AI技術與人類主體想象
——基于人工直覺在線討論的研究

雅克布·約翰森 王 鑫

一、引言：AI、神經形態硬件、人工直覺

AI在媒體上的討論越來越多，很多廣為流行的專業網站上的相關探討涵蓋了AI發展的最新趨勢和觀點。AI被認為是正在進行的一項具有重大意義的技術開發，人類正身處其中[1-3]。但是，正如Goode指出的那樣，這種討論的特點往往被“神奇的思維”左右，夸大和夸張的宣稱其實與事實并非相符。[2]正是AI的“情感效力”[2]激發人們對其的普遍看法，顯示出作者對這項技術的驚奇、熱情和恐懼。本研究并不把重點放在AI的準確性、作者的情感投入或受眾對AI的潛在反應上，而是遵循另一目標：通過考察當代AI的兩個特定趨勢或方面(而非AI整體)時，旨在分析神經形態硬件和人工直覺的熱門文章中闡述了人類主體的哪些觀點。這種關注促使人們能夠對人工智能的具體發展和討論進行深入審視，并從根本上關注AI與人類、化身、意識和直覺等之間的關系。這一目標被視為關于AI和人類之間不斷變化邊界的更廣泛的討論，特別是在邏輯和直覺方面，人類大腦的功能也激發了AI硬件的開發。正如研究者對人工直覺和神經形態硬件的討論所認為的那樣，AI試圖模仿和采用人腦的特征，并且兩者都讓AI看起來比現在更高效、更自主、更人性化也更靈活。本研究討論的數據表明，AI可以從人類的大腦、人類的情感和人類的直覺中學習，建立在這些功能之上的AI可以比人類的大腦更好、更先進。雖然這些觀點體現了AI社區中許多人的意愿，他們希望人工智能可以像人類一樣，比人類自身更高效地執行任務，但是這些觀點并沒有對AI的透明性、可解釋性和可問責性等問題給予足夠的重視。

關于AI，有許多定義[4]。比如，AI是指“對從環境接收感知并執行動作的智能體的研究”。[4]通常是指機器，比如數字計算機。Turner將AI定義為非自然實體通過評估過程做出選擇的能力。[5]對Turner來說，非自然指的是人造的和機器制造(例如，當AI系統創建其他AI時)。而《大英百科全書》將AI定義為“數字計算機或計算機控制機器人執行與智能人相關任務的能力”。[6]在這個意義上，智能生命就是指人類，他們有能力“推理、發現意義、概括或從過去的經驗中學習”。[6]雖然AI技術自20世紀50年代以來一直在發展中，但近年來，在模擬人類認知特征方面，AI的復雜性有所提高。[7]總的來說，AI在過去10—15年里成長迅速，是得益于物聯網[8]的發展，以及數據處理和基于傳感器的技術在不同領域的廣泛進步。AI的普遍存在，促使人文和社會科學領域對此的學術討論不斷增加，也得到了新聞傳播學界、業界對AI的廣泛關注。鑒于人工智能技術試圖模擬或模仿人類行為(如解決問題、認知能力或模式識別)，并提升人類的這些特征，特別是AI被視為具有復制和提高人類大腦的核心能力，它理所應當地會吸引學者和記者的大量關注。不過，“即使有一臺幾乎擁有無限能力的電腦，人類仍然不知道它如何達到大腦的智力水平。”[4]然而，在開發AI技術時，一方面，AI的某些部分試圖尋求建立在人類大腦的結構和能力之上，例如，人工神經網絡建立了大腦活動的數學模型；與此相反，思考大腦有助于擴展技術概念的范圍。[4]本研究基于AI當前發展的趨勢和狀態，重點關注兩個以“人”作為發展藍圖的方面，即：神經形態硬件和人工直覺。兩者都被視為當前討論AI趨勢的范例，并且這些趨勢在一些關注技術發展的網站上被廣泛熱議。

人工神經網絡是以人腦為模型。這些軟件，通常是由能夠“通過從數據中學習解決方案來解決問題的自我設計”的算法組成[9]。這些系統“學習”執行任務，不需要監督，也沒有特定的規則。比如，在圖像識別中，通過人工分類的圖像訓練，可以對圖像進行分類。與此相關的是神經形態硬件的最新發展，也是模擬大腦結構和生物神經網絡，這被認為是AI的重大發展。[10-11]

