人工智能研究進路的轉化是范式的革命嗎？

摘要：符號主義和聯結主義是AI研究的兩種主要進路，它們常常被視為對立不相容的兩種方法論，但它們其實共同擁有著深刻的哲學思維根基。符號派在哲學上注重理性的演繹，而聯結派在哲學上則注重經驗的收集；在人工智能的運行中，理性離不開經驗、經驗也離不開理性，因此二者并非完全不相容。近年來神經符號進路的呼聲在AI研究中也頻繁出現，因此有必要對這兩種研究進路以及它們的歷史轉換做出一番考察。一方面有利于重新審視當下技術思潮對AI研究的影響，另一方面也有利于從哲學和技術層面重新挖掘AI研究的學科基點，這都有利于AI和哲學的共同發展。

關鍵詞：人工智能哲學；范式；符號主義；聯結主義

中圖分類號：N031 文獻標識碼：A DOI：10.3969/j.issn.1003-8256.2023.04.008

0 引言

自AI技術問世以來，已經過了近70年的發展。AI之父圖靈可能從未想到AI能對日常生活和學術研究造成如此大的影響，70年前他在一本哲學期刊上留下的問題“ 哪里是最好的研究開端？ …… 下棋還是硬件？”［1］，成為促進AI研究的兩個基本因素——算法（編程）和算力（硬件）。而在實際研究中，硬件的迭代更新大多來自工程師們的努力，對智能程序的編程才是AI專家們的努力方向。但如何才能使AI程序是智能的，這不僅是AI學科的獨有問題，更是一門跨學科的探討。在70年的研究發展中，主要有兩種研究進路①引領了這個探討，即符號主義和聯結主義，它們分別代表著不同陣營的科學共同體的研究“范式”。但隨著新的研究進路出現，庫恩（T.Kuhn）所言的范式的“不可通約性”在二者間逐漸淡化，那么從科技的歷史發展考察，人工智能研究進路的轉化真的是一種范式的革命嗎？

1 人工智能兩種研究進路概述

AI 研究中符號主義和聯結主義方法間的爭論從1956年的達特茅斯會議②一直持續到今日。而符號主義和聯結主義這兩個可以作為研究“范式”的詞匯并非源于AI學科③，因此“符號人工智能”和“聯結人工智能”這兩個命名帶有一定的誤導性，會使不了解的研究者認為二者是兩種完全對立的研究方式。通常來說，符號派致力于在機器學習和知識表示中邏輯和推理的運用，在AI程序運行的過程中少有數據的介入，知識庫和推理方法是其不可分割的兩個模塊。因此符號AI探求的并非符號本身，符號代表的是一種知識的抽象方式；而聯結主義AI陣營實際上是從很少或沒有先驗知識的數據中學習其中關聯，人工神經網絡（ANNs）的訓練通常需要大規模數據。聯結派在1986年出版了《并行分布式處理》（Parallel Distributed Processing ，PDP）這一論文集，其涵蓋了哲學、認知科學、AI、心理學、神經科學領域。“當提到AI里的聯結主義，通常所指的就是PDP ”［2］96 ，這種認為人類思維和大腦應該是“分布式聯結”的觀點代表著這一陣營對于智能進行研究的根本科學方法和哲學觀。

符號AI在人工智能不長的研究歷史中大部分時間都占據主導地位，從20世紀50年代到90年代中期，符號派的主要成就分別集中在機器定理證明、專家系統、知識表示和推理三大領域。符號AI的思想源頭和理論基礎就是自動定理證明，其初衷就是把邏輯演算自動化［3］28-29。定理證明本是數理邏輯的工作，但是在AI中，解決數理邏輯問題的意義在于能對事物產生理性的認知。這是符號處理器最基本的運作方式，若再給其配上一個知識庫，就成為了我們所熟知的專家系統。運用符號方法的專家系統具有許多特性，如知識庫與推理機的分離等，這使得它適合于AI的研究和開發［4］30。直至今日，專家系統仍然是日常生活中最常見的AI程序，它廣泛地存在于智能手機以及工業智能化程序之中。符號AI也被稱作“GOFAI”，譯為中文就是老式的、良好的人工智能。現在說它們是“老式的”當然毫無疑問，但更重要的是它們是“有效的”［2］15。從人類智能本身來看，我們一直使用符號來定義事物，用符號表示抽象概念、事物的區別以及其他符號，符號還可以在思維中組建出思想對象的層次結構。能夠用符號進行交流是人類獲得智能的主要因素之一，因此符號方法在AI程序的創造中一直有著至關重要的作用。

