論人工智能哲學的現象學進路

張昌盛

(中國社會科學院 哲學研究所，北京 100732)

對于當下方興未艾的人工智能科技熱潮，哲學可以扮演什么樣的角色？按通常的說法，哲學可以促進我們理解人工智能，尤其是可以通過人工智能的倫理問題的研究，對人工智能的產業政策制定、產品設計和實際使用提供規范性的建議，并規避隨之而來的安全風險。但是，這樣的思考是不夠的。我們需要在更基礎的哲學層面上考慮人工智能的本性和界限等問題。這一方面是對人工智能的局限性的深度反思，另一方面是要為人工智能的發展方向和可能性提供哲學的思想靈感。

本文主要從現象學的角度探討對人工智能進行哲學思考時所面臨的主要問題、研究進路、主要主題，以及在人工智能科技中可以發揮的作用。這種探討中也伴隨著主體主義與自然主義的對話，也會設想如何能結合現象學的方法與邏輯分析的方法來促進人工智能的研究的可能性。

一、現象學與人工智能的哲學問題

對人工智能的哲學研究尤其是現象學研究并非新近才開始，早在20世紀60年代，美國哲學家德雷福斯(Hubert Dreyfus)就從海德格爾的現象學的角度探討了人工智能的限度問題[1]。由于人工智能與意識、腦的問題密切相關，后來的人工智能哲學更多地與心靈哲學、認知科學哲學的研究交織在一起。例如，塞爾等人從分析哲學角度對人工智能進行闡釋，提出了強人工智能和弱人工智能的概念區分；20世紀90年代，查爾莫斯區分了意識的難問題和容易問題。與此相關的人工智能哲學問題是基于功能主義的強人工智能是否可行，即所謂人工意識是否可以由算法加芯片實現。

(一)人工智能的基本觀念

人工智能哲學首要的問題是如何從哲學層面理解人工智能。從科技的層面看，所謂人工智能(AI)通常也叫機器智能，是一種試圖以機器的算法模擬產生的智能來代替部分乃至全部人類智能的科技分支，甚至也有人設想未來可以構造具有類人意識的AI。人工智能的基本原理是基于對事物的形式化、符號表達，以相應的算法模擬事物的特性和關系，以計算機硬件和軟件結合，來實現機器視覺、自然語言理解和交流、認知與推理、機器學習、機器人等領域的功能，甚至有人設想將來有一種通用人工智能(Artificial general intelligence)，可以統一地處理與智能和認知相關的眾多領域的問題。

按照通常的觀念，人工智能主要是一種多學科交叉的前沿科技，側重于技術和應用層面，甚至被看作是工程問題。但是，人工智能并非僅僅是一種前沿技術也并非只是算法和硬件的組合，而是以對主體的目標和價值體系、環境的特性和因果鏈條，以及二者關系的理解為前提的；更涉及到智能的本性，與腦科學、意識問題密切相關；不同的人工智能的觀念和假說，背后涉及到對意識、心靈、主體、自由意志、主體和人等基本哲學主題的基本觀念；而這些基本概念不僅屬于認知科學哲學、心靈哲學和現象學研究的基本領域，也是近代以來整個哲學的基本主題。可以說，人工智能的問題實質上逼近近現代哲學核心的區域，因為它關涉到我們如何理解意識、主體乃至人性等的本質。因此，人工智能的本性和極限等問題構成了對現代哲學乃至整個哲學基本觀念的根本挑戰。

(二)人工智能與現象學

由于人工智能與腦、認知、意識等領域的問題高度相關，尤其是當下的仿生的機器學習與腦科學研究密切關聯，而后者又與意識研究相關，因此我們需要在一種跨學科的視野中考察人工智能。相應地，對人工智能的哲學研究也需要結合認知科學和意識問題等領域的哲學研究。因此，人工智能的哲學研究是一種多重意義上的跨學科研究：不僅是在科學層面跨不同學科分支的研究，而且在哲學層面也涉及不同的研究領域，是跨科學-哲學的研究。

人工智能科技的研究涉及意識、腦、身體、他者和環境等方面，因此與認知科學、意識哲學天然地具有內在的密切關系，尤其會涉及意識、語言、認知、邏輯、數學等學科領域。這些領域都是現象學研究的重要主題，因此人工智能、人工智能哲學和現象學之間能夠建立重要的聯系。

