首页 >> 跨学科 >> 综合研究
人工智能的知识哲学审思
2021年03月31日 14:54 来源:《求索》2020年第1期 作者:肖峰 字号
2021年03月31日 14:54
来源:《求索》2020年第1期 作者:肖峰

内容摘要:

关键词:

作者简介:

  摘 要:人工智能与知识具有紧密的内在关系,它是一种在机器上使用知识去解决问题的技术,这种关系甚至比人工智能与智能的关系更具有基底的意义,正因为如此,人工智能对于知识哲学具有深刻的影响,主要体现在它对知识哲学提出了许多新的问题,如知识的含义问题、知识的类型和知识获取(习得)的方式问题、知识的意义问题、知识活动中的人机合作与分工问题等。探讨这些问题,可以使知识哲学的发展获得来自人工智能的强大推动,从而拓展其视野、丰富其内容,为哲学认识论的研究提供新的对象和领域。

  关键词:人工智能;知识;哲学;技术

  作者简介:肖峰,男,江西师范大学马克思主义学院教授,博士生导师。

  基金:北京市社科基金重大项目“信息革命与当代认识论研究”(项目编号:15ZDA30)。

  知识是诸多学科研究的对象,如哲学、社会学、经济学、政治学、法学、传播学、管理学等都研究知识,由此形成知识哲学、知识社会学、知识经济学、知识政治学、知识法学、知识传播学、知识管理学以及整合这些多维研究的知识学等。本文专门探讨人工智能对知识哲学提出的新问题。

  从“认识论就是关于知识的理论”(epistemology is the theory of knowledge)的意义上,知识哲学与哲学认识论几乎为同义语,但也可以因各自的侧重和延展的方向有所不同,而在视其有关联的基础上也承认相互之间的区别,这样知识哲学的问题与认识论的问题就相互交织也各有不同,如认识论的问题主要是认识的来源、认识发展的过程、认识成为真理的条件和标准、认识与实践的关系等,而知识哲学的问题则主要是知识的含义、知识的类型、知识的意义、知识的生产(或形成)方式等问题。

  人工智能由于与知识具有紧密的关系,所以对知识哲学的上述问题也必然形成交汇碰撞,由此对理解这些问题产生新的启示,从而对进一步深化知识哲学的研究形成推动。

  一 知识工程:人工智能与知识的亲缘关系

  谈论人工智能,就离不开知识。所谓“智能”,就是应用知识处理问题的能力;而所谓“人工智能”,无非就是在人工的机器上应用知识去处理问题的能力,可见知识在这里是理解人工智能的关键。人工智能的创始人之一麦卡锡(John McCarthy)就曾经指出,因为知识在背后支持着人的智能行为,影响着智进行决策,所必须理解知识才能理解智能行为;对人工智能的理解也是如此,这种理解就是将人工智能看作是一种应用知识去处理问题的技术,这种技术被工程化后还被更贴切地称为“知识工程”。

  作为一种知识工程,人工智能需要解决一系列围绕知识而形成的问题,如人工智能如何得到知识,这就是“知识获取技术”;知识在人工智能中以何种方式存在,这就是“知识表示技术”;如何将知识加以利用,这就是“知识使用的技术”。这些技术之间彼此关联,形成为将知识输入人工智能系统直到最后给出解决问题的答案即形成新知识的一环扣一环的运行过程,犹如一项高技术含量的工程的运行。

  人工智能作为一项知识工程,围绕知识所进行的各种技术运作又包含各自独特而重要的问题,如知识获取的关键就是机器的知识从何而来的问题,起初的做法是由人将解决问题所需的知识“放到”或“人工移植”到计算机中,由此在运行前就建立起知识库甚至专家系统(此时的知识工程就是建立专家系统的过程),机器学习算法的出现改变了这一做法,它是让机器从学习中去形成自己的知识,或是由机器感知去从外部环境直接获取知识。知识表示的关键就是知识的形式化或对知识的编码问题,即如何将知识以计算机可以“理解”或“接受”的形式(通常是由0和1组成的数字化形式)在其系统中得以储存,更具体地说说,知识需要由知识工程师转换为用机器语言承载的算法,也即知识的“算法化”、“程序化”,唯此知识才能被纳入机器中加以使用。知识的使用技术从经过知识获取及表示所建设的“知识库系统”中调用相应的知识来自动解决问题,其方式可由知识的获取方式来确定,如植入式的知识使用模式通常是“If……then……”的形式,即演绎式的形式去使用知识、解决问题;而机器学习则以归纳的方式形成解决问题(如识别对象)的模式,再以此去解决问题,所以是一种归纳模式的知识使用方式,如模式识别就是这种使用知识方式的典型。

