科学阐释与算法阐释
肖 峰
(华南理工大学 哲学与科技高等研究所，广东 广州 510641;中国青年政治学院 科学与公共事务研究所，北京 100089)
摘 要: “科学”和“算法”是今天我们经常接触到的两个概念，而科学阐释和算法阐释则是当今的重要认知方式和学科领域。 科学阐释可区分为对科学自身的阐释和用科学(的视角、方法等)去对自然对象进行阐释，算法阐释也可以相应地区分为对算法本身的阐释和用算法的视角去进行阐释。 科学阐释和算法阐释之间具有复杂而多重的关系，包括： 科学阐释是否都蕴含着算法，以及算法阐释是不是一种科学阐释？从科学和哲学的视角看算法是一种客观存在还是一种主观建构？如何评价由科学阐释衍生而成的科学主义以及由算法阐释扩展而来的计算主义？在科学兴盛的信息时代，我们应具备何种程度的算法知识和素养？对这些问题的探讨有助于加深对科学和算法及其功能的理解。
关键词: 科学； 算法； 阐释； 计算； 认知
阐释(也称为解释、诠释等，这里将其界定为兼有explanation, interpretation和understanding之意)作为一种重要的认识活动，可以基于不同的角度进行不同的分类，如人文阐释与科学阐释就是通常的分类，这一分类突破了过去认为只有人文领域才有阐释、科学领域只有说明的界限，使得阐释的特征也多方面地表现在科学认知的过程之中。
算法作为计算机软件的核心以及人工智能的基石，也日益深刻地影响着我们的生活，包括不断改变我们的认识方式，甚至形成了“从算法的角度看问题”的观念和方法，这就是“算法主义”或“计算主义”。 “从算法的角度看”也就是形成了用算法去阐释对象的视角，一旦有了这种视角，就必然和上面所说的科学阐释之间发生关系，由此形成需要我们加以认真探讨的新问题。
一、科学阐释的两种类型
可以说，科学哲学和科学知识社会学明确了科学具有阐释的特性，从而消解了科学与人文之间的僵硬界限，打破了“两种文化”之间不可逾越的鸿沟。 尤其是科学知识社会学提出了科学的对象(自然现象)可以用不止一种方式来说明，和人文对象一样具有“解释的灵活性”，这就使得科学阐释与人文阐释之间也不再那么泾渭分明了。 内格尔(Ernest Nagel)认为科学解释的类型除了演绎性解释和或然性解释外，还有目的论解释和发生学解释，这也从科学哲学的角度说明了即使是对同一自然对象进行科学解释，也是可以有多种角度从而形成多种解释的。
驱动层主要由PCIE驱动[16]、DMA高速接口、数据流控制模块、内核接口和系统库组成，实现使用注册，密钥获取、传输，加解密数据控制功能，重点实现基于DMA环的高速数据传输控制、硬件交互协议和内核接口，如图10所示。
科学阐释的“多样性”不仅可以从上面的视角去认识，而且还可以从以下两个基本角度来将其区分为“科学阐释1”和“科学阐释2”两种不同的类型。
我们没有祖国可以回归。我们被一些不确定的阐释，被一群过度敏感者过度阐释的世界所包围。在这种情况下，徐浡君在他的作品中掺入了一种能让他堕入其中，却不会被耗尽的敏感，或者说感觉，为了栖居扎根，为了与文化更靠近，或者乔装成文化，这种感觉也是一种理解力，超越了事物的融和与差别，单纯和忍让。
“科学阐释1”指的是对科学本身的阐释，重点要解决的问题为“科学是什么”。 当然，这里的“是什么”其实也包含了“为什么”，即“为什么你认为科学是……”。 如为什么认为科学与非科学的区别是确切的或不确切的？科学阐释1所形成的“学科”是science study, 即关于科学自身的“反身性研究”，这样的研究或这种对科学的阐释如果是哲学层面的，则导向的是科学哲学的各种流派，包括从逻辑实证主义到历史主义、后现代主义科学哲学等，这些科学哲学的流派都提出了关于“科学是什么”的阐释主张，形成了不同的科学哲学层次上的“科学观”。 这样的研究或这种对科学的阐释如果是社会学层面的，则导向的是科学社会学，尤其是科学知识社会学。 科学阐释1的意义在于，对科学的本质和功能进行不断拓展的反思，对科学的发展和进步中出现的令人困惑的问题不断去深入理解，使得人类的科学观在不断修正和完善中变得更加合理，或更具包容性。
