人工智能问题的认识论分析，本文主要内容关键词为：认识论论文,人工智能论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
毫无疑问，人工智能科学的兴起，计算机等人工智能机的发明创造是人类历史上最重要的事件之一。尽管目前的人工智能在模拟人脑功能方面距理想的要求还相当遥远，然而计算机、人工智能机的广泛应用，的确深刻地影响着社会生活的方方面面。这种情势自然引起了关心人类命运的思想家的高度注意。人工智能的前景如何？在未来的社会生活中究竟扮演什么样的角色？处于什么地位？发挥什么样的作用？具体地说，能不能最后代替、战胜人脑？正如美国哈佛大学艾肯计算实验室安东尼·奥廷格尔教授所指出的，由于这类问题带有过多的科学性质，所以不能推诿给哲学家；但又由于带有过多的哲学性质，又不能推诿给科学家（注：参见休伯特·德雷福斯：《人工智能的极限——计算机不能做什么》，三联书店1986年10月版序第1页，序第1～2页，中译本序第4页。）。基于此，本文拟从哲学和技术两个方面对这一问题试作探讨。
一 从工程技术设计手段上看人工智能
“电脑能不能代替人脑”？由于这一问题的含义十分模糊，我们不能简单地回答“能”或“不能”，而应当作出具体的分析和解答。因为人们对它至少可以作出如下三种完全不同的理解：（1 ）计算机能不能完成一些迄今为止主要是靠人的大脑的活动完成的工作？（2 ）计算机能不能完成一切这种工作？（3 ）计算机能不能像人的大脑一样地完成这种工作？
显然，这三个问题就其性质而言是根本不相同的，而对其性质的准确区分和理解将有助于我们对问题的解答。
对于问题（1），回答是肯定的， 因为它已由计算机在社会生活中许多领域广泛应用的事实所证实。我们看到，自计算机创造发明之日起，它所从事的一切工作一直就是那些主要依靠人的大脑完成的工作，例如科技计算、文件编辑、信息管理等等。在现实生活中，计算机的应用领域仍在不断扩大。随着计算机技术水平的提高、功能作用的加大以及使用方法的增多，计算机的应用正把它的触角伸向那些通常认为很难使用计算机的领域，如专家系统、模式识别、机器翻译、定理证明、问题求解和自然语言理解等等。这些都是目前人工智能科学研究的主要内容，也是其应用的前沿。无庸讳言，人工智能在这些领域的研究进展还比较缓慢，其应用也未能达到令人振奋的成功，有些问题甚至似乎是目前乃至将来相当一段时间内难以攻克的难题。但正如奥廷格尔所指出的，不应“把这看作是存在着不可逾越障碍的标志”，而应看成“那种为克服取得成功路上巨大技术困难和认识上困难所付出的正常代价”（注：参见休伯特·德雷福斯：《人工智能的极限——计算机不能做什么》，三联书店1986年10月版序第1页，序第1～2页，中译本序第4页。）。
随着计算机技术水平的提高、人们对某一具体问题认识的深入，计算机应用的深度和广度必然不断得到发展。面对这种情况我们又必须保持清醒的认识，因为只要我们稍有不慎，就会陷入幻觉：以为计算机的应用并无界限，也就是说，对前面的问题（2）做出肯定的回答。 这就是对人工智能研究前景持乐观态度的“乐观派”的看法。然而如马希文先生所指出的：“这是一种没有根据的外推，其中包含着不合理的逻辑跳跃。”（注：参见休伯特·德雷福斯：《人工智能的极限——计算机不能做什么》，三联书店1986年10月版序第1页，序第1～2页， 中译本序第4页。 ）下面我们拟从计算机解决问题的基本方法的角度对此作一分析和说明。
熟悉计算机工作原理的人都知道，要计算机解决某种问题，一般地说，要有三个基本的前提，或说先要进行“三化”处理。这就是：