  正因为知识在人的智能以及人工智能中的重要性,所以人工智能被加拿大学者莱韦斯克(Hector J. Levesque)定义为“基于知识的系统”1。人工智能也具有知识科学的特征,即一门关于如何在人工的机器系统上获得知识、表示知识和应用知识的科学。而从总体上说,人工智能是以知识为核心的科学和技术,它所进行的活动就是对知识信息的处理。

  在以上理解的基础上可以看到,人工智能就是在人工的技术系统中所具有的知识特征和功能,由于它能自动地应用知识解决问题,所以才具有了“智能”的属性,所以人工智能的“底层问题”就是知识问题,要理解人工智能的本质,就需要了解知识的本质。

  正因为人工智能与知识之间的这种更底层的关系,或者说“具有人的知识”在这里成为智能的象征,所以当我们说人工智能就是要“使机器系统看起来像有人的智能”时,实际上更是要使其看起来像人一样有知识,从而能用这样的知识去解决问题,呈现出智能特征。当然,有的是要求人工智能像具有专家(代表某领域知识的权威)的知识一样去处理专门问题(如专家系统),有的是要求人工智能像具有常人的知识一样去解决普通的问题(如日常应用中的诸如人脸和声音识别)。

  人工智能的发展进化,也可以从知识工程中各种技术的发展来加以展现,如从符号人工智能到联结主义人工智能的进化,就体现在知识获取技术中,从完全依赖于人的“喂入”(由专业程序员将人工智能所需要的知识编写为程序输入到计算机中);到机器学习可以实现半自动化甚至全自动化的知识获取和知识积累,对知识库进行自动的修改和更新。而人工智能进一步提升的关键或需要突破的瓶颈,也在于它是否具有更强的知识获取功能,如果解决了人工智能能够具有常识(或者能建设可满足需要的“常识知识库”)和解决问题的背景知识问题,则它像人一样灵活应对新环境、新情况去解决问题的能力就会得到质的提高,甚至走向通用人工智能的追求也可以基此而实现,所以被视为人工智能发展的一个重要环节。

  由此可见。人工智能与知识之间的关系极为紧密,正因为如此,对知识的哲学理解制约了人工智能的发展方向,人工智能的几大流派就是基于对知识的不同哲学理解而形成的;另一方面,人工智能在作为一种知识技术和知识工程的不断发展中,也触及到知识的更多属性和特征并加以“解蔽”,由此启示我们对知识可以进行新的哲学探究。

  二 知识的含义问题

  知识哲学的首要问题就是“什么是知识?”这是从柏拉图时代就开始探讨的问题。柏拉图及其后继者基于知识与意见的区别提出了关于知识定义的三要素说:“知识是确证的真信念”,即知识涉及到相信什么,且这种相信是真实的并被证明是正确的;这一界定成为知识哲学此后关于知识含义的“正统”观点。但在上个世纪60年代它遭到了美国当代哲学家葛梯尔(Edmund Gettier)的质疑,形成为知识论上的“葛梯尔问题”,也使得关于知识的哲学界定重新成为一个悬而未决的问题。

  可以说,人工智能的出现,对如何理解知识的含义又带来了新的问题,或增加了新的要素。

  柏拉图从知识与意见的差别中界定知识,从而引出了信念、真实和证成等要件;而人工智能主要从知识与数据、信息的关联和差别(如知识图谱与数据图谱的区别)中去界定知识,从而引出的数据和信息这些理解知识的新要素,使得我们把握知识的含义又增加了新的背景,即需要将知识置于同数据和信息的对比中去阐释:知识是不同于数据的,从数据中可以提取或分析出知识,但数据本身并不是知识;知识可以来自数据,但数据并不自动地就是知识,而是需要对数据进行分析加工处理后才可能形成为知识。另外,信息和知识也有关,但信息也不等同于知识(一个明显的区别是,动物之间有信息交流,但不能说有知识交流),可以说知识隶属于信息,是对信息加工后形成的更高形态的信息。当然,知识在与这些新要素结成相互理解的关系时,同时也生成了数据与信息的关系问题。