傳統的中央處理器(CPU)處理指令基于“時鐘時間”——信息以固定的間隔傳輸，就像由節拍器管理一樣。通過將神經元的數字等高線封裝起來，神經形態學就可以利用“尖峰”(需要時就可以發送的突發電流)進行并行通信(而且不像計時的時間那么死板)。就像我們的大腦一樣，芯片的神經元通過處理傳入的電流來進行交流——每個神經元都能從傳入的脈沖決定是否向下一個神經元發送電流。讓這成為一件大事的是，這些芯片處理AI算法所需的能量要小得多。[12]

與神經形態硬件和神經網絡相比，人工直覺還處在起步階段[13-15]，尚未實現。一些觀點認為它將“取代”AI[16]。雖然有對人工直覺的炒作嫌疑，但這使分析變得更加有趣，因為它既試圖被創造，也被設想如何成為現實。人工直覺是指AI系統做出直觀選擇或對問題做出直觀反應的能力[14]。AI在計算機科學中的探討和研究，也引起人文學者的興趣。這可以被看作更廣泛的跨人類/后人類[17-19]和“非人類轉向”[20]研究的一部分，從不同視角研究了主體和客體、人類和機器之間的關系[7-8，21-24]。N.Katherine Hayles在最近的一本書中提出了這樣的觀點：人類和計算技術，如AI驅動系統，都具有認知能力。Hayles特別關注認知與她所聲稱的無意識認知之間的關系。無意識認知是指在神經元層面上的過程，這些過程對意識是不可接近的，但對意識卻是至關重要的。機器本身并沒有意識，盡管如此，它還是能夠進行無意識認知。無意識認知和直覺兩者之間有一些相似之處[7]。根據這一觀點，AI的未來可能是這樣一種情況，其特征在于機器能夠比人類更好地思考，這是由于無意識認知的直覺方面(另見[25])——正如看到的那樣，AI行業和大眾評論同樣對這一前景有了新的預期。

事實上，只有少數學者關注和研究AI是如何在流行網站被構建，尤其是通過這種敘述所展示的人類形象[1-3]。來自人文學者們對計算技術和AI的批評更為普遍，但是他們關注的只是理性，忽視了人的本質和模仿人類特征的其他復雜性[26-31]。目前還沒有研究關注神經形態硬件和人工直覺在更廣泛的科技界是如何被討論的。

本研究選擇了神經形態硬件和人工直覺這兩種現象，前者是硬件的開發，后者則是基于代碼的開發，作為AI技術的兩個重要方面，二者也是相互關聯的。筆者重點考察這個問題在面向非專業受眾的公共網站(如Wired或Ars Technica)上是如何被討論的。貫穿和引導數據收集和分析的主要問題是：在關于神經形態硬件和人工直覺的熱門文章中，對人類主體的看法是什么？為了對數據進行定性、詳細的內容分析，本研究采取小樣本的分析方法，即選擇谷歌搜索前兩頁的文章。這些文章是2019年5月通過谷歌搜索關鍵詞“神經形態硬件”和“人工直覺”獲得的。雖然大樣本可能是有益的，但本研究以實證分析為主，輔以相關理論闡釋，著重于詳細的討論，因此數據量有限。本研究依據內容并按主題劃分共討論了七個網站，這些主題涵蓋在接下來的分析中。

二、AI對人腦的模擬與超越：關于大腦內外神經形態硬件的討論

毫不奇怪，本研究參考的網站幾乎都提供了神經形態硬件現象背后的功能和技術解釋。比如前面提及的在Wired[12]和Ars Technica的引文中，都是參照人類大腦來解釋這一現象：

該芯片包含100萬個“神經元”，每個神經元由一組數字晶體管表示，以及2.56億個“突觸”，也就是它們之間的有線連接。兩個特性使芯片比傳統芯片更高效。首先，像大腦一樣，它通過“尖峰”(spike)進行溝通，也就是從一個神經元向下游神經元發送一個大小的信息包。因為它可以這樣通信，所以信號很簡單(尖峰或沒有尖峰)，而且只有在神經元傳輸數據包時才偶爾傳輸。第二，和大腦一樣，處理和記憶是同時定位的——在神經元和它們的突觸中。在傳統的計算機中，處理單元不斷地從不同的內存區域獲取信息，對其執行操作，然后將新信息返回到內存中，這導致了大量緩慢而浪費的通信。[32]

