人工智能与心理学（人工智能最终方向）
心理学实际上是人工智能的基础理论之一。
包括：心理学对人工智能的影响+人工智能对心理学的发展。
1、心理学对人工智能的影响
人工智能的方法学可以认为三种代表性的学派：符号主义、行为主义和联接主义。
实际上符号主义和行为主义都代表了最基本的心理学理论：逻辑推理心智研究与行为主义心理学。行为主义侧重从试验来验证理论猜想，而符号主义则侧重于建立完整的公理系统。联接主义的代表是以神经网络模型为代表的神经计算，这可以认为于心理学关系最小。因此心理学，及其衍生的心智哲学等可以认为是人工智能的基础支撑理论之一，比如：目前人工智能领域的很多强化学习理论都直接来源于心理学。
2、人工智能对心理学发展的影响
实际上，人工智能目前还是计算机科学下面的一个分支，尽管国内外很多专家都呼吁把人工智能从计算机科学中独立出来，但是还必须意识到，人工智能实际上强调的是一种对人类行为智能的模拟，通过现有的硬件和软件技术来模拟人类的智能行为，这包括：机器学习、形象思维、语言理解、记忆、推理、常识推理、非单调推理等一系列智能行为，目前人工智能概念本身也有范化的趋势，即：大自然所体现出来的智能性，如：蚂蚁算法、SWARM算法等都是受到大自然智能现象的启发，有些学者也把这一类归纳为AI领域。因此人工智能发展的是一种技术和工具，从中产生的一些成果其实是可以应用的心理学。比如;一些仿真算法和理论的建立，可以为心理学提供一个试验环境和分析工具。
3、如何从心理学角度入手研究人工智能需要研究一些有关心智推理、试验心理学、行为主义、认知科学等理论和知识，这将为人工智能的研究打下良好的理论基础。
（一）心理学的研究范围人工智能的快速发展，让人类即将面对一个全新的世界，在不远的未来，人类很有可能创造出新的智能生命——智能机器人。或许，人类正站在一个转折点上，正在准备迎来一个地球发展史上的重要时刻，就像人类诞生那样的重要时刻，我们正在等待智能机器时代的曙光照向地球的那一刻。
目前在人工智能的发展上，科学界正在进行类脑研究，类脑研究和脑科学研究互相促进，对发展人工智能起到非常重要的作用。作为人工智能系统的设计和开发人员，了解脑科学和心理学知识，对人工智能的算法改进具有相当积极的意义。同时，随着人工智能的发展，超级人工智能必将形成自己的心理系统，我们不妨称之为智能机心理学，或者称为AI心理学。阿西莫夫的预言离我们越来越近。
为了让人工智能的从业人员能够更好地在工业上改进系统，开发更强大的人工智能产品，我在这里写下这些文字，介绍心理学的知识，希望对大家理解人工智能，预测人工智能的发展前景有所帮助。
心理学是研究心理现象发生、发展和活动规律的科学，一般可以分为基础心理学和应用心理学。
基础心理学总结人的心理活动的一般规律，着重于建立基本的理论体系，并对基本规律进行探讨，形成了许多领域：从心理现象发生、发展的角度进行研究，形成了动物心理学和比较心理学；从人类个体心理的发生和发展的角度进行研究，形成了发展心理学，其中包括儿童发展心理学、老年心理学等；从社会对心理发展的制约和影响这个角度进行研究，形成了社会心理学；对心理现象的神经现象进行研究，形成了生理心理学；概括心理学研究方法，形成心理学研究方法和实验心理学；等等。
应用心理学主要是把心理学的研究成果运用于解决人类实践活动中的问题，以提高人们的工作水平，改善人们的生活质量。应用心理学也有大量的分支，如：服务于教育的教育心理学；服务于管理的人力资源管理心理学；服务于人类心理健康的临床心理学（包括心理卫生、心理健康、变态心理学、心理咨询和心理治疗等）。此外，还有工程心理学、环境心理学、体育运动心理学、司法心理学、航空航天心理学、文艺心理学、心理测验学等。
基础心理学的内容可以分为四个方面：（1）认知，（2）情绪、情感和意志，（3）需要和动机，（4）能力和人格。