  在人工智能的运行中,数据和知识的区分是明显的,知识是已经植入到系统中的程序化的算法,而数据(此时也可视为信息)是有待输入的将要被纳入知识程序处理的对象。虽然被加工处理后的数据可以转化为知识,从而数据可以作为知识的“原料”而存在,但这只是揭示了知识对于数据的依赖关系,而不是等同关系。受人工智能中知识概念的这种启发,从知识依赖甚至来源于数据和信息的角度看,知识的这些一般属性对柏拉图关于知识的界定可以说提供了新的理解视角。例如,知识与信息的不同,从另一个角度表明了柏拉图所说的知识与意见的不同。意见其实就是一种信息,而信息有真有假,意见也有对有错,在这一特性上两者是一致的。在柏拉图的知识观中,意见需要被证实从而成为人所相信的对象时,才能成为知识;而一般的信息也是如此,需要加以验证后才能成为知识。所以知识不是一般的信息,而是被验证了的信息。

  知识与数据的关联则既对柏拉图的知识概念加以了回应,也对他所揭示的知识含义加以了拓展。今天我们知道,当一个人面对或手握数据(即使是大数据)时,不能说他就有了知识;他必须从大数据中看出什么关联或规律,即从中获得能让他自己相信的某种判断、认知或信念时,才表明他从中可能获得了知识。当然,严格地说,此时他所获得的还仅仅是信息,即从数据中“看出了”有可能揭示出某种相关性的信息,这样的信息就相当于传统知识观中的“意见”。只有当这种信息被验证后,它才可以成为可以令人确信的知识。当然,如果是一堆杂乱无章不包含任何信息的数据,则是不可能从中提炼出任何知识的。在这里,数据和信息之间也具有了特定的关系,英国著名系统理论家切克兰德(Peter Checkland)简洁地将两者的关系表述为“信息=数据+意义”,他认为由于不同的人具有不同的价值取向、信念和期望,因此,不同的人从相同的数据中,可能产生不同的信息;人们通过将意义附于或赋予数据,就产生了信息2。

  以上的分析所给出的是“数据——信息——知识”的上升链条,即数据要被信息化后才成为信息,信息要被知识化后才成为知识。人工智能将数据和信息这些要素纳入到对知识的理解,使得哲学的知识观获得了另一个视角的展开,并得到了新的印证和丰富。同时,这一链条也提出了“知识的数据和信息基础”问题,即没有一定的数据,或数据中如果不携带一定的信息,则知识无法形成。如同机器学习要形成识别某一对象的模式,如果没有数据的训练,就不可能有相应的知识形成。这样的视角对我们的启示是,哲学中的传统知识观,不仅仅要考虑到诸如“相信”“真实”“验证”这些要件,而且也要将数据和纳入知识观的视野,使知识形成的链条向更为初始的一段延伸或追溯,并看到如果没有数据和信息基础,就没有知识形成的那些后续活动。

  三 从知识的类型到知识的获取:知识习得的“专”与“通”之间

  知识的分类或类型,是知识哲学的一个重要方面,例如,我们可以根据认识论的派别不同,将知识分为先验知识和后验知识,根据学科领域不同分为科学知识和人文知识,根据知识是否可以用语言图形等明确表达出来分为显性知识和隐性知识,根据知识的新颖程度不同分为传统知识和前沿知识等等。

  人工智能则以新的视角为我们提供了知识的又一种分类,这种分类主要来自于人工智能的不同派别(即符号主义、联结主义和行为主义)对于知识获取问题的不同解决。如前所述,人工智能中的知识获取就是人如何找到计算机能接受的形式将知识存入其中,形成为计算机的内部表征,并将其组织为“知识库”,以供解决问题时的提取和使用。不同的人工智能学派对于机器如何获取知识有不同的做法,这是基于他们对知识的本质理解不同。