從現象學的視角研究人工智能的哲學問題的優勢在于，可以從主體主義的視角把智能、認知和意識問題統合進行綜合而系統的研究。

(三)現象學視角中人工智能的基本問題

從現象學角度思考，人工智能科技的哲學問題主要分兩個方面：一是探尋人工智能(AI)的哲學基礎，涉及到大腦、意識和智能三者之間的關系，尤其是最終會追問人工智能的極限問題；二是在此基礎上，從現象學的方法和理論中尋求促進人工智能科技的可能進路。前一方面是關于人工智能的基礎性、理論性和終極性問題的研究，而后一方面相對而言是帶有應用性質的、局部的、相對具體的問題的探究。這兩個方面具有內在相關性，前者是奠基性的，后者以前者的研究為基本理論前提。但它們之間的關系又是開放式的、雙向的、動態的，因為這種研究并不是一種傳統的從基本理論前提開始的演繹，而是與人工智能科技關聯的跨學科研究，而人工智能需要不斷接受經驗的檢驗而修正基本理論設定和應用的方式。

二、人工智能的限度問題：現象學VS自然主義

(一)強人工智能和弱人工智能：基本的理論立場和進路選擇

在人工智能的基本哲學問題中，終極的問題就是人工智能的極限問題。強人工智能認為機器智能能夠實現類人智能，而弱人工智能則認為機器智能可以局部接近但整體上始終達不到人類智能的程度。

AI的智能基于圖靈機的算法模擬，而后者以形式化的符號表達為前提。因此，從理論上講，凡是可以形式化表征的認知和行為，都可以被AI實現。關于AI的一個主要哲學爭論是：形式化模擬的極限在哪里？

按照德雷福斯和塞爾等人的觀點，人工智能尤其是傳統的符號計算進路的人工智能無法模擬人類的智能，更無法實現人工的意識。塞爾甚至指出：“計算機不只是理解能力破碎、不完整(就像我理解德語一樣)，而是它的理解能力為零。”[2]419因此，強人工智能是無法通過任何計算機的算法模擬來實現的。

功能主義、聯結主義、生物自然主義和現象學基于各自的基本理論立場，對于機器智能的極限問題有不同的觀點。其中，前三者都主張人類的智能是基于人腦的神經元組織的功能，而后者認為智能和意識以及具身主體是密不可分的。功能主義主張強人工智能，而后三者都主張弱人工智能，但因各自的哲學預設不同而有不同類型的弱人工智能主張。

基于物理主義的功能主義主張強人工智能，認為人類大腦或生物大腦并不是實現智能的必要條件，斷言智能是可以多重實現的，也就是說智能的核心在于演繹的算法，而其物理實現的平臺是次要的，大腦是實現智能的充分條件，但硅基的半導體也可能實現類似于人類的智能，甚至可以全面地超越人類智能。

聯結主義認為人類的智能基于大腦的神經元組織，因此機器智能來源于對人腦的仿生。假設大腦的神經元組織的運行是一種廣義的算法，那么人工智能就可以以算法模擬人類大腦的智能機制來實現類似于人類的智能。凡是持弱人工智能立場的學者大多主張這種“仿生”人類大腦的人工智能，如德雷福斯認為：“我們應當以建立大腦模型，而不是建立心靈關于世界的符號表述的模型的方式來創造人工智能。”[3]421由于這種算法模擬的困難，機器智能只能逐漸逼近和局部實現類人智能，并不能全面達到比肩于人類的智能。

生物自然主義也主張人工智能需要仿生大腦的認知模式，這一點類似于通常的聯結主義；但不同在于，它特別強調人類的智能與人的意識不可分割，而且斷言意識是大腦的屬性，因此大腦是人類的智能的必要條件。人工智能的局限在于軟件只能局部模擬人類大腦的算法，而人類大腦的另一些算法是基于人腦的獨特的神經元組織結構的，而后者是無法由硅基芯片加軟件實現的；也就是類人的智能只能由類人的功能性組織實現，而且這種功能性組織只有在生物平臺上才能實現；因此也不能排除一種理論的可能，一旦可以以硬件加軟件的方式模擬出人腦的組織性功能，則不僅類人的智能可以實現，而且類人的意識也可以實現，這種意義上的人工智能是一種基于生物平臺的人工智能。