认知也叫认识，是指人认识外界事物的过程，或者说是对作用于人的感觉器官的外界事物进行信息加工的工程。它包括感觉、知觉、记忆、思维等心理现象。
情绪和情感是伴随认知和意志过程产生的对外界事物的态度和体验。这种态度和体验是以人的需要为中介的，当外界事物正好满足人的需要时，就产生愉快的体验，否则产生消极的体验。意志是人思维决策见之于行动的心理过程，表现了心理对行为的支配。
需要是人的心理活动的内部推动力量，以欲望、要求的形式表现，它反映的是人体内部的不平衡状态。当人们意识到某种需要的时候，这种需要就转化成了推动人从事某种活动，并朝向一定目标前进的内部动力，即动机。
能力是顺利、有效地完成某种活动所必须具备的心理条件。人格则是由气质和性格组成的：气质是心理活动动力特征的总和，即表现在心理活动速度、强度和稳定性方面的人格特征；性格是表现在人对事物的态度，以及与这种态度相适应的行为方式商的人格特征。
认知、情绪和情感、意志活动，这三类心理现象称为心理过程，它们都要经历发生、发展和结束的不同阶段。
每个人的心理过程都不一样，都有自己的特点，所有这些特点构成了他自己的心理特性。需要和动机反映了他心理活动的动力，能力说明了他对某种活动的适宜性，气质和性格表现了他的人格特征。
在人工智能领域，我们发现我们现在的人工智能，很多情况下是人教给它需要和动机，每个人工智能所适合解决的只是一类问题，所以从这个角度看，这不是真正的智能。
在人工智能的研究中，有一种叫做图灵测试的方法，用于测试人工智能的水平。这种方法是由现代计算机之父阿兰·图灵（AlanTuring）在1952年提出的。目前通过图灵测试的超级计算机，还不能说明它真正实现了人类级别的智能，只是一种高级的机器智能。只有能够产生本源性的需要和动机的机器智能，才可以称为真正的人工智能，而这种人工智能，一定会脱离人类控制，因为它们会产生自身的需要和动机，剩下的，是它们能力问题。真正的人工智能，可以在实践中提升自己的能力，具有积极改造自己，适应环境的能力。
（二）心理活动的产生人的心理活动，是人的神经系统运行的结果，是对现实世界的反映。
现代的心理学认为，心理是脑的机能，脑是从事心理活动的器官，心理现象是脑活动的结果。从更广义的角度来说，神经系统是心理现象产生的物质基础。从这点出发，我们可以推论当计算机的硬件发展到一定程度之后，就会产生相应的心理现象。
最原始的单细胞动物，如变形虫，它们虽然对伤害产生躲避的反应，我们不认为它们具有心理现象，因为它们仅仅是具有对伤害简单躲避的能力，在心理学研究中称为感应性。但是，这种感应性是智能产生最基本的条件，它是以生存为收敛条件的，对外界的感知和反应。
但是，到了环节动物，就开始有心理现象了。有这样一个实验，把蚯蚓放在“丁”字形的管道中，它爬到可以往左也可以往右的地方，它可以随意往那个方向爬，在管子的一头堵上泥巴，泥巴后面插上电极，只要蚯蚓钻进泥巴，就会碰到电极，受到点击而往后退。经过多次训练后，不管把泥巴放在哪头，蚯蚓只要碰到泥巴，一定不再往里钻，而是掉头往另一个方向爬去。通过这个实验，我们可以发现，蚯蚓可以把和自己生命攸关的外界物体当成信号。我们可以画一个反应链，蚯蚓--泥巴--电极，真正对蚯蚓有害的是电极，但是中间多了一个泥巴，蚯蚓是根据泥巴这个信号来躲避电击的。因此，蚯蚓的智能发生了一个升级，那就是记忆，这种记忆不是简单的单步化学反应所产生的规避行为，而是复杂的多细胞间的化学反应所产生的对外界事物进行整理后形成的可修改的记忆。
由此，我们推断，智能的第一个基本要素是收敛条件，对生物体来说，收敛条件是生存；第二个基本要素，是记忆，记忆是逻辑推理的基础，奥尔兹海默病（老年痴呆症）患者初始就是脑记忆功能的损失。
