI的思想源头和理论基础就是自动定理证明，其初衷就是把逻辑演算自动化3 28-29。定理证明本是数理逻辑的工作，但是在 AI中，解决数理逻辑问题的意义在于能对事物产生理性的认知。这是符号处理器最基本的运作方式，若再给其配上一个知识库，就成为了我们所熟知的专家系统。运用符号方法的专家系统具有许多特性，如知识库与推理机的分离等，这使得它适合于AI的研究和开发4 30。直至今日，专家系统仍然是日常生活中最常见的AI程序，它广泛地存在于智能手机以及工业智能化程序之中。符号AI也被称作“GOFAI”，译为中文就是老式的、良好的人工智能。现在说它们是“老式的”当然毫无疑问，但更重要的是它们是“有效的”2 15。从人类智能本身来看，我们一直使用符号来定义事物，用符号表示抽象概念、事物的区别以及其他符号，符号还可以在思维中组建出思想对象的层次结构。能够用符号进行交流是人类获得智能的主要因素之一，因此符号方法在AI程序的创造中一直有着至关重要的作用。联结AI在历史上的起源比符号AI还要更早，1943年麦卡洛克（W.S.McCulloch）和皮茨（W.Pitts）在 神经活动内在思维的逻辑演算 一文中基于生物神经网络的特点提出了 M-P 模型5，也即第一个人工神经网络（ANNs）。早期ANNs研究和研究者无不受到这门学科的影响，他们从生物、通信、工程的角度来建立AI模型，而不是从逻辑和推理6。在其中心理学家罗森布拉特（F.Rosenblatt）的工作最为引人注目，他的“感知机模型”企图模拟人的大脑，20世纪60年代他名声大噪，一些美国媒体甚至对此宣称“机器即将模拟出人的意识”6。但联结 AI 的历史并不像符号派那样一帆风顺，由于ANNs早期的缺陷，XOR问题、NP完全问题等并没有得到很好的解决。随着21世纪计算机硬件的大幅度升级以及诸多新式的人工神经网络出现，由辛顿（G.Hinton）所带领的深度学习算法的热潮已经超越了符号 AI系统，并占据了现代AI的主要研究。ANNs的优势在于它们可以处理混乱和非结构化的数据，因此它能比符号AI更好地适应现实环境。并且在学习算法上，ANNs能做到主动学习并且调整节点中的权重，因此无论从AI的训练还是应用来看，都能使 AI 工作者的研究更加便利。总的来说，符号AI认为知识在推理和学习中的使用对于产生智能活动至关重要，但联结AI认为从数据中学习其关联对于理解智能活动至关重要。这两种作为研究范式之间的争论虽然持续了大半个世纪，但现代的争论大部分是由于联结AI的进步所推动的。在大规模数据的情况下，联结主义AI技术的成功一方面使其成为当代人工智能研究的主导“范式”，另一方面其不可解释性、不透明性、黑箱性质也成为研究者们共同关注的焦点。在过去十年中，这两个学派之间的对话是通过学术论文和社交媒体展开，并且常会引起尖锐的相互评论。从认知科学的角度来看，符号AI与理性主义思维学派非常一致，而联结主义AI与经验主义心理学派有密不可分的关系。因此，这两个学派之间的差异不仅是技术上的，更为深刻的是在哲学上的。2非“革命”的转化在这一部分，我们将对人工智能研究进路的转化进行说明，并对符号主义和联结主义作为“范式”的“不可通约性”加以怀疑。在这里仍要强调的是，如果读者询问身边处于AI或相关行业的一线研究者或工程师，他们很可能从未听过这种AI研究范式的命名。这并不代表它们是编纂出来的，而是AI学科与其他自然科学一样，都有理论和实践两方面的工作。通常来说，理论和实践研究是密不可分的，但由于现代技术思潮统摄了研究的方向，理论研究和AI早期先驱者的哲学梦想被技术研究所淡化。大部分AI工作者缺乏对哲学的关注、思考和交流，而哲学工作者由于缺乏这种交流，对AI哲学讨论也常会落入思辨的漩涡（这显然不是麦卡锡想看到的）。因此，以下三个论点不仅是技术的，它们同样也是哲学的。2.1第一个问题：二者作为“范式”是否不可通约库恩认为“相继范式之间的差异是不可调和的，且新旧范式不仅逻辑上不相容而且是不可通约的”7 88。尽管上文已展现了符号AI和联结AI研究的根本不同，并且一再强调它们作为研究的“范式”，从而暗含着范式的不可通约性，但它们很可能只是在不同的描述层次上处理信息的观点。从历史上看，符号AI和联结AI皆受到皮茨和麦卡洛克1943年那篇文章的影响。说联结AI 麦卡锡不仅是达特茅斯会议的组织者，也是一位积极与当代哲学家进行交流和辩论的AI学者。