二元論者也主張弱人工智能，但所依據的理論前提是二元論。如查爾莫斯等人認為，強人工智能之所以無法實現，并非因為大腦的功能無法模擬，而是因為人的智能跟意識密切相關，而意識是機器無法完全模擬的。

而從現象學的角度看，人的智能與主體性的維度，尤其與是意識活動密切相關，而主體性的維度是無法徹底還原為物理-生物的機制的。另一方面，主體性又是具身的，身、心并不二元對立地存在，因此從生物的大腦機制探索人類的意識、智能有其合理的一面。就現象學的進路而言，在探討人工智能極限的問題中，可以暫時懸置意識的產生與大腦工作的物理和生物機制之間的關系，而集中關注主體性、意識的活動模式。這樣，機器智能的極限問題就轉化為計算機的算法加硬件可以在何種程度上可以模擬主體性的認知模式尤其是意識活動的模式的問題。

(二)表征的概念和范圍

德雷福斯對于人工智能極限的思考有兩個基本的預設：第一，AI的算法模擬是基于形式化、符號表征基礎上的機械算法；第二，人類的智能、意識等的特征、行為并非都是可表征的，即只有部分可表征。除此之外，德雷福斯應該還有一個隱含預設：凡是可表征的意識、行為都是可以形式化地計算的。

德雷福斯對于表征的含糊用法遭到塞爾的批評。塞爾區分了認知的表征和邏輯的表征，表征不一定是心智的，任何擁有條件的事物都對應著表征。塞爾認為，德雷福斯和海德格爾意義上的現象學的局限就在于限于主體視角的認知，而忽略了對象領域的邏輯結構[4]。

根據塞爾的看法：第一，我們的很多認知和行為都有意向性貫穿其中，也未必像德雷福斯認為的那樣是不可表征的，所謂表征并不一定伴隨著體驗，只要能夠刻畫心理或者行為的狀態的滿足條件就可以；第二，邏輯表征和認知表征有重要區別，很多在認知層面未被表征的特性可以在邏輯表征層面被揭示出來；第三，囿于現象學的主體主義視角和方法局限，對于表征的揭示較為有限，但通過邏輯分析方法，可以揭示認知和行為的整體邏輯結構。

總之，在塞爾看來，如果超出現象學的主體主義視角，就可以看到人的認知和行為的很多方面都包含有表征，可以用綜合的方法揭示其中的滿足條件，那么關于人的意識、認知和行為的可表征及其可刻畫的范圍就要比現象學所認為的寬廣得多；相應地，人工智能的算法模擬的范圍也要比現象學的第一人稱方法所限定的范圍廣得多。

當然，如果還有現象學方法之外的方法可以揭示主體的更多表征特征和條件，那么人工智能的應用范圍也許比德雷福斯等人一開始預想的要樂觀得多。

(三)關于現象學描述的主體性特征如何被表征與形式化的問題

另外還有一個相關的重要問題是：凡是表征都可以被形式化表達嗎？這里首先要區分表征和表征的刻畫兩個問題：(1)凡是表征都能被語言刻畫嗎？(2)凡是被語言刻畫的表征都能被形式化嗎？塞爾強調表征的廣泛性，區分了認知表征和邏輯表征，前者是在意識中的表征，后者是在邏輯層面，對應的是狀態的滿足條件的集合。