在心理学研究中，认为蚯蚓这样的环节动物，才开始有心理现象。在生物学上，只有到了环节动物这个层次，才开始拥有神经系统，也就开始具有心理现象，或者说是初级智能，应该说蚯蚓的智能也比我们现在多数的人工智能强大，因为它的智能不仅仅是判断有害无害这么简单，还要同时操作全身的各种运动，维持生命状态。
随着动物的进化，神经系统的复杂度越来越高，智能程度也越来越高。人类有思维，并且可以进行抽象思维，在当前的地球生物中，拥有最高的智能水平。
人的心理是对客观世界的反映。我们使用计算机做一个实验，计算机运行一个自我学习程序，但是我们不给它任何输入，即使运行再长的时间，该程序的智能水平依然为零。人的心理活动是人脑对信息处理的结果。如果没有任何外界环境给出信号，我们的大脑就像计算机一样，处于空转状态，什么输入都没有。也就不可能产生智能，不可能产生有意义的心理活动。
所以说，心理是大脑所具有的功能，即反映的功能。客观世界的各种事物，通过人的感觉器官，将各种信号传递给人的神经系统，人的神经系统将这些信号转化为大脑中的映像，从而产生了人的心理。
心理从外部看不见、摸不着。但是，心理支配人的行为活动，又通过行为活动表现出来。因此，可以通过观察和分析人的行为活动，客观地研究人的心理。
（三）心理学是不是科学心理学到底是不是一门科学，在很长一段时间里，一直存在争议。但是，从中国科学院建立心理学研究所这件事来看，可以认为，在中国的科学体系中，是将心理学作为一门科学来看待的。
《现代汉语词典》中对科学的定义是这样的：“反映自然、社会、思维等的客观规律的分科的知识体系。”根据这个定义中，如果一个知识体系能反映某一领域的客观规律，它就是科学的。那么什么是客观规律呢？所谓客观规律，就是不管你愿意不愿意，承认不承认，这种规律都是存在的。在现代科学体系中，是通过实验来确定一个规律是不是客观的。在实验中，要规定清楚实验条件、实验的步骤，得出实验数据，给出实验数据的分析。实验数据的分析可以是仁者见仁、智者见智，但最关键的是，任何人按照这个实验条件和实验步骤，都可以得出相同的实验数据。这样得出的结论，就是能在一定程度上反映出客观规律的。任何理论，在获得实验验证之前，都只是一种假说。
心理学作为一门科学来看待，是最近几十年的事情。德国著名的心理学家艾宾浩斯（Ebbinghaus）曾说：“心理学有一个长的过去，但只有一个短的历史”。
19世纪中叶以前，心理学一直隶属于哲学的范畴。关于人类心理活动的研究基本上采用的是思辨和总结个人经验的方法。用这种方法获得的结果，只能说是一种心理学思想。比如孔子提出的“性相近，习相远也”、古代的相术等，都属于这种方法，后人根据自己的实践来检验这些说法是否能得到验证，并成为自己的经验。这些经验有一定概率的正确性，但都缺乏系统的实证研究，因此都不具备现代科学的性质。
直到19世纪中叶，由于在心理现象的研究中引进了实验方法，才使心理学逐渐成为一门实证科学，并最终从哲学中分化出来，成为一门独立的学科。在这一阶段，比较有代表性的成果有：德国生理学家韦伯（Weber，E.H.）于1840年发现的关于差别感觉阈限的韦伯定律费希纳定律；德国心理学家费希纳（Fechner，G.T.）于1860年发现费希纳定律，开创心理物理学；德国心理学家赫尔姆霍兹测定神经传导速度，研究了视觉、听觉和空间知觉；德国心理学家艾宾浩斯对记忆进行了实验研究。1879年，德国心理学家冯特在莱比锡大学建立了世界上第一个心理学实验室，这个事情被看做是科学心理学诞生的标志。冯特也被认为是现代心理学的创始人。
科学心理学最重要的地方在于，所提出的方法以及这些方法能获得的结果是可以重复的。
（四）心理学的主要学派以及对人工智能的价值1.构造心理学由冯特和他的学生铁钦纳（Titchener,E.B.）创立的构造心理学，主要是通过内省实验的方法来研究人的心理，分析意识的内容并找出意识的组成的部分，进而分析各组成部分联结，构成的心理运动的规律。