他的研究成果横跨AI和哲学两大领域，是当之无愧的AI哲学家。66第 4 期是“联结”的并非指它是没有逻辑的，只不过相比于符号AI的推理的理性方式，它更加注重的是经验方式；从实践上看，联结主义范式也被称为亚符号范式，这意味着它是比符号系统更低的描述层次上处理信息。联结AI中函数的转移和激活是由算法带动的，从而使ANNs构建起了“逻辑门”，而现有的计算机基本上都是由“逻辑门”所构造的。所以在实践中，符号AI和ANNs模型并非完全不可通约，因为ANNs仍是在符号系统架构上模拟和运行。在此我们认为，在表达两者研究方法的区别时，可以在一定程度上使用“范式”一词，但绝不是库恩的“不可通约的范式”。二者皆是构建智能目标的方法论，并且在当前的研究中二者逐渐走向融合。2.2第二个问题：反常和危机是否出现在符号AI向联结AI的转化中在库恩的理论里，反常和危机恒常联系在一起。反常是科学研究违反了支配常规科学范式的预测，从而导致理论的调整或是范式的转化7 44-45。从历史上看，符号AI的创始人纽厄尔（A.Newell）和司马贺（H.Simon）对符号系统的本体论承诺是“物理符号系统能够进行智能行为，智能行为也需要一个物理符号系统”8。符号代表的是一种抽象能力，符号AI所模拟的正是人类思维的理性层面。由于“人类是唯一可以不受限制地建立起符号的各个层次和元层次的符号来象征和指代低层次的符号和被表征的物体的存在”9，因此若是否定符号进路，则是对人类智能中理性思维的否定；从实践上看，专家系统作为最成功和运用最广泛的符号AI，ANNs的经验方法目前无法也不能取代其地位。以Cyc项目为例作为一个超大的“百科全书”系统，“Cyc团队试图容纳一切经验性知识，雷纳特曾预测Cyc需要1 000万个适当组织的信息项目，包括规则和事实”10。不可否认的是完成一个如此巨大的知识库在实践上有很大的难度（且很难囊括现实世界的所有信息），但从目前AI研究中知识表示和推理的重要性来看，符号方法并没有如库恩所言的“理论的崩溃和增生导致了危机”7 73，而只是在研究中放慢了其步伐。2.3第三个问题：这种转化是一种“革命”吗库恩认为：“科学革命就是科学家观察世界的概念网络的变更”7 88。由于上文已论证这两种研究进路中并无不可通约性，且符号“范式”也并无反常和危机，在此可以预先断定库恩的“科学革命”并不存在于这种转化之中，但仍然有必要做出说明：从历史上看，联结AI曾经历过两次停摆，一次是由于早期信奉符号方法的明斯基对感知机（Perception）的批判，第二次则是ANNs的反向传播算法的早期缺陷引起。20世纪90年代后期到本世纪早期由于互联网的冲击导致整个AI行业的大萧条，2006年辛顿在Science上发表的研究成果才使联结进路在当代研究中占据上风6。联结AI反复的历史告诉我们，由于谁也无法保证未来符号派是否会再次回归，因此只要没有完全否定掉符号进路或证明其无效，便不存在库恩所言的“新理论必然取代和摧毁旧理论和旧范式”7 82的科学革命；从实践上来看，20世纪日本第五代计算机的大胆尝试也是促成符号进路失败的原因之一，但这并不代表我们将不再追寻第五代计算机。同样，ANNs的诸多弊端和劣性也正在慢慢显现，例如特斯拉汽车能在ANNs的图像识别上优异于所有辅助驾驶汽车，但事故的频发让我们清楚这离人类程度的自动驾驶仍有很大距离。并且由于缺少符号方法的逻辑结构，ANNs无法达到真正意义上的强人工智能6。3回到智能本身的研究“人工智能作为学科，经历了几次大起大落。每次高潮都是旧哲学思想的技术再包装，每次衰败都源于高潮时期给出的承诺不能兑现。”3 260许多现代哲学家，甚至是人工智能专家都认为应该把AI看作一种哲学，例如兰迪（G.Landi）11和格利莫（C.Glymour）12。回想历史上真正关于AI的第一个哲学问题，是图灵所提出“计算机可以思考吗？”，但这个问题总会平滑地过渡到更为平淡的“人类思维可以机械化吗？”等回到人本身的哲学问题。在此我们认为：不必像兰迪那样否认AI作为一门技术，也无须像格利莫那样为每个AI技术找到它的 尽管在理论层面上通过ANNs来运行专家系统是可行的，但从上世纪90年代至今仍未有实践上的重大突破。Cyc是运用符号方法（知识表示和推理）的知识图谱，也是一个从1984年运行至今的人工智能项目。