按照塞爾的觀點，原則上，邏輯表征是可用邏輯分析方法揭示，進而被命題化表達，因此可以對問題(1)進行肯定的回答。塞爾似乎認為所謂邏輯分析可以完全不依賴意識表征而被單獨使用；具體而言，他借鑒了語言哲學的邏輯分析方法：“我把超越語句與言語行為的邏輯分析方法擴展到分析信念、愿望、意向、感知經驗和意向行動的滿足條件；而且，擴展到與現象學在很大程度上(盡管不完全)是不相關的這項事業。但是，如果你不超越現象學，你將不會揭示這些現象的邏輯結構。”[5]7但這里的邏輯分析方法本身并沒有被清晰地界定，而是借用了語言哲學中邏輯分析的概念。所謂邏輯分析通常是基于對對象領域的整體認知，而且還伴隨著某種理論模型的假設，即便被塞爾作為邏輯分析典范的摹狀詞理論，也并不純然是邏輯分析的結果，而是一種理論假說。問題(2)即凡是被語言表達的表征(也就是滿足條件)是否都可以被形式化？這個問題依然是很難肯定回答的，也許即使對那些我們可以描述的表征，也許只有其中的一部分可以被形式化表達。

需要重申的是，雖然說廣義上無論是我們的認知、行為還是外部世界的事物都涉及表征問題，但此處關注的表征主要是關于主體的認知和行為模式的表征，因為人工智能的目標在于模擬人類的智能，即使是對外部對象和環境的表征，也是基于機器智能與環境的交互過程。這種對主體性特性和功能的表征，一方面是對與認知和行為相關的大腦、身體行為的物理-生物層面的活動的表征，另一方面還有對人的意識活動以及相關的機制等主體性維度的表征。目前，仿生的人工智能主要關注前者，而基于現象學視角探討人工智能的機制時則主要關注后者。

(四)現象學的描述結果如何轉化為算法的問題

另一個主題是算法。因為表征和形式化是為算法服務的，只有使主體下認知和行為的物理-生物/意識活動過程可以被算法模擬，相應的機器智能才能實現。

狹義算法建立在形式化表征基礎上，而廣義的算法則指自然界中、生活中可以用有限步驟完成的過程，未必都是計算機的形式化、數字化的計算。由此產生的問題是，廣義的算法有多少可以被形式化模擬？特別地，假如作為人類智能基礎的大腦的生化運行機制被看作廣義的算法，那么機器智能可以在什么程度上模擬大腦智能？從人腦、人的意識以及人的行為被形式化表征到實現對它們的算法模擬依然有很大的鴻溝需要跨越：因為計算機模擬是基于數字化表達的，所以機器智能只能模擬那些離散數據的過程，由此推出的機器智能所能模擬的人類的認知、意識和行為只限于那些可以處理為離散的、數字化的片段。但是，人腦的神經元組織的活動尤其是人的意識過程是否都可以被看作是離散的集合？到目前為止，這些問題依然存在爭議，這也是機器智能要逼近人類智能可能面臨的關鍵困難之一。

對于現象學進路的意識模擬而言，這個問題在初步階段層面并不構成困擾。這是因為現象學并不關心意識的心理過程，而關注意識行為及其相關項，任務是描述其本質結構，至于心理層面的意識活動是否連續并不重要。塞爾也認為心理狀態的直觀層面并不重要，而那些可以用邏輯分析刻畫的狀態滿足條件才是重要的。當對意識行為的模擬深入到原初的意識之流時，則對內在時間意識的延綿狀態的準確、系統的描述才會成為現象學方法面臨的嚴重挑戰，這是現象學的非對象性的原初層面，反思的直觀受到一種限制，而試圖對這種時間意識之流的符號模擬似乎超出了現象學方法所能延伸到的有效范圍。

三、設想一種基于現象學視角的人工智能研究新進路

前述第二個問題實際上是探尋現象學的方法和理論可以為人工智能的發展提供什么幫助。一個可能的方式是借助現象學對意識結構、主體與世界關系等的描述，采用算法模擬方式來發展人工智能的認知方式。

(一)探索現象學進路的人工智能研究的必要性

眾所周知，到目前為止，人工智能最主要的進路是基于邏輯演繹的符號計算模式和模仿人腦的仿生模式，占據主流地位的是聯結主義的仿生進路的機器學習，這是對之前的邏輯-符號表征進路的人工智能的突破而取得的。仿生模式的人工智能和腦科學研究密切相關，可以說主要是奠基在腦神經科學基礎之上。

目前，人工智能的一個重要進路是模擬大腦的智能模式，具體而言是試圖從腦科學對亞個體層面的神經元組織的研究中獲取靈感。自然主義者認為智能主要是人腦的功能，因此主張人工智能科技主要奠基于腦科學、認知神經科學。目前，腦科學研究已經揭示了很多人類的感知、認知的生物機制，因此基于神經科學研究的仿生的人工智能對人工智能的發展非常重要。