聯結AI在歷史上的起源比符號AI還要更早，1943年麥卡洛克（W.S.McCulloch）和皮茨（W.Pitts）在《神經活動內在思維的邏輯演算》一文中基于生物神經網絡的特點提出了M-P 模型［5］，也即第一個人工神經網絡（ANNs）。早期ANNs研究和研究者無不受到這門學科的影響，他們從生物、通信、工程的角度來建立AI模型，而不是從邏輯和推理［6］。在其中心理學家羅森布拉特（F.Rosenblatt）的工作最為引人注目，他的“感知機模型”企圖模擬人的大腦，20世紀60年代他名聲大噪，一些美國媒體甚至對此宣稱“機器即將模擬出人的意識”［6］。

但聯結AI 的歷史并不像符號派那樣一帆風順，由于ANNs早期的缺陷，XOR問題、NP完全問題等并沒有得到很好的解決。隨著21世紀計算機硬件的大幅度升級以及諸多新式的人工神經網絡出現，由辛頓（G.Hinton）所帶領的深度學習算法的熱潮已經超越了符號AI 系統，并占據了現代AI的主要研究。ANNs的優勢在于它們可以處理混亂和非結構化的數據，因此它能比符號AI更好地適應現實環境。并且在學習算法上，ANNs能做到主動學習并且調整節點中的權重，因此無論從AI的訓練還是應用來看，都能使AI 工作者的研究更加便利。

總的來說，符號AI認為知識在推理和學習中的使用對于產生智能活動至關重要，但聯結AI認為從數據中學習其關聯對于理解智能活動至關重要。這兩種作為研究范式之間的爭論雖然持續了大半個世紀，但現代的爭論大部分是由于聯結AI的進步所推動的。在大規模數據的情況下，聯結主義AI技術的成功一方面使其成為當代人工智能研究的主導“范式”，另一方面其不可解釋性、不透明性、黑箱性質也成為研究者們共同關注的焦點。在過去十年中，這兩個學派之間的對話是通過學術論文和社交媒體展開，并且常會引起尖銳的相互評論。從認知科學的角度來看，符號AI與理性主義思維學派非常一致，而聯結主義AI與經驗主義心理學派有密不可分的關系。因此，這兩個學派之間的差異不僅是技術上的，更為深刻的是在哲學上的。

2 非“革命”的轉化

在這一部分，我們將對人工智能研究進路的轉化進行說明，并對符號主義和聯結主義作為“范式”的“不可通約性”加以懷疑。在這里仍要強調的是，如果讀者詢問身邊處于AI或相關行業的一線研究者或工程師，他們很可能從未聽過這種AI研究范式的命名。這并不代表它們是編纂出來的，而是AI學科與其他自然科學一樣，都有理論和實踐兩方面的工作。通常來說，理論和實踐研究是密不可分的，但由于現代技術思潮統攝了研究的方向，理論研究和AI早期先驅者的哲學夢想被技術研究所淡化。大部分AI工作者缺乏對哲學的關注、思考和交流，而哲學工作者由于缺乏這種交流，對AI哲學討論也常會落入思辨的漩渦（這顯然不是麥卡錫想看到的④）。因此，以下三個論點不僅是技術的，它們同樣也是哲學的。