算法阐释2：从科学阐释2的意义上推论而来，它指的是用算法可以阐释什么。当用算法来阐释认知时，就形成认知算法主义或认知计算主义，简称认知主义，这也是第一代认知科学对认知的本质所持的观点：人的认知本质上是对符号表征的计算； 当用算法来阐释世界时，就走向本体论或世界观意义上的算法主义或计算主义，即主张生命就是计算的过程，宇宙就是一台巨型计算机，如此等等。 由此引出的问题是：算法是否可以作为一种隐喻而将其含义无限扩张？算法作为符号变换的规则，是否可将宇宙中的一切变换都视为计算，从而将其中的变换规则都视为算法？在这里我们或许可以看到，如同科学阐释2的视界扩张导致了科学主义一样，算法视界的扩张也类似地导向了计算主义。
当然，科学阐释2还可进一步分为：用科学去阐释什么(基于对象)，以及用科学的什么(方法、学科、视角)去进行阐释。 前者就是分门别类的各种具体科学，像经典物理学就是用科学去阐释物体的机械运动和声、光、电等物理现象，生物学就是用科学去阐释生命现象等； 后者如社会达尔文主义，即用生物进化的方法去阐释社会现象。 所以科学阐释2可以形成跨界阐释，即形成“科学视角”并用这种视角去说明那些通常并未纳入科学对象的现象，通常是那些本不属于科学研究领域的“非自然现象”。 这种跨学科的阐释视角目前已得到了极大的扩展，几乎所有人文社会科学领域都因为引入科学阐释的视角而形成了相关的“交叉学科”，如用科学去阐释哲学，就是科学化的哲学，即scientific philosophy(不同于philosophy of science)； 用科学去阐释认识论，就是自然主义认识论； 用科学去阐释人，就是人的科学(science of men)……当科学阐释2在跨学科作业中被不适当夸大或绝对化时，就形成了“科学主义”，一种用科学阐释取代其他一切阐释(尤其是人文阐释)的学术主张，这实际上是对阐释多样性的一种否定。
在算法阐释2中，目前的重点是用算法来阐释认知，在一定程度上取得了成功，并且早期的人工智能也是利用这种成功，基于符号主义或功能主义而开发了可以模拟人脑计算、推理和决策等功能的人工智能，而这种人工智能的成功又反过来强化了对认知的计算主义阐释。 这种阐释还从单向扩展为双向，即形成了算法和认知之间的相互阐释问题，不仅认知可以用算法来阐释(认知就是对表征所执行的算法)，而且算法也可以用认知来阐释：算法就是认知所使用的方法、程序、规则……
二、从科学阐释到算法阐释
当然，也要看到算法阐释2的有限性，即用算法来阐释认知时，也是存在局限性的。 在现代认知科学看来，“心灵的计算理论”或“认知的算法阐释”并不能说明心灵认知的全部特征和本质，如同德雷福斯所说：真实的思维是不能够被明述的程序所穷尽的。 一个明显的事实是，认知中也有非算法或超算法的因素，那些情理之中但意料之外的非推理、不连贯的思维活动，或者认知中无时不有的环境、身体、情绪等因素的影响，就是算法所不能全部反映和刻画的，它们构成为认知活动须臾不能离开的基础。 一定意义上，计算机=计算=算法，而将其推导为“心灵=算法”则不成立，因为心灵中还有算法以外的东西，尤其是有语义； 或者说，机器的算法可以是“纯算法”，而心灵的中的算法是语义关涉的，或语义纠缠的，而不是纯算法。 正因为如此，才出现了“第二代认知科学”，用具身认知、延展认知、嵌入认知、生成认知等来补充基于算法刻画的以“表征计算”为核心的认知主义即“第一代认知科学”，由此才能形成对认知现象的更全面更合理的阐释。
职工是安置工作的主要对象，职工对于煤矿安置措施的接受度直接影响安置工作的顺利进行。在本次安置工作中，员工对于煤矿关闭和职工安置措施接受得很无奈，但接受速度极快，很多员工表示，煤矿关闭已成事实，只能接受。从正式开展安置工作开始，十天内成功解除劳动合同员工共478人。除办理退休和内退的员工，剩下尚未完成安置的员工已不足两百人。