  符号主义认为知识是由表征客体的符号及其符号间关系所构成,知识的应用就是对这些符号及其关系进行适当的操作。这种知识的来源是标志各领域最高水平最具权威性的专家,所以建立专家系统就成为符号主义的最高成就,“开发专家系统已经形成一个叫做‘知识工程’的新学科。它提倡的是,你可以将科学家、工程师或经理人的专业知识打包汇总,并将它应用到企业数据中。计算机将有效地成为权威。”3专家系统作为知识库,是事先建立在机器中的,犹如机器有了“先入者为主”的先验性的知识,剩下的工作只是利用这些知识去处理各种具体问题,即根据一般知识得出具体结论,所循的是演绎性的信息处理过程,所体现的对知识的理解,则是符号化、逻辑化、规则化进而可以形式化的理性知识,或者知识就一套抽象的符号演算系统。

  联结主义将知识与人脑的神经元及其复杂的联结方式关联起来加以理解,认为知识存在于神经元的联结及其并行运动之中,是高层网络联结活动的结晶,不同的神经联结(包括不同权重的联结)状态负载着不同的知识,所以人工智能要具有知识的功能,可以通过建造一套人工神经网络并在其中调整所需要的联结权重参数来实现,由此形成的知识则是分散地存放于神经网络的连接权值中。这种参数的调整或某种特定的人工神经网络联结状态的形成,就是机器的“学习”过程,这种学习过程也可以通过人的“训练”来完成,此为“有监督学习”,犹如学生在老师指导下的知识学习;它也可以不经人的训练而自我完成学习的过程,犹如人的“自学成才”,此为“无监督学习”。无论哪种方式,都是模仿人一样去通过学习和积累经验而形成知识,这是一种更具有智能特征的知识获取方式,尽管是经过简化了的方式,所体现的是一种通过归纳的过程使个别性的经验或碎片性的知识整合为一般的知识或具有模型意义的知识,进而可以从事模式识别之类的知识应用活动。

  行为主义则将知识视为在感知环境基础上进行决策行为的一种技能,而不是符号或联结权值表示出来的某种抽象的东西;知识的获得是行为者在感知刺激的过程中去自适应和自组织自己的响应方式,从而以适当的行为去加以应对的结果,所以知识就是行为主体与环境交互时所需要的东西。基于这样的知识理解,行为主义范式人工智能的知识获取技术是让机器在行动中通过对环境的感知来抽取特征,并用其来修正行为;这个过程中还通过成功则奖励的“强化学习”算法来加以积累,并稳定化为可以控制有效行为的知识。这样的知识其实是侧重于它所具有的引导和控制行为的功能,类似于人在“干中学”或“实践出真知”的知识习得方式,它建基于这样的知识观:能使人有效地与对象打交道(合目的地改变对象)的认知就是知识。

  这样,人工智能的三个流派所采用的三种知识获取技术,体现了对知识的三种有区别的理解:符号主义将知识视为可先在地植入于智能系统之中,然后依据这些前提性的知识进行推理、计算、证明和预测之类的知识活动;联结主义认为知识是只有通过某种训练(学习)后才能达到的状态;而行为主义将知识行动化、身体化和语境化,反对抽象化和模式化地看待知识。其实这三种理解知识的方式都有各自的合理之处,再承接前面的考察,如果承认人工智能是一门应用知识解决问题的技术,就需要对知识的含义有更开阔的视野,或从分类上可以启发我们看到:能告诉我们如何进行推理和计算的是知识,能告诉我们如何观察与收集信息(数据、资料等)的也是知识,能帮助我们应对环境、与对象客体进行有效互动的同样是知识。于是知识至少可分为理性知识、经验知识和行为知识。

  当然,人工智能中知识的三种获取技术也都有自己的局限性,类比于人的知识习得方式来说,这三种方式在人那里都有表现,因为人的知识(包括能力)有的确实来自于先天的遗传,有的则来自于后天的学习,而这种学习如果是“干中学”,就是来自于人的行动。由于在人那里这三种知识的习得方式是可以集合于一身的,所以人所具有的知识习得通道是“联通”的,而目前的人工智能则是分离的,由此形成的也就只能是“专用人工智能”。如果能在机器中设计出通用算法来“打通”这些不同的通道,则像人一样具有全面知识能力的通用人工智能就可以出现。

  然而,目前对通用人工智能是否能实现尚存争议,不同的算法本质上是可融合的还是冲突的,也见仁见智;而且对人工智能的专用和通用的利弊也各有看法。目前专用人工智能在各自的领域所具有的用知识解决问题的“单向”能力可以说有了极大的发展,其局部能力甚至远超人的能力,如记忆力、计算力、识别力等等就是如此。如果追求获得一种所有能力都具备的通用人工智能,会否因“通而不专”而显得总体能力的弱化?如同在目前发达的机器动力技术中,各种专用的发动机可以使各种不同的机器高效地运转和为人工作,如果设计出一种到处都能使用的“通用发动机”将会是什么情形?这或许是一种新的启示。