2.1 第一個問題：二者作為“范式”是否不可通約

庫恩認為“相繼范式之間的差異是不可調和的，且新舊范式不僅邏輯上不相容而且是不可通約的”［7］88。盡管上文已展現了符號AI和聯結AI研究的根本不同，并且一再強調它們作為研究的“范式”，從而暗含著范式的不可通約性，但它們很可能只是在不同的描述層次上處理信息的觀點。從歷史上看，符號AI和聯結AI皆受到皮茨和麥卡洛克1943年那篇文章的影響。說聯結AI是“聯結”的并非指它是沒有邏輯的，只不過相比于符號AI的推理的理性方式，它更加注重的是經驗方式；從實踐上看，聯結主義范式也被稱為亞符號范式，這意味著它是比符號系統更低的描述層次上處理信息。聯結AI中函數的轉移和激活是由算法帶動的，從而使ANNs構建起了“邏輯門”，而現有的計算機基本上都是由“邏輯門”所構造的。所以在實踐中，符號AI和ANNs模型并非完全不可通約，因為ANNs仍是在符號系統架構上模擬和運行。在此我們認為，在表達兩者研究方法的區別時，可以在一定程度上使用“范式”一詞，但絕不是庫恩的“不可通約的范式”。二者皆是構建智能目標的方法論，并且在當前的研究中二者逐漸走向融合。

2.2 第二個問題：反常和危機是否出現在符號AI 向聯結AI 的轉化中

在庫恩的理論里，反常和危機恒常聯系在一起。反常是科學研究違反了支配常規科學范式的預測，從而導致理論的調整或是范式的轉化［7］44-45。從歷史上看，符號AI的創始人紐厄爾（A.Newell）和司馬賀（H.Simon）對符號系統的本體論承諾是“物理符號系統能夠進行智能行為，智能行為也需要一個物理符號系統”［8］。符號代表的是一種抽象能力，符號AI所模擬的正是人類思維的理性層面。由于“人類是唯一可以不受限制地建立起符號的各個層次和元層次的符號來象征和指代低層次的符號和被表征的物體的存在”［9］，因此若是否定符號進路，則是對人類智能中理性思維的否定；從實踐上看，專家系統作為最成功和運用最廣泛的符號AI，ANNs的經驗方法目前無法也不能取代其地位⑤。以Cyc⑥項目為例——作為一個超大的“百科全書”系統，“Cyc團隊試圖容納一切經驗性知識，雷納特曾預測Cyc需要1 000萬個適當組織的信息項目，包括規則和事實”［10］。不可否認的是完成一個如此巨大的知識庫在實踐上有很大的難度（且很難囊括現實世界的所有信息），但從目前AI研究中知識表示和推理的重要性來看，符號方法并沒有如庫恩所言的“理論的崩潰和增生導致了危機”［7］73，而只是在研究中放慢了其步伐。

2.3 第三個問題：這種轉化是一種“革命”嗎

庫恩認為：“科學革命就是科學家觀察世界的概念網絡的變更”［7］88。由于上文已論證這兩種研究進路中并無不可通約性，且符號“范式”也并無反常和危機，在此可以預先斷定庫恩的“科學革命”并不存在于這種轉化之中，但仍然有必要做出說明：從歷史上看，聯結AI曾經歷過兩次停擺，一次是由于早期信奉符號方法的明斯基對感知機（Perception）的批判，第二次則是ANNs的反向傳播算法的早期缺陷引起⑦。20世紀90年代后期到本世紀早期由于互聯網的沖擊導致整個AI行業的大蕭條，2006年辛頓在Science 上發表的研究成果才使聯結進路在當代研究中占據上風［6］。聯結AI反復的歷史告訴我們，由于誰也無法保證未來符號派是否會再次回歸，因此只要沒有完全否定掉符號進路或證明其無效，便不存在庫恩所言的“新理論必然取代和摧毀舊理論和舊范式”［7］82的科學革命；從實踐上來看，20世紀日本第五代計算機⑧的大膽嘗試也是促成符號進路失敗的原因之一，但這并不代表我們將不再追尋第五代計算機。同樣，ANNs的諸多弊端和劣性也正在慢慢顯現，例如特斯拉汽車能在ANNs的圖像識別上優異于所有輔助駕駛汽車，但事故的頻發讓我們清楚這離人類程度的自動駕駛仍有很大距離。并且由于缺少符號方法的邏輯結構，ANNs無法達到真正意義上的強人工智能［6］。