算法阐释1：由科学阐释1引申而来，它是对算法本身的阐释，通过这种阐释解决如下问题：算法是什么？人脑算法和机器算法之间是什么关系？机器算法是客观存在的还是主观建构的？由于算法不是实体性存在，也不是独立的精神存在，它附着于计算机、程序和软件之上，但算法又是人开发或发明、创造出来，然后应用于上述载体。 可以说算法与计算机之间形成一种互为体用的关系：算法因计算机而生，计算机因算法而活； 要用计算机解决问题，就要设计能被有效且自动执行的算法； 要使算法成为一种存在，必须负载于计算机并借助其发挥作用，两者之间谁也离不开谁。 于是算法究竟是一种客观的存在还是随附于机器才能存在的现象，就成为一个颇具争议的问题，为此需要对问题的性质加以清晰阐释。 此外，涉及算法阐释1的问题还有：机器算法是科学还是技术？存在可以解决一切问题的“终极算法”吗？终极算法的一个前提假设是，所有知识，无论是过去、现在还是未来的，都有可能通过单个通用学习算法来从数据或环境中获得，有了这样的终极算法，就可以发展出“超级人工智能”，就意味着库茨维尔所说的“奇点”将成为现实，人类就会被具有强大算法功能的机器所统治、奴役甚至毁灭。 所以对算法的这方面阐释具有重要的意义，它决定我们对算法功能的理解，从而影响我们对开发算法技术的态度，也将决定算法的未来走向。
“科学阐释2”指的是用科学去阐释，即以科学为工具去阐释别的对象。 如果用科学去阐释(说明)自然界，就是通常的以自然为对象的科学研究即science research，它是与上面的science study不同的另一种研究，是科学家所具体从事的工作，而science study通常是人文社会科学家所从事的工作(所以science study也被意译为“科学的人文社会研究”)。 科学阐释2从某种意义上就是要揭示自然的奥秘，这就如同亨普尔(Carl Gustav Hempel)所认为的：科学解释是对“为什么”问题的回答，若要提供对为什么问题的回答，在他看来“相关性”和“可检验性”就成为必须满足的两个基本条件。
总之，如果用最简洁的语言来概括，那么科学阐释1是“研究科学”，科学阐释2是“科学研究”，包括以科学为方法进行的跨界研究，两者的不同在于“对科学的阐释”与“用科学去阐释”之间的不同。 也可以说，这也是本文对科学阐释所进行的再阐释。
接下来的进一步问题是，如何用科学来阐释算法与认知的关系，如认知在先还是算法在先？在这里需要对算法进行再阐释：对计算机来说，算法就是怎么做的指令； 对人来说，算法就是怎么想的思路。 可以说，“有计算机前就有了算法，有了计算机后有了更多的算法，算法是计算的核心。”[1]xiii计算机出现之前的算法主要存在于人的生活与科学认知活动中，表现为“生活算法”，诸如菜谱、家用电器的操作指南等办事的程序，指的是“完成一个任务所需要的一系列步骤”。 这样理解算法后，就可以看到：人的认知和计算机的“工作”都是算法导向的活动，其中，“在自然系统中，计算是可以在符号和子符号(信号处理)级别上进行的信息处理。 对于人类认知过程来说，这意味着不仅可以将算法的执行视为计算，而且还可以将学习、推理、处理来自感官的信息等视为算法的执行即计算”[2]2。 “数字计算机进行运算时，使用的是可代表任何东西的抽象符号，以及可以把任一种事物同其他任一种事物联系起来的逻辑运算。”[3]79由此，算法对认知具有先导性和规定性，即认知中通常存在先导的算法，一定意义上算法是认知的出发点，所以认知无非是一个人所持的算法面对某种符号串或文本所进行的一种功能施展或演算展开。 由此，任何认知都是存在算法导向的，可称之为“算法导向的认知”。 改变算法，即使不改变认知对象，也可能形成不同的认知； 于是要取得共识性的认知，就需要遵循共同的算法。 可见从算法的角度理解认知，可以增加这种理解的新维度和丰富性，以及达到对认知的机制的透彻理解，正是在这个意义上，《终极算法》的作者说：“你没法真正了解某种东西，直到你能用一种算法将其表达出来。”[4]6