上述引文的驚人之處在于，盡管人類大腦和神經形態芯片之間存在著一種隱含的區別，而這種區別部分是由大腦的某些神經功能所激發的，但通過將兩者等同起來，這種區別就被打破了，“神經元的等價物”使用“尖峰”。突觸、神經元和尖峰都是人類大腦功能的基本方面，盡管它們在描述神經形態硬件時都被用引號括起來，但這些術語仍然被使用。“神經元的數字等價物”“就像我們自己的大腦一樣”和“就像大腦一樣”的表達方式表明，這種技術已經直接模仿了人類大腦。它不僅受到神經元如何交流的啟發，還有效地重現了芯片中大腦功能某些方面的技術性。這是該技術的一個重要框架，因為它等同于人類大腦和用于AI的硬件。在現實中，一些外部的東西(人類大腦)已經通過技術被模擬出來，并且廣泛地用于展示神經形態硬件是如何像人類大腦一樣[1]。這一框架暗示人類大腦的復雜性已經在硬件上被成功地再現和模擬了。一個硬件(神經元、突觸、尖峰)被映射到另一個硬件(芯片、電子、瓦特)上。這些公式已經揭示了科技行業內外許多人的固有信念，即計算機技術可以成功地采用和調整大腦的高效神經元動力學，以實現其自身的目的。這是否屬實，仍有待商榷。從上面的引文中，人們會認為大腦實際上比AI在信息傳輸的效率和經濟使用方面更好。神經形態芯片比傳統芯片更高效、更節能，因為這種芯片消除了一些活躍的或者不活躍的“無用”通信。人類大腦和AI硬件的這個等式在下面的引文中得到了進一步的證明：

神經形態計算的靈感來自人類大腦的功能，目前人類大腦在所有需要創造力或將知識轉移到其他問題上的表現仍然優于機器。此外，人腦的能量效率令人難以置信，僅使用約20瓦[2]。大腦中主要的計算單元是神經元，成年人大腦中大約有1000億個神經元。這些神經元由超過15萬公里的神經纖維和150萬億突觸[4]連接，使大腦結構大規模并行。作為對比：截至2017年11月，世界上最快的超級計算機擁有10 649 600個處理器內核，使用15 731kW的能量[4]。單個CPU核心可以執行的計算量不能與單個神經元執行的計算量直接比較。然而，特別是在人工智能的應用中，人類的大腦可以作為一個非常強大和高效的計算系統的藍圖。[33]

Sherry Turkle早于2005年就指出，自從個人電腦在人類日常生活中獲得如此基本的功能之后，個體就開始用電腦和數字技術的功能來描述他們自己和他們的思想[34]。類似的情況發生在上述引自Wired，Ars Technica和MI Garage的文章描述中。大腦(據說)像電腦一樣有效地運作，所以這些功能可以轉移到硬件上。它的“主要計算單元”是神經元。然而，在這一點上，大腦仍然是一臺比任何以它為模型的硬件更好的計算機，或者在技術上更先進。當涉及像解決問題這樣的復雜任務時，它的表現“優于”神經形態計算；它也是節能的，它使用瓦特就像計算硬件一樣。從上面的引文中可以清楚地看出，大腦可作為能量和信息傳輸效率的藍圖。考慮到AI的最終目標是在本體論和認識論，或者說硬件和軟件方面復制人類智能，這或許并不令人意外。但這樣的方程式是否能同時反映人腦的復雜性，以及更廣泛意義上作為研究對象——人的復雜性，仍然是個問題。稍后我們將更詳細地討論這一點。前面引用Wired同一篇文章的另一段內容討論了在計算機上模擬的復雜大腦模型Spaun：

Spaun證明，計算機可以與環境進行流暢的互動，并執行類似人類的認知任務，比如識別圖像和控制機器人手臂記錄它所看到的東西。這臺機器并不完美，但它是一個驚人的證明：有一天，電腦可能會模糊人類與機器認知之間的界線。[12]

另一個評論者寫道：

隨著AI的成熟，在日益沉浸和復雜的場景中開發和訓練這些系統的需求成為進展的主要關注點。我們知道，AI領域的最終目標是生產出一種通用人工智能(AGI)，它在人類努力的所有領域都能超越人類，我們需要建設一個足夠富裕、足夠大、有足夠多復雜實體的世界，以實現這一發展的最大化。[35]