3 回到智能本身的研究

“人工智能作為學科，經歷了幾次大起大落。每次高潮都是舊哲學思想的技術再包裝，每次衰敗都源于高潮時期給出的承諾不能兌現。”［3］260許多現代哲學家，甚至是人工智能專家都認為應該把AI看作一種哲學，例如蘭迪（G.Landi）［11］和格利莫（C.Glymour）［12］。回想歷史上真正關于AI的第一個哲學問題，是圖靈所提出“計算機可以思考嗎？”，但這個問題總會平滑地過渡到更為平淡的“人類思維可以機械化嗎？”等回到人本身的哲學問題。在此我們認為：不必像蘭迪那樣否認AI作為一門技術，也無須像格利莫那樣為每個AI技術找到它的哲學根基，而是AI本源的就可以作為一種專門的哲學；AI專家們應該從哲學的視角來認真審視他們的學科，哲學家們也需要認真了解和對待現實的技術，從而相互促進AI和哲學研究。

從技術上來看，符號到聯結進路的轉化讓“人工智能”這個詞匯變得更為狹窄了，但“聯結”并不能代表AI一切。GOFAI不僅代表著對符號派過去研究成果的肯定，同樣也對20世紀AI黃金時代謝幕的總結。符號派具有哲學的理性主義傳統，它可以追溯到17世紀的“萊布尼茲之夢”。萊布尼茲肯定不是一個AI專家，但是他和弗雷格、羅素、哥德爾、王浩等邏輯學家為符號派建立了深刻的邏輯與哲學根基。機器上的定理證明不僅將邏輯演繹自動化，也將AI程序的對象處理自動化。這一點也體現在符號派創始人的觀點：“物理符號系統能夠進行智能行為，智能行為也需要一個物理符號系統”［8］。在符號派的眼里，AI應與人類一樣是一個理性的行動體，外部的世界也應是有著理性可以確定的規律，從而通過已有的知識運用規則產生智能行為和認知。在符號派的工作中，他們始終如一地踐行著“萊布尼茲之夢”，把通用人工智能作為研究的最終目標。但反觀聯結派，作為第一個使用的ANNs 的感知機——“羅森布拉特之夢”的目標是模擬人的大腦，也正是在這一點上，AI才與認知科學開始了長達40多年的“聯姻”。

認知科學中的神經科學和心理學都是從經驗上研究大腦，這一點聯結派與它們不謀而合，因此符號派這種理性哲學上的“自上而下”方法必定被排斥。經驗的科學為我們帶來了太多好處，而且正是在經驗的層面，圖像識別、文本識別、語音識別才得以成功。但正是由于技術的泛濫，早期AI研究的夢想也愈發經驗化，它在當代技術上有了更為具體的命名，如語音助手、自動駕駛等。

但是，“深度學習不過是ANNs層數多一些，并從并行分布的意義上說，所有ANNs模型都不是深的，而是寬的；但自動定理證明是深的，且很難并行化”［3］275。因此，即使這兩種進路中都有各自面臨的難題，但由于ANNs的技術應用能取得更為實際的效果、幫助研究人員們獲得更多經費，從而致使了現代AI研究偏向性地轉為技術性研究。

從哲學上來看，若是AI同蘭迪所言欲擺脫這種技術偏見，它就必須得拋開研究流派的偏見，共同為自己的學科尋覓到深刻的理論根基，而這種根基必須回到哲學的層面才得以建立。“過去許多經典的和微不足道的人工智能哲學問題現在已經解決，AI技術正在超越傳統的DDD（Dirty，Dangerous，Dull）問題；這在很大程度上是由于硬件的大幅提高、算法的不斷改進以及對可行的狹窄問題的關注，但這并非源于大量新的深刻見解的出現。”［13］3從科技史來回顧這一現象可以發現：雖然每個時代都有新奇的技術出現和迭代，但并非每種技術都能在時代的發展中留存；若是未來出現了比AI更為先進的產生智能主體或是在非計算機框架中模擬智能的技術方案，那當下作為最有希望達到“人工智能”夢想的AI技術不過也只是目前最好的方案，但并不是唯一方案。因此，蘭迪所要論證的AI并非作為一門技術而是哲學的論點就情有可原，因為我們仍希望在目前最好的方案中盡最大的科研努力去達成“人工智能”的造物主之夢。因此，哲學家們不必如德雷福斯（H.Dreyfus）那樣用模糊的語言論證計算機程序語言，早已在過去的哲學中隱含，AI專家們也不必擔心哲學家的問題是在干涉他們的工作；而是要在相互合作中明白：人工智能本質上模擬的仍然是人的智能，由于人是已知的唯一智能物種，關于智能的研究則無法超出人的智能界限之外；那么對人工智能哲學的問題探討實質上就是在技術層面對人本身智能問題的討論；AI研究需要在這種合作中回到智能研究本身，而非一味地依賴由硬件提升所保障的技術泡沫⑨，才能有希望達成“萊布尼茲之夢”和“羅森布拉特之夢”。