但是，仿生的人工智能研究并非僅僅局限于模擬神經元組織活動的層面，它還可以對人類的個體層面和群體層面的認知和行為模式進行借鑒和模擬。目前的人工智能主要是用數學統計模式代替原來的邏輯演繹模式，但依然具有很大的局限性。

目前的人工智能的產業化和宣傳看似如火如荼，但實際進展仍然緩慢。機器學習無法像人類一樣舉一反三，無法靈活地適應變動中的環境，不具備人類的基本常識，無法完成很多基本的日常任務。雖然近些年腦科學研究進展迅猛，但迄今為止所取得的成就依然不足以給人工智能的研究模式以重大革新。事實上，人工智能如果只是延續目前的方法和思路，那么人工智能要實現距離代替人類的很多工作例如科研、執行危險任務以及照顧老人小孩等目標就會遙遙無期。因此，我們必須不斷反思研究思路的問題和方法，找到新的突破口。

比如，有人工智能專家對比了鸚鵡和烏鴉的智能，發現鸚鵡很善于模仿人類的語言，類似于目前的聊天機器人，“二者都可以說話，但鸚鵡和聊天機器人都不明白說話的語境和語義，也就是它們不能把說的話對應到物理世界和社會的物體、場景、人物，不符合因果與邏輯”[6]。而烏鴉要比鸚鵡聰明，“它們能夠制造工具，懂得各種物理的常識和人的活動的社會常識”[6]。可見，人工智能的進步確需要仿生的研究，不僅要探究神經元層面的活動模式，而且更需要從宏觀層面對人和動物的認知、行為模式的研究中汲取推進人工智能的思想靈感，甚至需要考察生物的社會認知和群體行為模式。

(二)設想一種現象學進路的“仿生”人工智能研究

現象學是從主體角度來理解人和世界的，尤其在研究人的意識、認知和行為、主體間性、社會認知以及主體與世界的關系方面有大量的成果積累。因此，現象學的理論，現象學對主體性和主體間性層面對主體的意識、語言和行為的研究可以為上述所設想的主體性層面的人工智能進路提供重要的支持，推動人工智能突破目前困境，探索新的革新道路。

這種主體性進路的模式也是一種“仿生”的模式，不過模仿的對象不是人腦而是人的認知模式和行為模式。與腦科學側重于腦神經系統的生理-物理微觀機制研究不同，這種主體性的仿生模式主要是對認知和意識的特征、模式的模擬。

人工智能的目標是設計具有類人智能的機器，即希望“智能機器有自主的感知、認知、決策、學習、執行和社會協作等方面的能力，并符合人類情感、倫理與道德觀念”[6]。因此，我們需要先澄清人類所具有的這些方面的能力所需要的滿足條件和結構模式，而這些問題的澄清需要一個基本背景框架，即我們需要先理解人與世界打交道的方式。對于這些問題，從人類的主觀性維度切入是便捷之路，也是任何人工智能繞不開的必由之路。

這種基于現象學的描述方法的研究進路可以與腦科學的研究相互參照。這種主體性的仿生模式，需要在現象學、經驗科學和人工智能科技之間建立一種“翻譯”機制，實現彼此之間的理論轉化和方法的互補，也就是需要把現象學的第一人稱視角的描述方法與腦科學和認知神經科學的第三人稱視角的方法結合起來，深化對意識、智能和腦之間關系的深度探索，從而深化和豐富“仿生”進路的人工智能研究。例如，前面所提到的人工智能中的表征、形式化、算法如何與現象學中對意識結構、認知方式和行為模式等的理論成果對接起來，形成一種雙向的相互參照和闡釋。