這些引述表明，AI的未來指日可待。在未來，計算機將對人的大腦進行充分的模擬。計算機能“執行類似人類的認知任務”，哪怕是相當簡單的任務。然而，目標是明確的：AI必將超越人類的認知能力[7]，這樣的敘述以一種必然面向進步的方式構建了AI。AGI只是一個用足夠的數據創建足夠復雜的環境來訓練系統的問題，更好和更復雜技術的因果關系已然建立。(實際上，Artificial Mind的研發者并不認為這是一個需要足夠多數據和復雜的環境訓練就能夠解決的問題，而是使用不同于現有AI的新的計算機語言才有可能實現)人類的大腦，無論多么復雜和聰明，最終都會輸給AI。然而，我們還沒有做到這一點：神經形態硬件(以及軟件)目前只能完成特定的任務。例如，曼徹斯特大學的SpiNNaker(Spiking Neural Network Architecture)項目被命名為能夠找到“數獨(sudoku)的解決方案……或者用四種顏色給地圖上色，而相鄰國家的顏色不相同……”[36]。或如下述：

傳統上，編寫計算機程序需要編寫循序漸進的指令。例如，教計算機識別狗，可能需要列出一組規則來指導它的判斷：看看是不是動物；檢查它是否有四條腿；檢查它是否比貓大、比馬小；檢查它是否吠叫等。但良好的判斷需要靈活性，如果電腦遇到一只不會叫、只有三條腿的小狗怎么辦？那么，也許需要更多的規則，但是為計算機做出的每種類型的決策必須列出無窮無盡的規則并重復該過程是低效且不切實際的。[32]

AI需要更多的靈活性，更多的跳出框框的思考，而不是將特定的問題與規定的解決方案或屬性進行比較。有一些人提倡，值得探索的解決方案可能是人工直覺。

三、人工直覺和AI的人性化：直覺理論與人工直覺的技術邏輯想象

(一)關于直覺的理論敘述

關于“直覺”這個術語有很多角度的討論。本研究主要借鑒文化研究和情感理論中對直覺的定義(關于這個術語的廣泛討論，請參閱Chudnoff，2013[37])。從歷史上看，直覺作為一種較低或相對沒有價值的認知形式，常常被置于理性的對立面。性別歧視的話語將直覺與女性聯系在一起，女性的邏輯思維能力會更弱，因為她們被認為比男性更情緒化[38]。直覺依賴于個人的主體性，因此每個人的直覺都是不同的。直覺通常被理解為一種經驗和感覺的認知形式，而不是完全有意識的認知。它通常與“直覺”“預感”或“有某種感覺”等術語聯系在一起。直覺指的是一種身體狀態或經驗，在這種狀態下，個體的行為不必有(經驗的)證據或證據；它是一種轉瞬即逝的東西，被跟隨或傾聽，然后可能在并不能充分理解原因的情況下付諸行動；直覺還指一種即時的經驗模式，在個體完全沒有意識到和認知到之前，就已經發生。這與某些情感理論是一致的，這些理論強調的是具身體驗，這些體驗主要是感覺到的，而不是人類身體完全了解的。情感指的是身體在有意識地了解或反思這些經歷之前，在感官上受到影響的能力[22，39-40]。然而，直覺并不反對理性，也不與理性相矛盾，它指的是本能的感覺。Greg Seigworth曾寫道，“通過直覺能力的經驗和實驗……超越或溢出智力”[41]。對于Pedwell來說，直覺是在將其轉化為表征性和分析性思維范疇之前的具體經驗[42]。當然，關于直覺的理論敘述無論是在哲學家或者文學理論家那里還有很多，根據本研究的需要，在此不再贅述。目前，AI仍然是基于邏輯通過算法來實現認知和理解的，但人類不僅具有邏輯認知，還具有超越邏輯和語言限制的直覺。

(二)關于人工直覺發展的技術想象

直覺最近引起了AI領域計算機科學家和評論者的極大興趣，在某種程度上，這也與神經形態硬件有關。直覺和它被普遍理解的方式似乎是AI一個重要的邏輯組成部分：

我們希望機器能夠憑直覺思考的一個原因是為了我們的安全。應用人工直覺的一個很好的例子就是自動駕駛汽車或自動駕駛設備。搭載AI軟件的機載傳感器一直是這些系統的工作方式，但在某些情況下，它們仍然容易發生事故。通過人工直覺，自動駕駛汽車可以預測道路上可能發生的不可預測的事情。[43]

考慮到最近發生的自動駕駛汽車事故，人們可能會同意上述說法，以及AI驅動系統需要更直觀地發揮作用，而不是像目前這樣死板、容易出錯。在上面的引文中，直覺被設定為具有靈活性和動態性的特征，這是至關重要的。但機器憑直覺思考到底意味著什么呢?基于這些評論，直覺是如何被理解和構建的?