4 結語

此項研究不僅是對AI研究進路的一種討論，也可以被視為是對AI和AI哲學研究中普遍存在的隨波逐流效應的評論。當下所出現的新的神經符號（Neural-Symbolic）融合進路，其實在上個世紀麥卡錫就已提出［14］，2021 年由布雷澤克（P.J.Blazek）和米洛林（M.M.Lin）帶來的本質神經網絡（ENNs）研究才在實踐上展示了最新進展［15］。他們的研究再一次明確表明許久未見的追求通用人工智能（即強AI）的立場，這說明已經有部分AI學者在重回最初的哲學夢想或是說智能本身的研究，這無疑是令人振奮的信號。因為過去大半個世紀的研究已表明了AI和哲學的相互促進作用，在目前AI研究的諸多技術領域中，許多研究領域本身已經成為追求的目標，但很少有人記得追求這些領域的原因。偶爾從哲學的視角回顧一下研究的基礎工作，對研究的順利進展有很大的幫助。

參考文獻：

［1］ TURING A M. Computing machinery and intelligence［J］. Mind，

1950，59（236）：433-460.

［2］ 瑪格麗特·博登.AI人工智能的本質與未來［M］.孫詩惠，譯.北

京：中國人民大學出版社.2017.

［3］ 尼克.人工智能簡史［M］.2版.北京：人民郵電出版社，2021.

［4］ 史蒂芬·盧奇，丹尼·科佩克.人工智能［M］.2版.林賜，譯.北京：

人民郵電出版社，2018.10.

［5］ MCCULLOCH W S，PITTS W. A Logical calculus of the ideas

immanent in nervous activity［J］. The Bulletin of Mathematical

Biophysics，1943，5（4）：115-133.

［6］ ZHANG Y. A historical interaction between artificial intelligence

and philosophy［EB/OL］.The arXiv，（2022-07-23）［2022-09-03］.

http：?arxiv.org/abs/2208.04148.DOI：10.48550/arXiv.2208.04148.

［7］ 托馬斯·庫恩.科學革命的結構［M］.4版. 金吾倫，胡新和，譯.北

京：北京大學出版社，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 and

meta-interpreting beings［J］. Open Access Journal of Biomedical

Science，2020，2（2）：216-219.

［10］ CHARLES E，RUSSELL G. Building large knowledge-based

systems：representation and inference in the CYC project［J］.

Artificial Intelligence，1993，61（1）：41-52.

［11］ LANDI G. Artificial intelligence as philosophy［M］. Chisinau，

Moldavia：Eliva Press，2021.

［12］ GLYMOUR C. Artificial intelligence is philosophy［M］?Aspects of

Artificial Intelligence. Dordrecht：Springer Netherlands，1988：

195-207.

［13］ MüLLER V C. New developments in the philosophy of AI［M］?

Fundamental issues of artificial intelligence. Cham： Springer

International Publishing，2016：1-4.

［14］ MINSKY M L. Logical versus analogical or symbolic versus

connectionist or neat versus scruffy［J］.AI Magazine，1991，12（2）：

34-51.

［15］ BLAZEK P J，LIN M M.Explainable neural networks that simulate

reasoning［J］.Nature Computational Science，2021，1（9）：607-618.