它旨在组建一个全面的本体论和知识库，涵盖关于世界如何运作的基本概念和规则。虽然CYC项目被描述为“AI历史上最具争议的努力之一”，但不可否认它是目前最好且利用程度最广的知识库。参见：Cyc EB/OL.（2022-08-04）2022-09-07.https：en.wikipedia.org/w/index.php?title=Cyc&oldid=1102284372.感知机无法解决线性可分问题；而早期反向传播则是由于理论和硬件的限制，在多隐藏层的情况下无法良好运行。五代计算机系统是日本于上世纪80年代启动的项目。作为一个大型专家系统或是说知识图谱，它旨在使用大规模并行计算和逻辑编程创建计算机。试图创造一种具有类似超级计算机性能的“划时代的计算机”，并为人工智能的未来发展提供一个平台。这个想法领先于时代，但在实践和商业中失败了。参见：Fifth Generation Computer Systems EB/OL.（2022-07-07）2022-09-07.https：en.wikipedia.org/w/index.php?title=Fifth_Generation_Computer_Systems&oldid=1096960006.人工智能研究进路的转化是范式的革命吗？67科学与管理2023 年哲学根基，而是AI本源的就可以作为一种专门的哲学；AI专家们应该从哲学的视角来认真审视他们的学科，哲学家们也需要认真了解和对待现实的技术，从而相互促进AI和哲学研究。从技术上来看，符号到联结进路的转化让“人工智能”这个词汇变得更为狭窄了，但“联结”并不能代表AI一切。GOFAI不仅代表着对符号派过去研究成果的肯定，同样也对20世纪AI黄金时代谢幕的总结。符号派具有哲学的理性主义传统，它可以追溯到17世纪的“莱布尼兹之梦”。莱布尼兹肯定不是一个AI专家，但是他和弗雷格、罗素、哥德尔、王浩等逻辑学家为符号派建立了深刻的逻辑与哲学根基。机器上的定理证明不仅将逻辑演绎自动化，也将AI程序的对象处理自动化。这一点也体现在符号派创始人的观点：“物理符号系统能够进行智能行为，智能行为也需要一个物理符号系统”8。在符号派的眼里，AI应与人类一样是一个理性的行动体，外部的世界也应是有着理性可以确定的规律，从而通过已有的知识运用规则产生智能行为和认知。在符号派的工作中，他们始终如一地践行着“莱布尼兹之梦”，把通用人工智能作为研究的最终目标。但反观联结派，作为第一个使用的 ANNs 的感知机“罗森布拉特之梦”的目标是模拟人的大脑，也正是在这一点上，AI才与认知科学开始了长达40多年的“联姻”。认知科学中的神经科学和心理学都是从经验上研究大脑，这一点联结派与它们不谋而合，因此符号派这种理性哲学上的“自上而下”方法必定被排斥。经验的科学为我们带来了太多好处，而且正是在经验的层面，图像识别、文本识别、语音识别才得以成功。但正是由于技术的泛滥，早期AI研究的梦想也愈发经验化，它在当代技术上有了更为具体的命名，如语音助手、自动驾驶等。但是，“深度学习不过是ANNs层数多一些，并从并行分布的意义上说，所有ANNs模型都不是深的，而是宽的；但自动定理证明是深的，且很难并行化”3 275。因此，即使这两种进路中都有各自面临的难题，但由于ANNs的技术应用能取得更为实际的效果、帮助研究人员们获得更多经费，从而致使了现代AI研究偏向性地转为技术性研究。从哲学上来看，若是AI同兰迪所言欲摆脱这种技术偏见，它就必须得抛开研究流派的偏见，共同为自己的学科寻觅到深刻的理论根基，而这种根基必须回到哲学的层面才得以建立。“过去许多经典的和微不足道的人工智能哲学问题现在已经解决，AI技术正在超越传统的 DDD（Dirty，Dangerous，Dull）问题；这在很大程度上是由于硬件的大幅提高、算法的不断改进以及对可行的狭窄问题的关注，但这并非源于大量新的深刻见解的出现。”13 3从科技史来回顾这一现象可以发现：虽然每个时代都有新奇的技术出现和迭代，但并非每种技术都能在时代的发展中留存；若是未来出现了比AI更为先进的产生智能主体或是在非计算机框架中模拟智能的技术方案，那当下作为最有希望达到“人工智能”梦想的AI技术不过也只是目前最好的方案，但并不是唯一方案。因此，兰迪所要论证的AI并非作为一门技术而是哲学的论点就情有可原，因为我们仍希望在目前最好的方案中尽最大的科研努力去达成“人工智能”的造物主之梦。