在游戲中，我們已經看到許多早期成功的深層強化學習算法的初步部署，比如DeepMind的AlphaGo Zero已經掌握了超越任何人類玩家能力的圍棋和國際象棋棋藝，顯示出人類從未考慮過的戰略洞見。例如AlphaGo Zero并沒有遵循通常控制人類游戲的Reinfield值(國際象棋棋子的具體值為：棋子=1，騎士=3，皇后=9等)，而是優化棋盤位置，幾乎完全忽略棋子值。有趣的是，這源于它自學而不是觀察人類游戲的能力，從而避免了人類偏見的污染。然而，在這個過程中，AlphaGo Zero產生的性能比任何其他國際象棋引擎都更人性化，它更依賴于啟發式或直覺，以達成一個聰明的戰略，而較少考慮棋局的位置。[35]

雖然對AI直覺系統的需求是可以理解的，即使不存在術語上的矛盾，但問題仍然存在。雖然人類的直覺是基于經驗和積累足夠多的“數據”，在給定的情況下憑直覺行事；但當一個人憑直覺行事時，數據或經驗是如何以及為什么被利用，遠比之前描述的要模糊和復雜得多。AlphaGo Zero(主要基于神經網絡)或許能夠更直觀地行動，并自學新的策略，但這與人類的直覺并不相同。事實上，正如Paolo Bory所討論的那樣，最初的AlphaGo(AlphaGo Zero的前身)擊敗世界冠軍的舉動被認為是創造性的，甚至是漂亮的。實際上，它與人類并不像。“(比賽)第二天，DeepMind透露，AlphaGo之所以決定下這一步棋，是因為人類棋手下這一步棋的可能性是1：10 000。”[3]。對于AI“決定”執行某一特定動作的解釋，根植于邏輯而非直覺。對概率的計算導致了一個特定的舉動，導致人類玩家的失敗。這是一種創造性的形式，但不是直覺，它看起來是實用的，更重要的是，對其他人來說是可以解釋的。AlphaGo的這種非人類特征在它的下一個版本中得到了進一步的發展：

經過僅3天的自我訓練，AlphaGo Zero就強勢打敗了此前戰勝李世石的舊版AlphaGo，戰績是100：0。40天后，它以90%的勝率擊敗了最先進的AlphaGo原始軟件。通過不使用人類數據——不以任何方式使用人類專業知識——我們實際上消除了人類知識的限制。因此，它能夠根據基本原理創造知識；從零開始。這使得它比以前的版本功能強大得多。[43]

無論AlphaGo Zero的動作多么接近直覺，它用來自我學習的數據仍然可以獲得。它“有意識地”地進行自我數據學習。也許“靈活性”比“直覺”在這里更合適。雖然目前的AI可能(仍舊)無法實現接近人類直覺復雜性的直覺能力，但上述討論提出了有關意識和對AI的無意識認知的相關問題。在此引入一些其他數據來更詳細地討論這個問題：

直覺更多地與直感有關，而不是經過計算的決策過程。直覺和智力不一樣的。它們實際上是兩個不同的認知過程。智力是建立在已知的基礎上的，而直覺是處理未知的。直覺更多的是基于感覺，而智力則是依靠邏輯。人類可以根據他們的感覺做出決定，而不一定是合乎邏輯的。計算機不像人類那樣有情感，對一臺機器而言，由于只是二進制的，在做決定時使用“直覺”是相當了不起的。[43]