第一，把实际问题的描述形式化，建立起相应的数学模型和形式系统。计算机，至少在它较低的层面上，只能进行有限符号集上有限长符号串的决定性的形式变换。人们在使用计算机时，往往从观念上以及实现手段上加上一些较高的层面。因此上述的要求可以稍稍放宽，比如可以不必事先假定符号集是有限的，可以认为符号串是有结构的，等等。但是上述要求无论如何放宽，计算机都只能做符号处理工作。因此，任何问题要交给计算机去解答，都必须先建立起相应的数学模型和形式系统，规定所用的符号所代表的问题含义，规定符号联结成合法符号串的规则（语法），以及合法符号串如何表示问题领域中的意义（解释）。然后，建立一些规则，规定对这些符号串只能作何种变换，即进行怎样的推演。这样一来，要解答的问题就可以用符号串表示出来，怎样推演是一个解，也可以表现为对符号串的一些要求或条件。就是说，计算机求解的过程就是从表示问题的符号串出发，按规则进行推演，直到推导出符合某种要求的符号串为止。这一整套方法一般称作形式化。计算机的各种应用无不是依靠这种方法来实现的。在人工智能“乐观派”看来，计算机应能解决人脑能够解决的一切问题。如果是这样话，那么计算机也应能解决如何把某种问题形式化的问题。然而，要计算机做到这一点几乎是不可能的。我们知道，形式化是一种从非形式化的领域向形式化的领域转变的过程。如果要计算机来完成这一转变，那么还得把这个转变形式化。显然，这又涉及到如何表示转变的起点——一个非形式化的领域（因计算机要处理的事物对象并非形式的存在物），这样就造成了一种回归现象（甚至是悖论）。要想避免这种回归，就必须假定我们有一种无所不包的先验的形式化系统。然而形式化系统是一种理性创造物，而不是先验存在的东西。就是说，要计算机能代替人脑完成的一切工作，就得预先把我们今天尚未认识而明天可能认识的问题预先形式化，这一点以计算机为基础的人工智能机是无法做到的。退后一步说，计算机即使能做到这一点，但由于客观事物的无限多样性，我们也会遇到一个无限多的符号、无限多的规则而形成的无限多的形式系统。显然，这与计算机的资源的有限性是矛盾的，即计算机有限的存贮能力无法承担处理无限多的形式系统所反映的事物现象。也许有人认为，我们可以把问题领域逐个形式化，然后逐渐扩展到整个问题领域。这只是人类的一种主观愿望而已。因为不仅“整个问题”是什么本身就是一个无法界说的问题，而且计算机遇到某个问题时，如何判断该问题所属的领域也存在一个导致无穷回归的问题。
由上可见，指望把人脑能做的一切交给计算机去完成，从工程技术的角度看，“首先遇到的也是最基本的困难就是形式化的困难”。
第二，要使求解问题机械化，即在形式化的基础上，把问题的推演过程转换成某种算法式或启发式规则，以便机器执行。就是说，计算机要解决问题，第一步是要使问题形式化，第二步是要为这些已经形式化的问题找到一种算法，否则那怕是性能再优越、功能再齐全的计算机面对再简单的问题也是无能为力的。然而存在某种算法和找到这种算法毕竟是不同的两回事，前者是客观的，后者是人脑的功能。要想用计算机代替人脑，那么计算机必须能找出一种算法来代替人脑寻找算法。显然，这又遇到了回归。
对此，也许有人说，可以运用搜索法解决这一问题，因为搜索法是一种万能的算法。正如马希文先生所指出的：“这其实是一种误会”，因为搜索法在涉及无穷集合的问题中是无法运用的。比如说，给定一个自然数之后，我们可以用搜索的办法来判断它能否分解为两个奇素数之和，因为我们只用检查它的每种分解式中的两个数是否奇素数就行了，而这种分解式是有穷多的。而要想用同样的搜索法来判断它能否分解为两个奇素数之差却办不到，因为这种分解式是无穷多的。其实，如果给定的数是奇数，一点点关于奇偶性的考虑便可以证明它不能分解为两个奇素数之和或差。这个证明当然也可以用搜索法发现，但却要在一个稍许不同的形式系统中去做。