在算法阐释2的扩展版中，认知的本质是计算，而计算的核心是算法(算法是计算机处理信息的本质)，因此算法是一个可以将机器思维和人的认知联通起来的概念，从而可以通向人工智能的阐释和人的阐释的关系问题。 从计算的观点看认知，还必定存在认知算法，从而将认知的一般模型表述为“文本输入-(算法)-语义输出”，即文本输入后经过算法而形成语义输出，因此“依算法而认知”表达了两者的相关关系。 形象地说：算法是河床，认知是在其中流淌的河流； 抽干水流，我们见到河床，充满水流时，我们则见不到河床，看到的只是水流(认知)。 没有认知，河流是干枯的； 没有算法，认知是散漫的、不定型的、无指向的。 由此而形成的两者之间的关系是：算法无认知则空，认知无算法则盲。
上述关系也引出了算法对于认知的责任性或根源性： 算法的特性可影响认知的特性，如正常的算法主导正常的认知； 怪异的算法导致怪异的认知； 算法有缺陷导致认知有问题； 认知不当往往存在着算法根源，可从算法上追责； 认知正确需要有算法保证，由此需要对表层的认知之争转向对深层的算法之别的剖析，所以评价一个认知结论，不仅要看它阐释了什么，还要看它背后的算法是什么。 无章法的认知常常就是找不出算法的认知，就是荒诞的、无法理解的阐释。 要揭示一种认知是否合理，重要的是要发掘其中的算法是否合理； 改进算法(从算法上下功夫)，无疑可以提高认知水平，如可以增强认知的清晰性、逻辑性、确切性……
近代科学诞生以来，“科学”日益成为我们生活中的重要元素，科学阐释则成为我们认识活动的重要领域和工具。 而信息时代来临后，“算法”同样也呈现出科学的上述轨迹，算法阐释也在今天展示出日趋重要的价值。
三、科学与算法阐释之间的关系及其若干问题
算法阐释与科学阐释之间存在多重关系，以下对这种关系做一初步讨论。
第一，算法阐释是不是一种科学阐释？如果是，那么算法阐释所具有的“科学性”是如何表现的？如果用算法来阐释宇宙，认为宇宙就是一台计算机，则令许多人存疑。 如果用算法来阐释认知，则具有一定的科学性，或者说这样的阐释对于科学阐释的隶属度就比较高。 就这一相关的问题我们还可以进一步探讨：科学认知和算法之间是如何相互驱动的？机器算法能进行科学创新吗(例如仅靠人工智能可以发现量子力学吗)？为什么？科学阐释能否揭明“可计算”“可算法化”的边界？科学阐释能告诉我们终极算法可能吗？为什么？当科学无法阐释这样的问题时，是否要转向哲学阐释？从哲学上阐释算法，不仅涉及到终极算法是否可能的问题，还包括对算法的本体论和认识论属性加以界定的问题。 例如，从哲学认识论的视角看，算法无非是以具技化的方式将人脑的思维方法“移植”到机器系统之上，以机器所能接受和“理解”的方式将人的意图以方法的形式传达给机器； 它是人脑和机器之间的“通行证”，是思维世界和物理世界(机器的运转过程)的一般等价物； 但机器算法对人脑思维方法的这种转移又不是原封不动的搬用，而是经过一系列“转换”，以致有的算法从形式上远离了人脑的思维方法； 它外化和强化了认知的逻辑性、程序性； 通过的路径为形式化、代码化，目的是为了能够实现人工认知的机械化。 对算法的这种哲学阐释凸显了认知活动的一个方面：程序性和有序性，同时也引出了这一个方面与另一个方面即无序性认知的关系问题，从而导向对认知机制的启发性思考，以及它的透明性与认知中的非透明性的关系问题的思考，如此等等。
那么什么是“算法阐释”？借鉴上述关于两种科学阐释的界定和思路，这里也可以推论出如下两种意义上的算法阐释。
第二，科学阐释是不是一种算法阐释？当亨普尔力求将科学解释建立在逻辑基础上，建立一个精确严格的关于科学解释的形式理论时，是否是在将科学解释算法化？一种较为普遍的科学解释观是：科学解释即论证，由于论证中当然就有规则和方法，因此其中就有算法，在这样的蕴含中，科学阐释就是算法化的阐释吗？或许将科学阐释与人文阐释对照起来就更容易说明这个问题：科学阐释2是更容易算法化的阐释，而人文阐释则是相对难以算法化的阐释； 当算法代表规律、程序、规则时，那么一种阐释中是否存在算法可否作为科学阐释与人文阐释的划分标准？当然这种标准也不能绝对化，例如人文阐释也并不是完全不能算法化的，如写诗写小说的软件就已有开发，这表明部分人文认知也在逐渐变得可算法化，从而这些领域中人所从事的活动也可能为人工智能所模拟甚至替代。 而另一方面，科学阐释中是否总能找出算法也仍然是个问题，尤其是那些充满科学家个性、不确定性或“艺术性”的科学探新和创造活动，就更是如此。