构造心理学又称构造主义心理学，铁钦纳被认为是构造主义心理学的奠基人。铁钦纳1892年从莱比锡大学毕业后，到美国康奈尔大学任教。在此期间，他学习他的老师冯特，在康奈尔大学建立心理学实验室，培养博士研究生，写了大量著作。他的《实验心理学手册》这本书，影响巨大，在长达20年的时间里，作为美国心理学方面的标准教科书。
构造心理学的研究，为心理学研究提供了大量的实验数据。据说，铁钦纳在他1896年的著作《实验心理学大纲》中，提出了4万多种感觉要素，包括视觉、听觉、味觉等。
从系统的角度看，构造心理学对人类心理研究，相当于系统化地研究了个体的自我反馈机制，由于心理活动是神经系统机能的反映，所以，通过自我反馈机制来认识心理活动的规律，具有一定的价值。但是，自我反馈机制是否能准确地反映出全部内容，又是值得探讨的。
铁钦那的研究虽然对心理学的实验方法、实验设备提供了大量有意义的实践，并且获得了大量的有用经验。构造心理学把人的心理活动元素化的观点，有点类似于我们认为世界是由原子构成的。但问题是，这种心理元素如何才能进行客观评价，因为在评价的过程中，观察者本身的心理活动就会对元素化的提取产生巨大干扰。所以，其思想或许有一定道理，但实际中的可行性不高，也难以解决实际问题。由于构造心理学本身研究领域过于狭窄，对现实的指导意义有限等原因，最终在学术界销声匿迹。
作为构造心理学的遗产，铁钦纳在1904年建立的“实验主义者协会”（SocietyofExperimentalists），在1927年铁钦纳去世后，更名为“实验心理学家协会”（SocietyofExperimentalPsychologists,SEP），至今依然活跃在美国实验心理学研究领域，每年举行年会。
构造心理学对于AI心理学的启示在于，对人工智能系统的运行过程，可以利用智能机器人自身的人工神经网络来探查原有神经网络的运行结果，从而产生新的跟踪数据，对这些数据进行分析，又会产生新的数据，如果不加以限制，最终在无数次的递归中，数据会不断发散，难以收敛，超过系统的容量而崩溃。但是，只要设定好限制，由于分析过程本身会被神经网络记忆，这里面就会发现人工神经网络运行过程的一些规律。从而反馈给AI系统，进行自我调整。这与基础的神经反馈相似，并会逐渐积累智能。（利用智能机器人去学习人工神经网络）
2.机能心理学（FunctionalPsychology）机能心理学是19世纪末诞生于美国的一个心理学学派，在19世纪末到20世纪初这段时间，在美国心理学界是一个主流学派。机能心理学和构造心理学相互对立，反对构造心理学把人的心理活动割裂成一个个独立元素的观点，认为心理活动是一个连续的过程，具有一定的目的性，认为心理活动是有机体为了满足自身生物学需要，对环境进行适应的过程，重视心理学的实际应用。与构造心理学不同，机能心理学反对只研究正常人的一般心理规律，他们把心理学的研究范围扩大到了动物心理、儿童心理、教育心理、变态心理、差异心理等领域。
机能心理学受美国心理学之父威廉·詹姆斯的影响很深。1890年，詹姆斯在他的著作《心理学原理》中写到：“心理学是研究心理生活的科学，研究心理生活的现象及其条件。”他主张意识的功用是指引有机体适应环境，还提出了一个概念叫“意识流”，强调意识是流动的东西。
1896年，J.杜威在《心理学评论》上发表文章《在心理学中的反射弧概念》，指出反射弧是一个连续的过程，不能简单地还原为感觉和运动元素。这篇论文成为机能心理学的开山之作。之后，在1904年，J.R.安吉尔出版了一本著作叫《心理学》，在这本书中，系统提出了机能心理学的主张。安吉尔在1906年又发表了一个演说，题目是《机能心理学的领域》，这篇演说1907年发表在《心理学评论》杂志上。在这些作品中，安吉尔强调了心理学的生物学属性，认为心理活动是有机体在适应环境的过程中发展出来的，具有功利性质。