如果给定的数是偶数，这便是“哥德巴赫猜想”这样的让众多数学家头痛的难题，要寻找这样一个证明，则要有更复杂的形式系统。计算机只能进行符号处理，而从符号串的变换角度来观察这个问题，它们是分属于不同形式系统的问题。虽然从解释上看，它们是一致的，这就是在不同层面上看待同一问题。就是说，一个问题（比如证明一个命题），只有当它在某个形式系统中可解的时候，才能指望着用搜索的办法求出其解来，在涉及无穷集合的问题中，如果问题无解，搜索过程并不能发现它无解，因此，当我们为了解答问题而不得不从一个层面即形式系统向另一个层面（也是形式系统）过渡时（且不说这个形式系统如何做出的问题），我们是无法判断应在哪一个层面上停止下来的。在这种条件下，“万能的”搜索法也是爱莫能助的。
第三，要使解题的过程自动化，即运用逻辑代数和基本的逻辑电路，自动地进行操作推演。以计算机为其基础的人工智能机，顾名思义，无论其性能多么优越，它毕竟是人工的创造物，而非某种天然的存在。因而无论是其产生形成的过程，还是其功能作用的发挥都离不开人，没有人的启动，任何机器都不可自动地进入工作状态。“自动机”中的“自动”本身就是一种不切实际的修饰，它是人们所追求的一种理想境界，真正的“自动”机在现实中不存在也不可能存在。因为要使从事某一问题求解的计算机的确具有“自动”的特性，那么，很显然又必须具有某种能使之“自动”的“自动”计算机。这样一来，不又导致了无穷的回归吗？
其实，不可一世的“深蓝”的研制也说明了它本身不可能自行接受信息，自行编制程序。就连“深蓝”的设计师也认为：“深蓝”甚至连最笨的人也赶不上，它仅仅是处理并记牢人所编制的程序。这使得“乐观者”也不得不承认“国际象棋大师、曾获得美国全国冠军的本杰明的参与就具有启发意义，是他把自己的棋艺、技巧、对策和经验贡献给机器的。与本杰明一道工作的其他科学家认为，本杰明帮助他们提高了计算机的能力，使它注意到自己的阵地，使它对战略的‘体会’和某些棋子相对重要性的鉴别更深刻。这也许是‘深蓝’在选择较佳策略等棋力因素方面有‘突飞猛进’的原因。”（注：童天湘：《从“人机大战”到人机共生》载《自然辩证法研究》1997年第9期，第4页。）被“深蓝”打败的卡斯帕罗夫之所以“仍然很高傲”，因为他懂得“他的对手并不是‘深蓝’主机，而是参与‘深蓝’设计的全体科学家，是一群人如何运用电脑的硬、软件来向一个人的智慧和反应挑战”。 正因为如此， 1997年5月23日《亚洲周刊》一篇文章指出：“电脑胜人脑， 华人是赢家”（注：因为研制“深蓝”的主要人物是来自台湾的华人许峰雄和谭宗仁。）。这一语中的，揭示了问题的实质所在：电脑的背后是人，电脑不仅是由人制造的，也是由人操作的。虽然表面看来电脑战胜了人脑，而实质上还是人的胜利，人的智能不仅不能由此证明低于电脑，相反，恰好说明人的智能的至上性。
对以电脑为基础的人工智能机持“乐观”态度的人也懂得，机器下棋要取胜，就得有学习功能。然而什么是他们所理解的“机器的学习功能”呢？“就是每场对局结束后，‘深蓝’小组都会根据卡斯帕罗夫的情况，相应地修改特定的参数。”并解释说：“‘深蓝’不会思考，但这些工作实际上起到强迫它学习的‘作用’”，“尽管这种学习与塞缪尔编制的能自由改进的程序所实现的机器学习不同。但毕竟不是‘根本没有任何学习功能’，只不过是由人辅助的机器学习。”（注：童天湘：《从“人机大战”到人机共生》载《自然辩证法研究》1997年第9 期，第5页。）“深蓝”既然“不会思考”，那么“根据卡斯帕罗夫的情况，相应地修改特定的参数”的只可能是由人构成的“深蓝”小组来进行，而不可能是机器人“深蓝”。“深蓝”的学习要人“强迫”，要“由人辅助”，难道能称得上机器具有自动学习的功能么？