  在人工智能技术上可能出现的这种知识的专用和通用的问题,可以启示作为知识真正主体的人如何面对与处理知识的“专”与“通”之间的关系问题。在人那里,知识的“专”和“通”之间常常是各有利弊的,“专而不通”或“通而不专”的不能兼顾随处可见,“专才”和“通才”孰轻孰重也难有共识,但可以肯定的是,它们对知识的传播和发展,各有不可取代的价值,既不能以专贬通,也不能以通废专。当然,如果在算法融合的基础上走向了知识获取的“全能方式”,由此也启示人的知识习得需要多种方式的兼容,人的知识能力才会有新的增强。可以说,这也是在人的知识状况和人工智能的知识状况之间形成的一种互相启发的关系。

  四 知识的意义问题

  “意义”对应着两层含义,一是作为significance的意义,在这种含义上,知识对人的意义重大,例如,懂得一定的(谋生)知识是人能够生存下来的条件,也是人类能够不断在文化上进化的基础;今天,掌握更多更新的知识则是人谋求更大发展和自我实现的手段。而对于人工智能来说,知识则不存在这方面的意义,因为“在当下,基于生命体与非生命体之间的界限,人工智能都不可能具有跟人类一样的人性”4,也就是说,人工智能(至少在目前的阶段)没有自我意识,只是人的无意识的工具,没有它“自己”要实现的追求。

  知识的“意义”还有作为meaning的意义,这就是知识的内容,或知识的语义。对人来说,所谓“有知识”,是指人懂得知识的语义内容,并在此基础上发挥知识的价值,进一步产生出作为significance的意义。但对于人工智能来说,虽然它通过技术手段“获取”了知识,并且在其内部得以储存,甚至还被其自动应用,但机器真的就像人一样“懂得”这些知识吗?它真的“知道”了什么吗?机器所获取的知识和人所懂得的知识是一回事吗?或者说,哲学家心中的知识和人工智能专家心中的知识是一回事吗?

  就其机制来说,人工智能并不像人一样“懂得”这些知识,知识对机器来说,只意味着一串串的符号,它能“理解”的,也只能是形式化的符号或符号化的形式。知识工程中的知识,是人输入的抽象符号串,即抽调语义后的纯形式的表征系统,这种去掉语义的符号表征对人来说就不是知识,因为它没有语义内容;当我们仍称其为“知识工程”“知识获取”“知识应用”时,就使在“非人”的意义上使用知识。如果基于某种考虑而认可其为知识,那么就需要提出“知识存在的两种状态”:随附于人的知识与随附于人工智能的知识,后者是前者的一种形式化表征。这些形式化表征有的是作为规则在机器中发挥作用,它们规定机器进行电路的开或关的操作,无穷多这种操作的组合系列,就形成为在人看来的“信息处理”,也就是体现为符号串变换的“计算”,最后在效果上达到了似乎是运用知识后产生出来的结果,如推理的结果、预测的结果、识别的结果、形成特定动作的结果……人工智能机器内部的上述运作过程,无非是在人工条件下的电子或电路受控运动的结果,而绝不是机器系统在“懂得”知识内容的基础上所进行的知识加工或知识应用的活动。

  这样,无论是哪种意义上的“知识的意义”,人工智能都是与其无缘的。而当知识与意义脱钩后,知识还成其为知识吗?或者说,由于人工智能获取的是无意义(内容)的知识,这种知识的应用也必定大打折扣,所以关于人工智能中“符号落地”的问题才如此受关注。如果人工智能中的知识并非真正意义上的知识,只是一些脱离了语义的符号,那么当我们说人工智能是一种知识的技术或关于知识的科学时,其中的“知识”就无非是一种隐喻性的说法,就如同人工智能中的“智能”也仅仅是一种比喻一样,而并非说机器可以具有跟人一样的智能。