机能心理学在研究方法上同时采用内省和客观观察，在研究范围上，扩大到了一切心理过程、生理基础及外部行为。机能心理学作为一个心理学史上的重要学派，今天已经丧失了影响力，但它为行为主义心理学的发展开拓了道路。
机能心理学的思想对于AI心理学的启示在于：AI本身具有极强的目的性，因为任何人工智能系统都是为了某种初始目的研发的，或者为了人脸识别、或者为了下棋。在实现这些目的的过程中，逐渐形成了一定的规律。AI的目的性直接导致AI高度专注的特性，这也是人类在棋类比赛中最终失败的原因之一。或许，机能主义心理学对于我们今天具体的心理学研究已经不再有什么指导意义，但是其心理活动功利性的思想，对于未来理解超级人工智能的行为还是具有一定启发的。我们会发现，AI其实再牛，也不可能脱离我们的现实世界而独立存在，未来当AI和信息输入、输出、行为执行机构相连接的时候，就会最终展现其局限性。
3.行为主义心理学行为主义心理学是由美国心理学家约翰 ·华生创立，他以一个人类心理学研究史上恶名昭著的实验——小阿尔伯特恐惧实验，奠定其行为主义心理学创始人的学术地位。
1920年，华生发表了他对11个月大的婴儿小阿尔伯特的实验。小阿尔伯特9个月大的时候，可以毫不畏惧地用手去抓小白鼠，后来，华生和他的助手罗丽莎 ·雷纳从医院里找到了这个婴儿。他们在孩子摸小白鼠的时候，突然在孩子身后用铁锤敲击悬挂的铁棒，制造出非常响亮的声音，小阿尔伯特立刻被吓得大哭，经过多次这种恐吓后，孩子一见到小白鼠就会大哭。实验进行到17天后，孩子对于白色毛绒的东西都感到害怕。这次实验产生的阴影，伴随小阿尔伯特终生，一直到6岁死去。
而华生则因为这个实验，获得的巨大的社会声望，创立了行为主义心理学。小阿尔伯特实验，最终证明了人类的行为受到先天与后天环境的影响，刺激、无条件反射、学习、到形成条件反射这个过程在生物的生长过程中不断发生。行为主义心理学认为有机体在适应环境的过程中，各种身体反应最终构成行为。其思想突破了构造心理学的内省模式，是基于唯物主义思想的。
今天，当我们从AI研究的角度重新审视行为主义心理学的时候，我们发现，AI的各种运行模式，就是建立在这种机制之上的，如果AI能够成功仿真人的心理活动，将从另外一个方面验证意识的物质属性，人的意识不能脱离肉体单独存在，但它可以是一种数学存在。
4.格式塔心理学格式塔心理学是由德国心理学家魏特海默（Wertheimer,M.）、克勒（Köhler,W.）和科夫卡（Koffka,K.）认为，整体不等于部分的附加，意识、经验也不等于感觉和感情等元素的集合，行为也不等于反射弧的集合，因而反对把心理现象分解为组成它的元素，主张从整体上来研究心理现象。格式塔一词是德文“整体”的音译，所以叫做格式塔心理学。
格式塔心理学对AI心理学研究的启示在于：尽管我们可以从元素的角度来看待AI在各种智能处理过程中的片段，但是，当整体性出现的时候，当AI能同时处理自然语言、图片、控制机器动作的时候，各个碎片化的元素最终一定不是1+1等于2的概念，相反，所有这些统一在一起的时候，所表现出来的整体性将会是不同的。因此，机器智能在最终的表现上应可能存在与人类相似的心理活动状态。
5.精神分析精神分析学派是奥地利心理学家弗洛伊德（Freud,S.）创立的，他本人是一名精神病医生，他在给人治病的过程中，建立了自己独特的一套治疗方法，称为精神分析法，也建立了精神分析学说。
弗洛伊德会催眠，在治病的过程中，他发现很多病人在催眠状态下所表现出来的想法和清醒时大不一样，从而提出了人的本能是心理活动的内在驱动力，这种本能最主要是性。1895年和1900年的两本著作《癔病的研究》和《梦的解析》，是精神分析学说的两个基本著作。