由于人工智能机解题必须具备上述几个方面的条件，而它自身无法创设这些条件，所以说，要计算机或人工智能机，完成一切迄今为止主要是靠人的大脑活动完成的工作是不可能的。
二 从仿生学研究的角度看人工智能
那么“计算机能不能像人的大脑一样地完成这种工作”呢？对此，有人选择仿生学的方法或曰途径进行探索。沿着仿生学途径进行研究的人们，主张从生物学的角度来直接模拟动物或人的大脑及各种感觉器官的结构和功能，力图寻找一种可以描述自然神经系统的方法，建立神经生理学模型。许多学者沿着这条途径做了不少工作，在人工智能的研究中取得了一定的成绩。从1943年数理逻辑学家麦卡洛克（W·Meculloch）和神经生理学家匹兹（W·Pitts）提出第一个“交互联系，并行计算”的神经元的数学模型,以及心理学家赫布（D·O·HeBB）提出的神经元间突触联系强度可变并具有学习功能的理论算起，基本上开始勾勒出脑的智力活动的大体轮廓（注：Searle JR.Minds,Brains,and Science,Boaston:Harvand University Press,1984.）。但是，由于关于脑的微观和宏观活动的同步记录的技术手段上的巨大限制，以及进行两者相关分析的计算手段的限制与理论发展的缓慢，使脑仿生的研究处于相当长的低潮期。
清醒脑的微电极记录技术以及正电子发射断层扫描技术的出现为同步记录脑的微观和宏观活动提供了有力的工具。现代微观电子技术的发展为研制新型神经计算机提供了基础，同时有关神经网络的研究也取得了突破性的进展。
目前神经科学已从若干层面上提示出人的脑活动的某些特点：一是脑内存在并行系统，即所接收的信号可以在几百万条通道中同时进行处理；二是神经元对输入信号的反应是模拟式的而非数字式的，其输出脉冲的频率随着输入信号而连续变化；三是在人脑中，两群神经元之间的通讯常常是交互的，这种交互性联系使人脑有可能调剂其感觉信息的处理，并与人脑形成一个真正具有高度复杂行为的动态系统，并且在一定程度上独立于周围的刺激。神经科学对大脑这些特点的揭示虽然还不全面、还很粗糙，但是对推进人工智能的研究还是十分有意义的。因为正是基于对人脑活动上述特点的认识，哈弗尔德（Hopfield）提出了神经网络模型。据报道，他把这种模型作为联想的存储器“用于解决最优化问题，效果良好”。有人甚至认为，“神经网络（或神经计算机）的发展计划为人类了解与扩展人脑智力带来了曙光。”（注：冯瑞本等：《从人脑到计算机—鸿沟能否逾越》，载《心理科学》1997年第3期， 第225页。）的确，目前神经网络研究在模式识别、故障检测、 智能机器人、自适应控制、市场分析、决策优化、物资调运和认知科学等广泛的领域中得到发展（注：参见胡守仁：《神经网络导论》，国防科技大学出版社1993年版，第36页。）。
但是笔者认为，对神经网络持过于乐观的态度至少在目前仍然尚显盲目。这是因为，人们对人脑的结构和活动机制的了解虽然取得了一些有价值的成果，但总的说来，仍然是十分粗略的。大脑无疑是物质的东西，其活动首先是物质的运动。这就是大脑的物理的、化学的、生物的活动。用分子生物学、遗传工程、人造蛋白质等手段来制造出一个大脑，这也许会成功，但这并不意味着它就是人脑，具有如同人脑一样的认知功能。人脑是一个异常复杂的组织，要从物质运动的层面上模拟它，这就要求弄清大脑的结构和机制，就会出现大量的细节。比如说某个脑细胞的构造吧，它有一定的外部结构（如形状、重量），细胞学层面上的结构（如细胞核、染色体），其中每个组成部分又有分子生物学层面上的结构（如分子的空间构形），每个原子又有基本粒子层面上的结构，如此等等，以至无穷。到底哪些东西是大脑结构中带实质性的决定性的东西呢？又如脑细胞之间的联系，除了宏观的电、磁、力等方面的联系之外，还有微观的分子、原子以致基本粒子之间的交换，等等。显然，如果我们对这些没有清楚透彻的了解，又如何去模拟大脑的活动呢？