或许可借鉴在分析事实判断中渗透价值判断的情形时可将其区分为“厚价值判断”与“薄价值判断”，基于不同领域或认知过程中的算法介入不同，可以区分出“强算法阐释”(易于算法化，或算法密集型阐释)与“弱算法阐释”(不易算法化的阐释)等不同的类型，再将其联系人工智能来看，前者易于被人工智能取代，后者不容易被人工智能取代。
据中国农业生产资料流通协会提供的数据，2012-2017年，供销合作社系统农资企业化肥销售额分别是5236.93亿元、5838.47亿元、6093.6亿元、6336.03亿元、6322.47亿元、6596.7亿元。同一时期，供销合作社系统农资企业化学农药销售额从334.39亿元增加至610.05亿元。在2017年较2016年销售量下降的情况下，销售额不降反增，表明以供销合作社系统为代表的整个农资流通行业实现了减量提质发展，以绿色、高效为核心的转型升级之路正在不断深化推进。
⑱Helena Machado，“Biologising Paternity，Moralising Maternity:The Constitution of Parenthood in the Determination of Paternity Through the Courts in Portugal”，Feminist Legal Study，215(16)，2008，p．221．
第三，由于科学阐释通常具有算法性，人文阐释中也部分地具有算法性，而算法体现的是公度性、普遍性和规则性，这就为人类的阐释活动提供了公共性，即算法渗透的阐释或遵循算法的阐释，是具有公共性的，这样的阐释就不是主观随意或“公说公有理婆说婆有理”式的充满歧义的各说各话。 换句话说，科学阐释的可靠性或可信性，除了数据可靠之外，还在于算法可靠，即在形成科学阐释中所使用的算法是正确的和可靠的，抑或说是客观的(algorithmic objectivity)和中立的，因为算法将所有的信息数据输入到同样的程序中加以处理，由此成为确保科学理论具有可靠性的重要条件之一，或者说算法的透明是科学阐释的透明与合理的重要来源，可理解的算法与可理解的科学阐释是联系在一起的，所以算法被才被看作是一种“可信的知识逻辑”。 当然，随着算法技术的发展，尤其是随着机器学习特别是深度学习算法的出现，人工智能可以自己从数据中进行学习、形成算法，且这样的算法变得越来越“不透明”，人则对其中的算法难以透彻理解，甚至毫不理解(如AlphaGo战胜李世石的某两局棋的走法就是所有围棋高手都无法理解的，但最后的结果仍是取胜)，在这样的情况下，由机器算法所形成的机器决策(也属于科学阐释的一种类型)之合理性如何得到理解和保证，就成为新的问题，它至少使我们看到了算法阐释和科学阐释之间的一种新型关系：无法理解的东西不一定是无法接受的东西，在机器算法日趋复杂和强大的背景下，人类将习惯于接受越来越多的无法理解的机器阐释(决策)，正是这一新型的关系，或许也蕴含着巨大的风险，如何化解这类风险，将是算法开发中需要我们努力解决的难题。
第四，算法不仅具有客观性和公共性，还具有可建构性，所以基于算法的科学阐释的公共性也不是僵硬不变的，而是具有可变性，它就类似于“范式”、“共同体”一类的公共性。 这种复杂性也决定了算法的如下“双重性”：一方面它被认为具有不以人的意志为转移的“公正性”或“中立性”，另一方面又存在着“算法歧视”或基于算法的有偏向的内容分发与信息推送，所以在研究算法的属性时常常不能一概而论，需要说明在什么情况下算法是中立的，什么情况下则是有算法歧视或价值偏向的。 还有，当算法歧视和价值偏向存在时，它还能行使科学阐释的功能吗？我们需要或者能够消除算法歧视吗？当算法的公正性与人的公正性联系起来考察时，还会引发这样的问题：人的客观性和算法的客观性相比较，哪个更客观？或许这要分阶段、分场合而论。 那么什么情况下算法更客观、什么情况下人更客观？这都属于有待探讨和厘清的问题。