以前面討論表征問題為例，表征可以是呈現在第一人稱視角中的認知表征，也有不依賴于意識行為的邏輯表征。現象學所擅長的是把握和描述意識體驗中的認知表征，例如胡塞爾現象學揭示了意識和行為中具有普遍性的意向性結構，這是帶有主觀性特征的表征結構。而邏輯分析方法則擅長刻畫意向狀態的滿足條件意義上的邏輯表征，相對而言這是對認知行為的客觀的、靜態的揭示。這兩種方法具有互補性和依賴性。邏輯分析方法需要以直觀描述方法提供的基本經驗內容為前提才能進一步深入地分析。兩方面的描述和分析的結果需要相互補充和相互校對才能更全面和準確。對于人工智能的表征而言，最主要是把握主體表征的根本特征和基本模式。這除了外在的觀察實驗和建模之外，還需要參照主體維度的認知成果和直觀經驗內容：現象學的描述提供了主觀性角度的直觀方式和經驗內容，而邏輯分析提供了對表征滿足條件的揭示。

這些方法在人工智能領域的綜合應用總是有限度的。關于意向性的邏輯表征的內容容易轉化為符號表征，但意向性的主體性特征并不能夠被帶入到人工智能中，也就是說機器人也許具備類似我們的感知能力，但可能始終無法和我們一樣“主觀地”感知世界，這也是傳統“意識的難問題”(the hard problem of consciousness)在人工智能領域的體現。

(三)現象學可以為主體性“仿生”模式提供的基本主題

如前所述，現象學是在主體性維度研究人的意識、認知、行為、主體間性以及與世界的關系等問題，這些主題如主體間性以及人與世界的關系等問題是一般性的、總體框架層面的問題，其他問題都是重要的基本專題。因此，現象學可以在總體理論框架和重要的專門主題這兩個方面為人工智能的研究提供理論思想資源。

第一個方面，總體框架層面的問題尤其是人與世界的關系問題對人工智能而言是基礎也很重要，因為這是一切人工智能的具體理論展開的前提理論。當然，主體間性問題即與他者的關系問題也是基本的，很重要，但它涉及到人、意識、身體、他者和世界等多方面的關系，是更復雜、深入、高階的問題，需要在對前一個人與世界關系問題的探討到一定程度后才能逐步逼近的問題。

如何理解人與世界的關系？這涉及到人、世界以及二者的關系等三個方面的問題。物理主義、自然主義和現象學因為各自的立場和方法都不相同，故對這些問題的理解有很大的差異。主流的人工智能往往持物理主義或自然主義的立場，預設了世界是一個遵循物理規律的，由物理事物構成、因果鏈條關聯起來的世界，主體是一個由物理-生物規律所決定的生物體，主客之間的關系是生物系統和物理系統之間的交互作用關系。有學者認為生物的特征在于具有“智能物種與生俱來的任務與價值鏈條”[6]。人和動物具有共性，“動物的行為都是被各種任務驅動的，任務由價值函數決定，而后者是進化論中的phenotype landscape，通俗地說就是進化的適者生存”[6]。因此，站在這種立場上，“說到底，人工智能要變成智能科學，它本質上必將是達爾文與牛頓這兩個理論體系的統一”[6]。這種觀點的問題是，人是否可以被簡單地看作是受本能驅動的動物？這些物理主義、自然主義的觀點顯然忽略了人的自由意志問題。因此，這種進路的人工智能的基礎在于認知科學，相關的人的主觀性維度，如自由意志、情感、體驗等方面的難題有待于未來的認知科學、腦科學來解答。

但現象學對主體、世界及二者間關系提出了另外一種系統的看法。首先，不僅人的高級意識具有一種主動性，而且在感性層面的被動意識中也有一種主動的成分，即便是熟練技能的操作看似有無意識的特征，但實際上也是由意志驅動的；主體的精神有一種自發性，而且貫穿于主體的所有行為中；即便身軀也不僅是生物學意義上的對象，而是具身性的。因此，現象學給予人工智能的啟發之一是不能把主體視為一種笛卡爾式的物理學-生物學意義上的機器，如果忽視人的主體性維度，那么可能無法把握人類認知和智能的根本特征。

其次，從現象學的角度看，世界是主體間性的生活世界，也就是我們所理解的世界其實滲透著群體的共主體性的因素。由于人工智能不是物理學，而是要處理以世界為背景的認知和行為，因此如果忽略我們認知和理解的世界都是基于人與世界打交道的方式(用海德格爾的表達式是“此在在世界中存在”)，那么人工智能可能永遠也不具有類似主體的認知能力和行動能力。