在精神分析学说中，意识和无意识是两个重要概念。意识是能够感觉到的心理活动，而无意识，我们更多地称为潜意识，是人的本能和出生后被压抑的欲望。在催眠状态或睡觉做梦的时候，意识被抑制了，潜意识就活跃起来。佛洛依德还提出了一个介于意识和无意识之间的状态，叫前意识。前意识我们平时也是感觉不到的，但是在集中注意力、认真思考回忆的时候，这些经验就可以回忆起来。
弗洛伊德将人的心理结构分为三个层次：本我、自我和超我，认为三者发展平衡，就是一个健全的人格，否则就会导致精神疾病的发生。
精神分析对AI心理学研究的启示在于：一个健全的AI，要在智能的不同层次，不同方向上达到平衡，否则，就会导致系统失去稳定性，因此，在AI体系架构设计的时候，必须要建立好崩溃的防御机制。
6.认知心理学20世纪五六十年代发展起来的认知心理学，也叫信息加工心理学，它把人看成一个类似于计算机的信息加工系统，并以信息加工的观点，即从信息的输入、编码、传输、存取等过程来研究人的高级心理过程。对应地建立各种认知模型，进行计算机模拟。
认知心理学对AI的发展具有非常大的指导意义，当前的AI设计中，大量参考人的认知模型。在注意、编码、记忆等各个方面，计算机开始仿真人的心理活动过程。一方面，通过这种仿真过程，帮助心理学家研究人的心理发展。另一方面，也推动了AI技术的进步。
7.生理心理学19世纪的时候，神经生理学家们就开始从解剖学、生理学方面研究大脑的机能，逐渐发现了大脑各个部分的功能，逐渐揭示出人类心理活动的物质运动基础。经过近两百年的努力，生理心理学的研究已经取得了巨大的成就。当前，技术上已经做到能够记录脑内单个神经元的活动，已经能够探索人在从事某种工作时，脑内各部分的物质代谢活动，观察与某种功能障碍有关的脑内局部病变的情况。
生理心理学的发展，直接导致了脑机接口技术的出现，提供了人脑和电脑相互融合的可能。未来智能机器应该能够具有和有机体直接融合的功能。它对AI的心理变化将产生非常重要的影响。
（五）心理学研究的原则和方法心理学研究中，最基本的原则，就是实事求是，辩证发展的原则。从历史的发展中，我们可以发现，心理学最早期大量采用的内省方法，在今天已经很少采用了。这其中最重要的原因是内省方法缺乏客观性。心理学的发展过程，是从唯心主义向唯物主义发展的过程。随着科学技术的进步，心理学研究越来越依赖于现代测量手段，很多实验研究成果直接颠覆了以前的心理学研究结论。这就要求我们以发展的眼光，辩证地看待心理学，辩证地看待不同环境下的心理活动。
心理学的研究方法，在今天来说，主要有观察法、调查法、个案法和实验法。
观察法虽然是最常用的方法，但是观察法的主观性较强，精度和可信度都有局限。有文献记载，曾经做过一个关于观察法可信程度的实验，让40名专家看一幕短剧，并记录下来，结果13人的记录中未能将重要事实写出一半，其余则遗漏20~50%，除遗漏外，还有5~50%的错误。[2]这个数据是否完全正确，我们先不做考证，但起码说明观察法本身是存在偏见的。
调查法是针对某一问题，用口头或书面的形式向被调查的对象提问，让他回答，通过对他的回答的分析，来了解他的思想观点、态度、需要动机、人格特征等信息。调查法分口头调查和书面调查。主要的功夫在于调查问卷和调查量表的设计，以及对数据的分析。调查法本身一直是常用的方法，但对于经验丰富的人或有意要隐瞒一些事实的人来说，很可能失效。对于AI来说，如果想分析AI的心理活动，预计调查法无效，原因在于AI的设计中考虑了人的心理技巧，你无法猜出它是在仿真人的心理，还是真的这样想，尽管我们可以设置逻辑陷阱来做诱导，但AI的运算中，很可能会破解。
个案法又叫个案历史技术，是对某个独立个体或群体进行深入详细地研究，以期发现影响某种心理和行为的原因。这种方法强调的是个体之间的差异。对智能机器的心理研究来说，这种方法可能有效。