知识是由围绕着关键概念的网络结构所组成，它包括事实、概念、概括化以及有关的价值、意向、过程知识、条件知识等，学习可以从网络的任何部分进入或开始。传统的教学活动往往有严格的直线型层级。
由科学阐释和算法阐释的这一问题还可以引出一般阐释的实在性与建构性问题：实在必须是建构的，越建构才能越实在，这就是所谓的“建构实在论”，它表明算法本身就是实在性和建构性的统一，虽然说“存在着某个算法和找出这个算法是两码事，前者是客观的，后者是人脑的功能”[3]序6，但算法的有效性表明了它既是发明的也是发现的。 这也是“关系实在论”的道理：一切意义，包括作为实在的存在，都是在特定的关系中生成和显现的，当这种关系是对象和人之间的关系时，人就成为对象性存在的一个不可分割的组成部分，科学阐释就是在关系中形成和显明实在的过程，就是使实在被建构出来的过程，在这个意义上，实在的就是建构的，建构的就是实在的。 这样，科学阐释就既非唯名论性质的活动，也非唯实论性质的活动，而是名实之间不断融合的过程； 或者说，科学阐释本身虽然不是实在本身，但它是指向实在的活动，是使实在成为可理解的实在的活动，是以实在为基础和依托的建构活动。
第五，上述阐释也表明科学与人文在当代的不断融合，所以对算法的科学阐释也日益渗透对算法的意义和评价等方面的人文阐释，而两者的结合是生活在数字时代的我们需要对算法加以全面理解的一种基本要求，所以有计算机权威专家这样认为：每个人都应该了解“什么是算法”，“它可以如何帮助我”，“我是否该质疑它”等等。 “我认为即使你不是一个计算机科学家，你也应该对机器学习算法有足够的了解。 比如，我该如何使用它？我需要做什么才能够去使用它？什么情况下我应该相信它的结果？有时我会用这个结果，但有时候我应该质疑，算法真的给出了我所希望的结果吗？我认为每一个学生都应该知道这些。 不论你是一个政治学的学生，还是一个人文专业的学生，你真的需要了解机器学习系统将会如何对每个人的生活产生影响。”[5]也就是说，在科学昌盛的信息时代，随着算法功能的越来越强大，甚至作为一个普通的公民都需要具备一定的算法知识和计算思维能力，它无疑正在成为当今科学素养的一个必要组成部分。
这一大篮子产品组合中，知名度最高的恐怕要算以葛兰许为首的奢华系列和旗舰系列，在中国市场卖得最火的要数大家耳熟能详的Bin系列了，但这几个系列之中，Bin后面各个不同数字组合之间的差异恐怕很多喝过的人都不一定能说得清楚。今天，我们就先挑着几个系列，以其中最热销的产品来重点说明一下。
[参 考 文 献]
[1] CORMEN T H, etc. Introduction to Algorithms[M]. 3rd ed.The MIT Press, 2009.
[2] DODING-CRNKOVIC G, GIOVAGNOLI R. Computing Nature:A Network of Networks of Concurrent Information Processes[M]∥DODIG-CRNKOVIC G, GIOVAGNOLI R.Computing Nature, Turing Centenary Perspective. Springer-Verlag Berlin Heidelberg,2013.
[3] 德雷福斯.计算机不能做什么[M].宁春岩，译.北京：生活·读书·新知三联书店，1986.
[4] 多明戈斯.终极算法[M].黄芳萍，译. 北京： 中信出版集团，2017.
[5] 访谈:MIT名誉校长：机器学习会成为像Word一样的工具[DB/OL].(2018-09-19).http:∥tech.sina.com.cn/it/2018-09-19/doc-ifxeuwwr5861102.shtml.
Scientific Interpretation and Algorithmic Interpretation
Xiao Feng1, 2