近几十年来，循着仿生学途径，人们对人脑高级功能的研究是按照把脑的某些高级功能还原成局部的神经网络，或者是简单的系统中的基本过程，甚至还原成基本的细胞、分子事件，这也许是按正确的方式进行的。但是对于以基本的细胞、分子事件为基础的局部神经网络如何组装起来，从而构成宏大的神经系统本身，并以此来实现脑的高级功能，在现实条件下，我们既缺乏有成效的研究手段，同时也许是更为重要的，即在理论上也是相当模糊的。例如近年来虽然在某种程度上我们对感觉器官信息在大脑初级感觉皮层及其附近联合皮层上的处理已粗略地形成了一幅概貌图，但是感觉信息最后是如何被整合起来，从而反映和认识外部世界的呢？对此我们几乎一无所知。又例如，语言能力是人脑特有的高级功能，但是至今对于语言的中枢表征仍然只有极为模糊的认识。甚至如有的学者所指出的：“连应该用何种策略和方法来研究人脑对这类信息的处理过程还是举棋不定”。
另外，尽管神经生理学已积累了不少关于诸如离子通道、突触、神经元的兴奋和抑制等知识，掌握了像直接把握单个原子这样的纳米技术，但须知这些知识和技能的获得大多不是对人的研究而获得的。因为许多神经科学的研究手段或方法目前还不能应用于人体，只能借助于动物模型，然后类比于人。可以想见，由此必然形成仿生蓝图的某种缺陷，这里还涉及到一个有关神经网络的规模水平的问题。所谓“规模”不只是一个量的概念，同时还具有质的含义。这就是我们不能简单地从一个复杂系统的基本组成成份的性质来外推这个系统是如何工作的，就象了解鸟的羽毛的性质仍不了解鸟的飞行一样。关于这一点我们赞同休伯特·德雷福斯的看法。德雷福斯说过：人们不应指望缺少人体或人类社会交往的一台计算机所具有的智能是一种人类的智能。因为人脑的功能根本不只是由其生理的机能决定性地发展出来的，而需要与周围环境发生联系。孤立地模拟大脑的机制，不把它放到与外界相联系的环境中，当然不可能产生诸如人脑那样的智能行为。因为人不只是一个生物体，而更为重要的是一种类的存在物。
人工智能系统不能像人的大脑一样地处理信息、完成各种复杂智力任务还在于它不能实现遗传和进化。众所周知，人作为一种生物体，它能自我生成和更新，永久生存，不断进化。而人工智能系统作为人类的一种创造物由于本身缺少传递再创造的信息和生成器，所以损坏后不能自我生成，更谈不上自我进化。要做到这一点，就必须用软件的方式来实现信息的遗传和继承，使其能象生物系统那样自我繁殖、自我进化。为了达到这一理想境界，人们提出并着手研究所谓“自生软件系统”。然而，软件真的能做到“自生”吗？人工智能系统要真正做到像人的大脑那样地工作，就必须在“自生软件系统”之先有一个“自生软件系统”。显然，这又导致了可怕的回归，所以笔者认为，研制“自生软件系统”完全如同制造“永动机”，其设想和作法是天真幼稚的。它决不可能像有些人所想象的能使我们看到“人工智能系统自我进化的曙光”。因为它太悖于科学常识了。科学无疑需要幻想，但它又决不能依靠幻想。在人工智能研究中，同在一切科学活动中一样，我们必须自觉遵守唯物主义的认识路线。如果凭主观愿望，意气用事，到头来，其结果只能是事与愿违。
所以笔者认为，循着仿生学的途径，即或能研制出某种神经计算机，它不仅能完成一些迄今为止主要是靠人的大脑的活动完成的工作，而且能完成一切这种工作，但是它决不能像人的大脑一样地完成这种工作。基于这种认识，笔者认为，任何否认从仿生学的角度研究人工智能的价值是不恰当的，同时任何夸大从这一角度研究的价值也是不合适的。这不是对问题的调和折中，而是尊重事实的科学态度。
三 从心理学研究的途径看人工智能