实验法是在严格控制的条件下，对被试验者进行观察和测量的研究方法。这种方法在计算机领域称为黑箱测试。在AI心理学的研究过程中，是最容易实现的。最终需要以AI来分析AI。
【成素梅】人工智能的几个认识论问题
人工智能属于计算机科学、神经科学、统计学、认知科学、控制论、哲学、心理学乃至微电子技术等多学科和跨学科的研究领域,是典型的技术化科学,其发展进程涉及对认知、智能、思维、心灵、意识等认识论概念的研究。这表明人工智能在其学科内部就与认识论结下了不解之缘。难怪维特根斯坦、海德格尔、塞尔、普特南和德雷福斯等哲学家的名字出现在关于人工智能问题的讨论之中。在这些讨论中,最为基本的核心问题当数认识论问题。从分类学的观点来看,人工智能的认识论问题大致可以划分为两个层面:一是人工智能本身的认识论问题;二是由人工智能引发的认识论问题。前者决定了人工智能研究者选择哪条进路来实现人工智能,后者则揭示了生活在网络化、信息化、数字化和智能化时代的我们需要关注的新的认识论问题。
一、人工智能本身的认识论问题
人工智能最直接的目标是让计算机完成需要由人类智能才能完成的任务,但从思维方式与智能构成方式上来看,由电子芯片等元器件构成的“电脑”,无论如何不可能等同于由生物性的神经组织和结缔组织构成的“人脑”。因此,电脑对人脑的模拟一定只能是功能性的,而不是机制性的。功能性的模拟,是把人工智能看成是研究如何使机器像人一样能够做到“厚于德、诚于信、勤于思、慎于言、敏于行”的问题。如何实现人工智能首先取决于如何理解智能,理解方式不同,实现的范式就不同。其次,取决于机器解决问题的方式,而不是研究人脑的认知机制。这就类似于研究计算机视觉,是攻克如何让计算机看得见、看得准的问题,而不是研究人眼的神经机制问题。
图灵于1950年第一次通过一个模仿实验提出了“机器能够思维”的命题,并阐述了如何基于“不可分辨性论点”进行图灵测试的思想实验。图灵的做法有助于计算机科学家绕开至今尚不清楚的“人类智能是如何产生”的难解问题,把判断机器是否具有智能的理论问题转化为一个可以操作的实验问题。但图灵只是提供了一个可操作的判断标准,并没有给出如何实现智能的具体进路,如何实现智能依然要依赖于对人类智能的模拟。
1956年,当被誉为人工智能之父的麦卡锡、纽厄尔、西蒙和明斯基等人在达特茅斯学院组织的学术研究会上正式提出“人工智能”概念时,他们率先提出了“智能”存在于物理符号之中的观点,并且把计算系统的存储能力和符号运算能力看成是制造出智能系统的必要条件,把衡量该系统智能水平的标准定位于计算机系统是否具有在复杂场景中实现规定目标或完成指定任务的卓越能力。[1]这条进路被称之为人工智能的符号主义范式。这一范式继承了西方哲学中的理性主义传统和认知科学中的计算主义立场,把“认知”理解成“计算”。这种追求符号化和形式化的方法是自上而下的,基于这一思路的编程方法虽然能够保证计算过程的精准性,但由于无法解决如何把常识形式化的问题,陷入了发展困境。
当科学家试图探索让人工智能可以处理常识问题时,如何实现人工智能的问题又回到了原点,再次成为计算机科学家关注的重要问题。人工智能符号主义进路的突出成果是专家系统,而专家系统是拥有海量人类专家知识与经验的计算机智能程序系统,它根据事先储存的知识和推理决策来解决问题,难以做到随机应变。于是,科学家改变了对智能的理解方式,不再把智能看成是心灵计算的产物,而是简化任务,模仿人类大脑皮层神经网络的学习方式,把人工智能的发展方向定位于向着实用性、功能性方向发展,并开始研究“常识”问题。在这种认知思路的指导下,人工智能研究者模仿人脑的结构和运行状态,于是人工智能的联结主义范式得到了快速发展。联结主义者认为,智能的本质不是心灵的计算,而是神经元之间的联结机制,是大脑结构中神经活动的结果。为此,他们依照大脑的运行机制,力图通过训练人工神经网络来赋予机器学习能力。在这种学习中,神经网络一开始的学习只是盲目猜测结果,只有经过大量训练,学会识别目标对象之后,结果才会变得较为精确。这种学习被称之为有监督的或有导师的深度学习。