但是，直覺確實是一種認知的形式，也是一種智力的形式，盡管對文化理論家來說，直覺不是邏輯，也是完全不需要計算的。計算機是否能夠基于直覺做出決策，這個問題很重要，因為它可能會為自動化系統提供更多的動力。例如，一個預測性的警務軟件標記了一個通過閉路電視攝像機接受調查的人，不是因為該人的臉基于現有數據庫更容易被識別；而是因為該軟件的直覺判斷，不是基于現有的知識/數據，而是基于一些未知的內容。這顯然引發了重大的倫理問題，因為無法提出正式證據來解釋為什么這個人會被軟件標記出來，然后被警方逮捕。直覺幾乎不能成為一個有效的理由。另一方面，如果一輛自動駕駛汽車突然停了下來，因為它能感覺到一個行人可能會跑到汽車前面，直覺會非常有效。下面的討論呈現了類似的困境：

首先，直覺僅僅是不依靠完整的知識而做出的正確決定的標簽。如果人們是直覺的，我們是可以接受的，事實上，我們也提升其價值并欽佩它們。但是我們對機器做出涉及直覺、模糊或不完整數據的決定的前景感到不安。如果直覺只是一堆我們沒有意識到的變量呢?[44]

答案可能是讓AI更加富有情感和人性化。

科學家們把傳感器放在人們的手指上，記錄他們在駕駛模擬器中的脈搏，以此作為衡量清醒程度的標準。算法利用這些記錄——四個人共用80分鐘——來學習預測一個人在駕駛途中每一刻的脈搏。然后，它利用這些“可怕”的信號作為向導，學習在虛擬世界中的駕駛。[45]

例如，科學家教AI自動駕駛汽車如何在撞車發生前“害怕”這一過程，可能會幫助科學家得到一個解決方案。然而，與我們之前討論的神經形態硬件相似，一個基本的人類特征(恐懼和或者因為害怕產生的本能行為)被映射到技術上。通過這樣的嘗試，AI被擬人了，無論是在實踐中還是在話語建構中。人工直覺被認為是可以使AI更有效的東西，最終需要更少人的監督或控制。

實際上，AI非常適合做出這些高度直觀的決定。因為它不是有意識的，所以它對觀察到的東西沒有偏見，所以它能意識到影響特殊決定的每件事。這有點像機器版的夏洛克·福爾摩斯(Sherlock Holmes)，他會注意到每個微小的細節，然后通過判斷這些細節中哪些是重要的來得出觀察結果。[44]

上面這段引述最能說明一些人是如何看待AI的。事實上，AI遠非沒有偏見。AI驅動的系統最初是由人類構建的，帶著固有的偏見，而這些偏見往往(非)有意識地嵌入到技術中[46-48]。這個問題引發關于AI可解釋性更廣泛的爭論。AI系統記錄并存儲它們自己的決策和過程，以便人類能夠仔細檢查和排除故障。從這個意義上說，AI總是有意識的。然而，通常難以向外行人解釋AI是如何做出特定的決定，因為它們太復雜了。直覺會更加強化它，因為某些部分無法通過話語解釋，需要AI(或人類)解釋清楚，才能讓它負責。因此，提倡AI的直覺是危險的，因為從這個意義上講，直覺即使可解釋，也是很難解釋的。如果AI憑直覺行事，它就有理由不透明，也無法解釋特定的直覺行為。沒有責任感的直覺是危險的。基于本文開頭討論的直覺的定義，AI社區錯誤地將直覺視為一種可以添加到AI以使其更加靈活、動態和自治的技術性。對于文化理論家來說，直覺是一種與世界直接的情感和感官上的接觸[40-42]。對AI的評論者來說，這是一個應該構建的技術性問題。AI的認知和“意識”(這是有爭議的)是基于代碼的。AI無法像人類那樣憑直覺感知，人工直覺也是被編程到AI中。它通過話語(代碼)來定義AI可以直覺做什么以及如何做，這顯示了真正直覺的局限性，因為對于文化研究學者來說，這個術語指的是與話語相沖突或超越話語的感性、情感過程。人類直覺的獲得是不能通過教導來實現的，為了完善直覺而遵循一套預先定義的規則也是行不通的，對于AI亦是如此。同時，直覺作為一種思維方式，并不是通過邏輯推理來實現的，但這并不意味著直覺只是一種依賴于主觀判斷、缺乏客觀依據的感性直覺。直覺作為一種思維方式，是人類與生俱來的一種能力。直覺思維具有超越感覺和理性的特征。從這個意義上說，AI的類人直覺是否能夠實現，至少目前還不確定。