由于运用仿生学的方法研究人工智能遇到一些无法克服的困难，于是有不少人主张并着手从心理学的途径来进行研究。选择这一研究途径的不仅有心理学家，也有不少计算机科学家。他们认为，要使机器的行为具有像人脑那样的智能，最好的办法是了解、研究人，然后模拟人的智能行为。但是，由于现代神经生理学能提供给我们的关于人脑及其机能的知识还甚少，例如，由神经元的活动到逻辑思维这中间有很多步骤是没有弄清楚的，所以这些学者主张暂时撇开对脑的内部结构及其活动机制的研究而采用心理学模型。循心理学途径研究人工智能的人们应用实验心理学的方法，搜集和考察人在各种情境下解决各类问题时的言语素材和行为表现。然后，对这些实验材料进行认真的分析研究，试图了解掌握人在知觉、记忆、理解或解决各种问题时采用什么样的步骤和策略，有什么窍门或捷径，怎样规划自己的行为，怎样进行推演等等。在总结出一些规律的基础上，提出心理学模型，然后用计算机进行模拟，达到使机器表现出智能行为的目的。运用这一研究方式的人认为，由这种方法所建立的模型最初可能是粗略的，计算机模拟的结果也可能同人的行为不很一致，但他们相信，经过不断的模拟修改，可以使计算机的作业逐渐接近、最终与人的智能行为相一致。由缪维尔、西蒙等人研制成的“逻辑理论专家”程序所运用的就是这种方法。
循心理学途径来研究人工智能，的确如有的研究者所说的：不仅在人工智能的开创时期起了奠基性的作用，而且在国际人工智能的研究中，现在仍然是颇有生气，很受人们的重视。我们并不怀疑，沿着这一途径也许会取得丰硕的成果。然而我们能否断定由此而研制出的计算机就具有如同人脑一样的智能呢？为了回答这一问题，让我们先来考察一下这一研究途径或方法所依据的理论前提。这一途径所依据的理论前提就是由缪维尔和西蒙等人提出的“物理符号系统”假设。这种假设认为，无论是人还是计算机都是具有输入符号、输出符号、存储符号、复制符号、建立符号结构、条件性转移六种功能的完善的信息加工系统。信息加工系统也就是“符号操作系统”，或叫做“物理符号系统”。这个假说认为，任何一个系统，如果它的行为表现出智能的话，就必须具有前述的六种功能；反之，任何一种系统，如果能执行这六种功能，那么它的行为就会表现出智能的特征。从这一假设出发，他们又作出了三个附带的推论：第一，既然人具有智能，它就一定是个完善的物理符号系统。他们认为，人类的智能就是在人对符号和符号结构的操作过程中，在对信息的加工过程中体现出来的；第二，既然计算机是一个完善的物理符号系统，它具有输入、输出、存储、复制符号以及建立符号结构、实行条件性转移六种功能，所以计算机的行为就能够表现出如同人脑一样的智能。这一推论，可以说是他们选择心理学途径进行人工智能研究的基本前提；第三，既然人和计算机都是完善的物理符号系统，二者工作的基本原理是一致的，所以，我们完全可以用计算机来模拟人的认知过程，包括对复杂问题的解决过程。也就是说，我们可以按照人类心理活动的操作过程来编制计算机程序，把人类记忆、理解过程的特点和解决问题的步骤、策略和经验编进计算机程序中去。这样，一方面模拟了人类的认知活动，就可以进一步深入了解人类认知活动的特点和规律。因为用计算机来模拟人的认知活动，就可以利用计算机程序形式化地描述人的认知过程，建立人类各种认知过程的模型或理论。另一方面，用计算机来模拟人的认知过程，将会使机器的行为表现出人类那样的智能。
用计算机模拟人类的心理活动的操作过程，无疑有助于我们对人类自身认知活动的特点和规律的了解与掌握，由此而建立的认知模型也能表现出某些如同人类大脑那样的智能，甚至能完成众多用人脑无法完成的工作，但是如仿生学途径一样，心理学模型无论如何也不可能像人的大脑那样地完成各种工作。其理由有三：