因此，哲学家们不必如德雷福斯（H.Dreyfus）那样用模糊的语言论证计算机程序语言，早已在过去的哲学中隐含，AI专家们也不必担心哲学家的问题是在干涉他们的工作；而是要在相互合作中明白：人工智能本质上模拟的仍然是人的智能，由于人是已知的唯一智能物种，关于智能的研究则无法超出人的智能界限之外；那么对人工智能哲学的问题探讨实质上就是在技术层面对人本身智能问题的讨论；AI研究需要在这种合作中回到智能研究本身，而非一味地依赖由硬件提升所保障的技术泡沫，才能有希望达成“莱布尼兹之梦”和“罗森布拉特之梦”。4结语此项研究不仅是对AI研究进路的一种讨论，也可以被视为是对AI和AI哲学研究中普遍存在的随波逐流效应的评论。当下所出现的新的神经符号（Neural-Symbolic）融合进路，其实在上个世纪麦卡锡就已提出14，2021 年由布雷泽克（P.J.Blazek）和米洛林（M.M.Lin）带来的本质神经网络（ENNs）研究才在实践上展示了最新进展15。他们的研究再一次明确表明许久未见的追求通用人工智能（即强AI）的立场，这说明已经有部分AI学者在重回最初的哲学梦想或是说智能本身的研究，这无疑是令人振奋的信号。因为过去大半个世纪的研究已表明了AI和哲学的相互促进作用，在目前AI研究的诸多技术领域中，许多研究领域本身已经成为追求的目标，但很少有人记得追求这些领域的原因。偶尔从哲学的视角回顾一下研究的基础工作，对研究的顺利进展有很大的帮助。ANNs极度依赖由硬件保障的算力，一个包含多个隐藏层的人工网络必须在更好的GPU或TPU上才能运行。参见：AI Chips：GPU，TPU，and NPU-Bizety EB/OL.2022-09-10.https： TPU For AI IsReally Fast，But Does It Matter?EB/OL.2022-09-10.https： 4 期参考文献：1 TURING A M.Computing machinery and intelligenceJ.Mind，1950，59（236）：433-460.2 玛格丽特 博登.AI人工智能的本质与未来 M.孙诗惠，译.北京：中国人民大学出版社.2017.3 尼克.人工智能简史 M.2版.北京：人民邮电出版社，2021.4 史蒂芬 卢奇，丹尼 科佩克.人工智能 M.2版.林赐，译.北京：人民邮电出版社，2018.10.5 MCCULLOCH W S，PITTS W.A Logical calculus of the ideasimmanent in nervous activityJ.The Bulletin of MathematicalBiophysics，1943，5（4）：115-133.6 ZHANG Y.A historical interaction between artificial intelligenceand philosophy EB/OL.The arXiv，（2022-07-23）2022-09-03.http：arxiv.org/abs/2208.04148.DOI：10.48550/arXiv.2208.04148.7 托马斯 库恩.科学革命的结构 M.4版.金吾伦，胡新和，译.北京：北京大学出版社，2003.8 NEWELL A，SIMON H A.Computer science as empirical inquiry：symbols and search J.Communications of the ACM，1976，19（3）：113-126.9 LENK H.A characterization of humans as meta-symbolic andmeta-interpreting beingsJ.Open Access Journal of BiomedicalScience，2020，2（2）：216-219.10CHARLESE，RUSSELLG.Buildinglargeknowledge-basedsystems：representation and inference in the CYC projectJ.Artificial Intelligence，1993，61（1）：41-52.11LANDIG.Artificial