(1.Institute for Advanced Study in Science ,Technology and Philosophy ,South China University of Technology ,Guangzhou 510641,China ; 2. Institute of Sciences and Public Affairs ,China Youth University of Political Studies ,Beijing 100089,China )
Abstract : Nowadays, “science” and “algorithm” are two concepts that we are often exposed to, and scientific interpretation and algorithmic interpretation are respectively the important cognitive methods and subject areas. Scientific interpretation can be the interpretation of science and the interpretation of natural objects by science (view, method, etc.); similarly, algorithm interpretation can be the interpretation of the algorithm itself and the interpretation by the algorithm. The complex and multifold relationship between scientific interpretation and algorithmic interpretation involves such questions as do all scientific interpretation imply algorithms, and is the interpretation of the algorithm a scientific interpretation? In view of science and philosophy, is the algorithm an objective existence or a subjective construction? How to evaluate the scientism derived from scientific interpretation and the computationalism extended by algorithmic interpretation? In the information age of scientific prosperity, what level of algorithm knowledge and literacy should we have? Discussion of these issues will help deepen understanding of science and algorithms and their functions.
Key Words : science; algorithm; interpretation; computation; cognition
收稿日期： 2019-01-22
作者简介 ：肖峰(1957—)，男，重庆人，华南理工大学哲学与科技高等研究所教授、博士生导师。
中图分类号: N031
文献标识码: A
文章编号: 1009-4970( 2019) 06-0001-06
[责任编辑 尚东涛]
标签：科学论文; 算法论文; 阐释论文; 计算论文; 认知论文; 华南理工大学哲学与科技高等研究所论文; 中国青年政治学院科学与公共事务研究所论文;