超越人工直覺的技術方面，在熱門網站和科學家中如何使用(誤用)該術語表明了對人類主觀性的特定理解。AI不僅通過倡導直覺而被擬人化并變得更人性化，同時，人類比我們在文中研究的數據更具有機械性、算法性和技術性。這是通過“人類知識的約束”(Hadean)這樣的表述來實現的，“直覺僅僅是不依靠完整的知識而做出的正確決定的標識”(INC)，我們的直覺是“沒有意識到”的“一堆變量”(INC)。與我們對神經形態硬件的討論類似，人類主體被看作是一維的和功能主義的。芯片和大腦功能相同，幾乎可以互換。AI的創始人之一約翰·麥卡錫(John McCarthy)在接受采訪時也表達了類似的觀點：

米什洛夫：現在我們來談談這個問題——我知道，很多人對你很有敵意，你怎么可以把一個人描述成一個系統？人有更多的東西——我們有直覺，我們有靈性，我們有超越自身機械化存在的方面。

麥卡錫：這個觀點幾百年來一直在退步，隨著對人類生理和心理的了解越來越多。我想，也許可以用“拳擊”這個比喻：它能跑，但不能藏。

米什洛夫：你能詳細說明一下嗎?我不太清楚你在說什么。

麥卡錫：嗯，人類意識的這些方面在機器和計算機程序中還沒有被實現，它們的實現還存在一些困難，但我們對AI持樂觀態度，希望能夠解決這些問題。[49]

這樣的等式并沒有公正地對待人類主體性的復雜。人類的思維比計算機更加矛盾和混亂[34]。尤其是人的主體性不僅建立在語言和話語的基礎上，還有其他與情感和感官相關的人類經驗的記錄。直覺只是其中之一。

四、結論

本研究旨在分析人工智能的兩個趨勢——神經形態硬件和人工直覺是如何在熱門網站上被討論的。我們旨在探尋這些敘述如何揭示了人類和AI之間的關系，以及對人類主體的理解如何在數據中被暗示或明示。雖然無法充分評估這兩種現象的適應性，但筆者認為，它們表明了關于AI技術應該如何進步的特殊愿望。從某種意義上說，AI試圖同時在本體論和認識論上采用人類的特征。人類大腦的生物化學功能以及它們如何映射到神經形態芯片上，人類認識的直覺以及它如何映射到AI特征上，這兩者都讓AI看起來比現在更高效、更自主、更人性化也更靈活。然而，人與AI是矛盾的。討論的數據表明，AI既可以從人類大腦、人類情感和人類直覺中學習，將它們整合，使其可以在這些方面表現得更好、更聰明。這樣的敘述顯示了AI社區中許多人的愿望，即讓AI盡可能的像人類，以便在總體上實現對人類的超越。他們承認這尚未發生，但相信這種狀態一定能實現。這種關于人工直覺的炒作可能因為它不僅使AI能看起來更人性化，而且更有同情心，更討人喜歡[3，23]，為了掩蓋AI的透明性、可解釋性和可問責性，或許可以故意這樣做。正如已經討論過的，這種情況引發了AI的自主性、問責性和透明度的關鍵倫理問題。與實現通用人工智能(AGI)的目標相關的是AM技術[50]，在中國正得到特別的發展，其特征是完全的人工意識、感知和情感[51]。《從AI到AM：人工智能的知識觀》一文認為，“基于AM的類人思維將是解決人機交互中真實語義理解和語用一致性問題的關鍵。”AM(Artificial Mind)技術或許將超越模擬神經網絡的深度學習過程，成為實現人機交互的關鍵。[50]

雖然只討論了極少數的數據，但它們仍然指出了AI流行敘述中的一個偏見。AI仍然過于男性化，而關于其未來的論述嚴重偏向于某種特定的聲音——主要是男性科幻作家和以技術為中心的科學家、未來學家和企業家——AI技術很容易被描述成一種不可避免的崇高景象[2]。我們還要補充一點，即對所研究的數據中存在對人類主體特殊的理解或世界觀，認為人類主體是理性的，是隨時被人工智能技術利用的技術藍圖，如果僅用生化術語解釋，像直覺這種模糊、復雜和難以定義的東西，為了以特定的方式建構和發展人工智能，被轉化為一個機械性的概念。另一種理解認為直覺并不是對AI當前的僵化性進行有效論證的最佳術語。AI需要變得更靈活——而不是直覺——這應該以一種合乎道德和透明的方式發生。