第三，對于主體間性問題，也是人工智能需要處理的最重要的問題之一。因為人工智能不僅是與世界打交道，更多地是與人打交道，因此也需要理解人之間的行為方式，才可能識別和理解人類的社會行為，使機器人、智能機器協助人類的工作或者服務于人類生活。

前述人工智能哲學的第二個方面問題，是借用現象學對人的認知和行為的重要方面的研究來為人工智能的專題性研究尋求靈感。此第二個方面問題的研究必須以前述第一個方面的基本研究為基礎。例如，人工智能可以借鑒現象學對意識、身心關系、主體間性以及主體與環境之間的關系等方面的研究成果，可能幫助人工智能理解人與世界、自我與他者的基本關系；現象學對意向性、注意力、聯想機制、動機引發、具身性、主體間性、情感、價值、倫理、主體與世界的關系因果等的揭示，也可能啟發人工智能發明一些相應的新擬人算法。

(四)先驗邏輯譜系學：一種構造認知算法的重要參考理論

另外，還可以借鑒以往現象學對于意識和認知的研究思路和成果，設計人工智能算法。例如，胡塞爾在《經驗與判斷》[7]等研究中對于認知的邏輯譜系有很深入的研究，不僅研究了經驗的和先天的普遍性判斷，還研究了意向構成的基本視域(包括構成對象的內在視域)、前謂詞經驗的構成機制和方式，涵蓋了認知經驗構成的整個譜系。這種對經驗和知識的從下到上，從感性到理性、由特殊到普遍的邏輯譜系的描述，揭示了認知的邏輯發生機制，這對于發展機器智能具有重要的啟示。

例如，早期的邏輯演繹的符號主義的人工智能面臨的最大問題是所謂“框架問題”(frame problem)，即為了認知一個對象，需要對作為背景的環境的整體規律有個框架式的設定和概要表述，才能推演出關于此具體對象的認知。而近年來的基于數學統計的機器智能則嘗試發展無監督的學習，即希望智能機器能夠盡量少依賴預先的訓練和海量數據，學會在開放的環境中逐漸學習而識別對象。胡塞爾的邏輯譜系學所揭示的這種從底層開始的邏輯的發生構成機制可以啟發涉及智能機器如何去從少量的數據輸入開始從環境中學習識別對象，這才是真正模擬人類的認知方式。因此，可以為主體性“仿生”模式的算法模擬提供很好的研究思路。

(五)主體性“仿生”模式的限度

如前所述，人工智能的算法模擬基于形式化，那么對于主體性尤其是意識而言，形式化的極限在哪里？

首先，從顯現和把握的方面來看，現象學的描述方法可以把握人的主體性維度，也就是揭示意識、認知和行為的主觀性維度中的本質特征和根本結構等。但現象學的方法是基于現象在直觀中的原初給予，那些對直觀而言未顯現、未在場的部分，雖然也通過現象學的“共現”(apprasentation)的方式直觀把握，但具有直觀的明見性的領域始終是有限的，這也是第一人稱視角本身所無法克服的問題。例如，用現象學的方式探索非對象性、非謂詞領域時，一直存在的一個爭論就是有人認為反思行為可能會干擾被反思領域的原初狀態。另外，對原初意識之流的直觀已經逼近現象學方法極限，而更為深邃的無意識領域包括在具身性領域的無意識行為，并不能被明見性地察覺。還有，對于具身性主體的無意識層面的探究，是現象學描述方法的盲區，除非像塞爾所認為的，一切主體維度的無意識的行為最終會顯現在意識中，從而被意識所把握。但這即便是正確的，也依然是相對的，能夠進入意識層面的無意識行為總是有限的，總有一些與身體相關的感性論層面是晦暗不清、無法被考察和描述的。

其次，即便是可以被現象學的基于直觀的描述方法所把握到的主體性特性，也未必能夠以符號化的方式加以描述。例如：胡塞爾所說的前謂詞的經驗、非對象性的意識尤其是原初的意識之流的層面的意識等，雖然可以被反思把握，但必能夠以語言描述出來；海德格爾所謂的此在的存在論結構未必可以被現象學的語言描述方法對象化地、系統地把握。即便它們可以被語言描述出來，也未必可以用符號表達式、形式化方式描述出來。這些并不是現象學方法的問題，而是由主體性本身的特性所決定的，或者也可以說是計算機的形式化表達和算法本身的局限性所決定的。