  对人工智能是否拥有智能的探讨中,也出现了一种功能主义的立场,认为只要从功能上实现了智能的效果,就可以视人工智能拥有了智能,图灵就是这一主张的先驱。类似地看,我们也可以从功能主义的视角,根据人工智能由于相关的程序或算法的植入而可以进行推算、证明、识别、与环境互动等,从而认为人工智能是“有相关知识”的,因为对人来说,没有相关的知识就不会做上述事情,但机器如果能够做上述事情,就可以从功能上认为它“有知识”。

  这样,就引出了知识的功能定义问题。从人工智能的角度看,知识无非是知道在什么条件下怎么去进行推算、识别和行动的指令,具有知识的功能就是具有能行这些事情的效果。

  知识的功能定义如果反推到人身上,就可能出现这样的情况,在有些人那里,可以“不懂知识而能够应用知识”,这就是塞尔的“中文屋”所隐含的情形:不懂中文却可以使用中文。于是“懂知识”和“用知识”似乎是可以分离的,知识的效用问题似乎处于更重要的位置。人工智能中的大量知识活动就是在不懂知识中的使用知识,如AlphaGo会使用怎么下围棋的知识,但并不懂相关的棋理知识;人工智能应用于医疗中,可以根据身体检查的数据以及比人更精准地读出其中的信息而比医生更精准地诊断病症,还可根据药物对疾病疗效的统计数据来确定药物的使用方案,尽管它并不懂得得病的原因和药物能够治疗相关疾病的机理方面的知识(这种情况在人那里也会发生)。就是说,人工智能不是从对因果性的理解和把握的基础上掌握决策的根据,而只是从相关性分析中统计出一种数据意义上的最优方案,所进行的是一种纯计算,也就不涉及到“懂得”和“理解”的问题。这样一来,知道知识的含义(内容)并不一定是有效地应用知识的必要条件。知识的传统分类中,一类是告诉人“是什么”的知识,它是可以使人“懂道理”的理论知识,还有一类是告诉人“怎么做”的知识,它是指导人去解决问题的技能知识或方法知识。目前的人工智能主要是在获取后一种知识上不断进步,算法或程序就是这一类知识的形式化系统,因此人工智能也就可以说回避了“懂得”“理解”之类的知识问题。如果机器真正实现了对知识的“懂得”和“理解”,即全面地实现了知识随附于人的那种状态,就是所谓强人工智能时代的到来,而这样的时代是否真正能到来,如前所述,还是一个颇具争议性的问题。

  五 知识活动中的人机合作与分工问题

  以人工智能为载体的知识活动,知识形成的方式发生了新的变化,人工智能的水平和功能成为某些知识是否能被发现的决定性因素,它还将某些知识的创造(或生产)变得像流水线作业一样的过程,进而呈现出自动化的特点,这就是人工智能中知识生产的自动化问题。它是人工智能的知识功能不断扩展的必然结果:从辅助人的知识活动(帮助人查到知识、记住知识、应用知识),到帮助人发现知识和创造知识,直到它可以自己生产出知识,此时的人工智能具有人所不具有的优势,甚至可以发现人难以发现的知识。

  当然,人工智能中的知识发现和生产,也有不同的方式和层次,有的是对知识的自动编辑(如维基百科中的机器人编辑技术),有的体现为机器写作或文本生成(如基于人工智能的新闻稿自动生成、模仿某一作家风格写出小说、诗歌等),更多的则是自然科学中自动发现新的自然现象,其中还涌现了多种“自动发现”的方法,如英国几所大学的学者们所探索的“自动发现和优化化学过程的新方法”(剑桥大学)、“自动探索数学理论的MATHsAiD项目”(爱丁堡大学和格拉斯哥大学)以及用于对生命诞生过程进行探索的以人工智能为核心的自动化实验设备(格拉斯哥大学)。这些成果表明了人工智能对于辅助人类的科学发现大有用武之地,以至于未来的科学知识发现从数据采集到数据分析和做出结论,都可以在高度自动化中得以完成5。目前,“机器学习”和“数据挖掘”等人工智能的新算法和新手段,正在发展成为自动化的知识发现系统,它无需人的介入就可以把混杂的数据自动地转化为对人来说有意义的知识,这也可以看作是机器靠自己的学习而总结出了知识;人工智能借助日益强大的算力、算法和更加充足的数据,可以发现人所不能发现的相关性以及建基其上的新知识。

  那么这种自动化的知识生产,是否意味着人工智能也可以像人一样进行知识的创新?目前对此问题还有争议。如果人工智能具有了这样的功能,那么它的地位是否就从传统的计算机只能充当知识发现的辅助工具,发展成为可以独立进行知识发现和创造的新的知识主体?