第一，把人的认知活动仅仅解释成一种信息操作活动还缺乏严格的科学依据。无庸讳言，将信息论引入认知科学，的确给沉闷的研究活动带来了一股清风。依据信息论的原理确实也解释了一些以往让人们百思不得其解的难题。但是我们必须承认，把人脑比作一种信息处理装置，还只是一种假设。就是说像人脑的功能是否都可以通过信息处理活动来描述这样的问题，如有的学者所说的：“无论从理论上或实验上都远未得到证实”。而选用心理学途径来从事人工智能研究的人们就是以这一“远未得到证实”的东西作为其推论的依据的。而从一般的论证规则要求来看，这一作法显然违反了论证规则，犯了“预期理由”的错误。
第二，退后一步说，即使我们承认大脑是如同计算机等人工智能机那样一种信息处理装置，但是从大脑的信息处理层面到达认知层面难道就不存在中间环节（或层面）吗？信息处理层面显然还不是认知层面，二者之间必定还存在过渡的环节（或层面）。况且可以设想，这些层面也不可能像一条直链上的许多中间环节，而是一个复杂网络中的不同结点，其联系是复杂的。然而对此，我们知之甚少，“恐怕还要许多代人的努力方可形成比较清晰的认识”。就是说，把信息处理视为从大脑的生理活动到达思维活动的必经之路或唯一环节也是没有多少现实根据的。没有根据的东西作为推理的根据，其结论的科学性是很难令人信服的。也许正是由于这一问题的存在，使不少研究者开始注意对形象思维（以及顿悟）的特殊规律的探索。这从一定意义上也可以看出，用信息处理作为人脑的功能作用方式而作出描述和解释的假设，遇到了很大的困难。
第三，用计算机模拟所形成的心理学模型，也许能使机器表现出一定的智能行为，但这种机器决不可能像人的大脑那样完成各种智力活动。在建立心理学模型时，尽管不必把问题形式化，但是当用计算机程序模拟这个心理学模型时，还是少不了一个符号化形式化的环节。因为计算机只能做符号处理工作，况且计算机本身无法完成由非形式化的心理学模型到形式化语言的变换，而只能按人们输入的一定程序进行刻板式的推演运算。且不说，计算机自身无法实现对心理模式的模拟，就是提出一个心理模式，也无法做到。它不可自动地应用实验心理学的方法去搜集和考察人在各种情境下解决各类问题时的言语材料和行为表现，不会对这些实验材料进行认真的甄别、分析与研究，了解人在知觉、记忆理解或解决各种问题时采用什么样的步骤和策略，有什么窍门或捷径，怎样规划自己的行动，等等。在总结出一些规律的基础上，提出心理学模型，这一切都只能由人来完成。就是说，计算机等人工智能系统不具有学习的能力，它不能从现实世界的实例与现实中获取并总结出知识。尤其对一些知识背景不清楚、推理规则不明确、环境信息十分复杂的知识处理，或是算法难以提取的信息处理任务更是显得无能为力。正是由于这一致命的缺陷，使得某些于人而言极易做到的事，如图像识别，计算机却显得困难重重，其识别过程远远超过人脑的视觉系统所花费的时间。
我们是唯物论者，我们热切盼望人类能研制出性能不断提高的智能机，并企求能为这一速度的加快作点有价值的努力。对人工智能作认识论的分析，可以说就是这一愿望和行为的具体体现。我们之所以反对对人工智能持“乐观”态度的人，就是因为他们不是唯物地看待这一问题，即不是从理论和技术的角度全面具体地分析探讨人工智能机战胜人类的可能性，而是以主观代替客观，把理想当现实，从而得出错误的结论。他们的所作所为看似辩证的、正确的，但他们离开了“唯物”这个基本前提。因而，笔者认为，在如何看待人工智能机的作用、地位等问题上，摒弃唯心论，宣传、贯彻实事求是的唯物主义思想路线，在现今条件下，具有特别重要的意义，它可以说是认识方法上的一次拨乱反正。
收稿日期：1998－12－05
标签：人工智能论文; 计算机模拟论文; 大脑结构论文; 大脑极限论文; 智能机器论文; 符号计算论文; 功能分析论文; 心理学发展论文; 电脑论文; 认知科学论文;