最后，現象學的描述方法可以與邏輯分析方法互補來擴充其使用范圍。前面以意向性論題為例討論表征的刻畫問題時，已經略述了塞爾主張的所謂邏輯分析方法。塞爾認為語言的邏輯結合和意識的基本特征具有對應性，因此以語言哲學中的邏輯分析方法類比意識研究中的邏輯分析方法。雖然塞爾對上述邏輯分析方法并沒有給予清晰的闡明，甚至這種方法分析得出的結論也帶有理論設想的成分，但其刻畫意識狀態的滿足條件的思維可以配合現象學的描述，拓展對于各種意識、認知和行為模式的揭示。也就是說，在現象學的方法遇到困難的地方，可以借助不那么具有“明見性”的邏輯分析的經驗來補充。因為人的認知、意識等機制極端復雜，我們不期望可以對人的意識和認知等特征進行完備無缺的描述，也更不可能在人工智能中進行復制式的嚴格模擬，而只能對其主要特征近似地把握，為人工智能提供靈感；因此我們并不需要嚴格遵循現象學的明見性原則，而采取現象學描述和邏輯分析相結合的方式進行這種主體性進路的揭示和模擬。

(六)人工意識問題

如前所述，功能主義認為智能的核心是算法，甚至意識都能在非生物的平臺例如芯片加算法基礎上實現。而無獨有偶，在認知科學領域，生物自然主義認為意識是大腦的功能性組織的特性。生物自然主義雖然認為意識是人腦的產物，但并不能夠由硅基芯片加算法實現；因為生物自然主義固然承認大腦神經元組織的運行廣義上也遵循著種種“生物算法”來實現，但卻認為這種廣義的“生物算法”必須依賴大腦的生物平臺，并不一定能夠以數字化的方式進行模擬。

但是，如果接受人的意識是廣義的“生物算法”的產物，那么在理論上人腦的部分功能還是可能以由計算機的算法部分模擬的，乃至未來有可能發明基于腦科學和計算機科技的生物計算機，以高度逼真的方式模擬人腦的運行方式，從而實現類人智能甚至某種程度的類人的人工意識。

因此，從現象學的角度看，主體性的特性尤其是意識具有感受性質(qualia)、自我覺知(Self awareness)等特性，這些問題對于認知科學依然是難題。意識最原初層面的原初意識之流、內在時間意識機制、記憶等問題對于現象學和整個哲學也是難題。而人工智能的算法模擬需要建立在哲學以及科學對于意識的內在機制的揭示之上，因此所謂“人工意識”的問題很長時間之內很難真正成為人工智能的研究主題。

四、結束語

人工智能作為一種前沿科技，涉及多種科學學科乃至哲學，需要一種跨學科的廣闊視野，在多種科學-哲學的學科交叉中不斷開拓前進的道路。哲學對人工智能的意義最主要是在方法論的層面，其次才是哲學理論的洞見對技術的啟發，從而開辟多種可行的發展進路。現象學的主體性視角、描述方法在研究主體尤其是意識方面的獨特優勢，會成為人工智能研究的重要推進力量。可以預期，在未來很長的時期，現象學的研究會伴隨著人工智能的發展，也會促成自身的深化發展。現象學進路的人工智能哲學必須深入到人工智能科技的進展中而展開，尤其是靈活應用現象學的描述方法，結合邏輯分析的方法，以可操作的方式不斷給予人工智能以方法和思路上的啟示。現象學并不停留在抽象的理論層面，而是一種工作哲學，“像胡塞爾常說的那樣，哲學必須有能力將它的普遍命題的大票面鈔票兌換成接近實事的細致分析的小零錢”[9]12-13。這也是讓哲學的理論和方法直面科技前沿的經驗和實踐的嚴峻檢驗，賦予哲學以更多的經驗材料和思想靈感，使哲學更好地與時代精神接軌，從而激活哲學的內在生命力。