  当然,至少在所谓强人工智能出现之前,我们还不能称这样的知识自动发现系统为真正的认识主体,它所能发现的知识,甚至也和人所能发现的知识具有不同的层次。总体来说,人工智能擅长发现基于数据统计而揭示相关性的知识,难于发现揭示出因果性的知识;人工智能可以通过相关性的揭示而进行决策,形成怎么做的知识,但难于揭示基于因果性的为什么或机理性的知识。例如,如果将丹麦天文学家第谷·布拉赫(Tycho Brahe)进行了20多年的天体观测所积累的大量数据资料提供给具有一定算力和算法的人工智能,它也有可能发现开普勒的行星运动三定律,这是因为开普勒定律揭示的主要就是行星运动若干特征(如速度、距太阳的距离等)之间的相关性(如距离太阳越近时行星运动的速度就越快)。但是人工智能很难进一步发现造成这种相关性的原因:牛顿的万有引力定律。通常来说人工智能取得相关性知识主要是用统计手段来完成归纳,所进行的是理性的计算,而人所取得的无论是相关性知识还是因果性知识,除了计算推理外还会有灵感、顿悟、直觉等非理性因素的参与。所以至少在目前,人工智能只能被视为性能更强的辅助人进行知识创造活动的工具,或者还可以视其为人机合作的知识活动方式。而有合作就有分工,在这个新的系统中如何进行人和机器之间的分工就成为我们更应该关心的问题。

  目前知识生产的自动化可以说还是局部知识生产的自动化,多限于那些常规的、重复的、较低层次的知识生产领域,但即使这样,对人的意义也是非常重要的,它使得我们可以从中解放出来,转而将主要精力用于更符合人的本性的具有更高的创造性含量的知识活动中去,使人的人生价值得到更大的实现。

  知识活动中的人机分工与合作,更理想的前景就是两者之间的互补和融合。例如,就人工智能的记忆能力来说无疑远胜于人,但为什么人工智能的知识还是远不够用?尤其是和人所具有的常识来说,人工智能更是远不如人。鉴此可以设想在知识的记忆上进行一种人机合作,人以自己的常识和本能知识等来弥补人工智能这方面的知识不足,而机器则以自己海量的知识储存来弥补人脑的不足,这样可以各施所长,互补其短,知识成为人和机器联结的纽带。这种结合的更为便捷的方式还可以通过脑机接口技术来实现:当人脑接上具有强大知识记忆和发现功能的人工智能系统后,当这样的人工智能系统随附于人脑或作为人的“外脑”而存在时,甚至这个“外脑”还可以“浓缩”为芯片植入人脑而成为人脑的内部组件,由此而形成的无疑是前所未有的“最强大脑”,其中的知识量是全人类知识总和的水平,对新知识的发现能力也将强于人机分离时单独的人或人工智能系统,由此知识的发现、生产和和创造将进入一个全新的时代。

  注释

  1[加]赫克托·莱韦斯克:《人工智能的进化》,中信出版集团2018年版,第143页。

  2Peter Checkland,Sue Holwell:Information,Systems and Information Systems:making sense of the field,Chichester:John Wiley & Sons Ltd.,1998,p.90.

  3[美]约翰·马尔科夫:《与机器人共舞》,浙江人民出版社2015年版,第128页。

  4张今杰:《“奇点”是否终将来临?——从“人性”的观点看人工智能的崛起》,《求索》2018年第5期。

  5Wolfgang Pietsch:“Big Data——The New Science of Complexity”,In [2013] 6th Munich-Sydney-Tilburg Conference on Models and Decisions,Munich;10-12 April 2013,pp.4-5.http://philsci-archive.pitt.edu/9944/1/pietsch-bigdata_complexity.pdf,2013.

作者简介

姓名:肖峰 工作单位:

转载请注明来源:中国社会科学网 (责编:马云飞)
W020180116412817190956.jpg

回到频道首页
中国社会科学院概况|中国社会科学杂志社简介|关于我们|法律顾问|广告服务|网站声明|联系我们
中国社会科学院概况|中国社会科学杂志社简介|关于我们|法律顾问|广告服务|网站声明|联系我们