intelligence as philosophyM.Chisinau，Moldavia：Eliva Press，2021.12GLYMOUR C.Artificial intelligence is philosophy M Aspects ofArtificial Intelligence.Dordrecht：Springer Netherlands，1988：195-207.13MLLER V C.New developments in the philosophy of AI M Fundamental issues of artificial intelligence.Cham：SpringerInternational Publishing，2016：1-4.14MINSKY M L.Logical versus analogical or symbolic versusconnectionist or neat versus scruffy J.AI Magazine，1991，12（2）：34-51.15BLAZEK P J，LIN M M.Explainable neural networks that simulatereasoning J.Nature Computational Science，2021，1（9）：607-618.Is the Transformation of AI Research Approaches a Paradigm Revolution?ZHANG Youheng，CHEN Mingyi（School of Marxism，Wuhan University of Technology，Wuhan 430070，China）Abstract：The two primary schools of thought in AI research，symbolism and connectionism，are frequently perceived asbeing at odds with one another and having incompatible methods，yet they actually have philosophical foundations incommon.While the symbolism is philosophically concerned with the deduction of reason，connectionism is philosophicallyconcerned with the gathering of experience.Since reason and experience cannot be separated in the operation ofintelligence，the two are not wholly contradictory.In recent years，proposals for a neuro-symbolic approach to AI researchhave also emerged often，necessitating an examination of these two approaches and their historical transitions.This willallow for a re-examination of the influence of technical thought on AI research on the one hand，and a re-examination ofthe disciplinary base of AI research on both the philosophical and technical levels，both of which are conducive to the jointdevelopment of AI and philosophy on the other.Keywords：philosophy of AI；paradigm；symbolism；connectionism人工智能研究进路的转化是范式的革命吗？69