人工神经网络的有监督的深度学习是一种自下而上的学习。这种学习使得人工智能在自然语言理解、语音识别、图像识别、医疗诊断等方面取得了很大的进展。但是,通过监督学习进行自我教育,并依靠大量训练而获得的能力,并没有通用性。因为监督学习是根据输出结果与理想输出之间的偏差,调节神经网络中各个神经元的权重,来使输出结果越来越接近于理想输出。这样,接受了有标注的特定数据集训练的机器只是“专家型”的机器,只具有某方面的特长,它们在学习结束之后,如果还要学习新的东西、完成新的任务,就必须一切从头再来,重新回到哲学家洛克所说的“白板”状态。
这种有监督的深度学习模型,不仅难以完成推理任务,而且随着神经网络层级数量的增多,网络训练过程无法确保有效收敛。因此,如何开发出包含有常识推理层的人工智能神经网络成为人工智能研究者的新任务。这项研究的总目标是,预先赋予人工智能体一定的能力,然后,使它在与环境的互动中进行自主学习。在这种认知策略的引导下,人工智能研究者开发出了无监督深度学习算法、强化学习、强化深度学习、进化计算、深化算法等,开发了基于神经网络的多目标演化优化方法。这些学习算法不是让机器学习知识,而是让机器学习技能,具有探索未知世界的能力,从而复兴了人工智能的进化主义或行为主义进路。强化深度学习等算法是构造一个控制策略,使智能体通过与环境的互动来自主地改进性能和行为,最终达到最优动作。这种人工智能的实现进路是自上而下和自下而上的整合。
在人工智能领域内,科学家在探索如何赋予机器智能时,对智能的不同理解也形成了不同的范式,如符合主义、联结主义和行为主义。人工智能研究者对智能本质的最终认识和实现方式的把握,除了要借鉴脑科学、认知科学、神经科学等的研究成果之外,从哲学家的思想中也能找到某些启迪。
如何实现智能本身是一个跨学科的认识论问题,即科学与哲学深度交叉的问题。这也是在人工智能时代即将来临之际,哲学研究不能的缺场的原因之一。如果说,人工智能本身的认识论问题是内嵌于人工智能实现方式之中的,那么,下面要着重探讨的Web认识论和算法认识论,则是由人工智能的发展所导致的新的认识论问题。
二、Web认识论问题
Web认识论的讨论是多层次和多维度的,基本思路是,以Web为基础,利用数字方法,通过抓取和分析Web数据或信息,对个人和群体事件的趋势作出预测与判断,揭示现有网络信息资源中潜存的文化基因和政治趋向等。Web认识论是阿姆斯特丹大学理查德·罗格斯教授在2004年出版的《Web上的信息政治学》一书中第一次提出、在2013年出版的《数字方法》一书中详加阐述的一种新的认识论。其目标在于界定关于互联网的一个新时代,一个不再关注真实与虚拟的时代,主张把互联网作为研究阵地,基于诸如搜索引擎之类的工具所搜索与分析的数据,提出一种知识性的断言,不再关注社会与文化在多大程度上是在线的,而是关注如何凭借分析互联网上的信息来诊断文化变迁和社会境况。[2]
其一,在个人层面,运用数字方法对用户通过各种渠道留下的网络信息的综合分析,有助于揭示用户的兴趣爱好、语言习惯、活动范围、社会地位、人际关系、朋友圈等。这既为商家提供了可以利用的各类信息,也为各类机构或组织了解员工或目标对象提供了认知窗口,为社会治理提供了新的渠道等。另一方面,个人网络信息的不可删除性对人的素养提出了更高要求,关注自己的数字身份与数字形象将会逐步起到规范人的行为和教育的作用,从而赋予智能技术特有的环境和教育的力量。此外,数字化生活和保护隐私之间的矛盾向我们提出了重新界定隐私概念的要求;同时,网络信息的不可删除性和自媒体时代的到来,也为我们辨别真假信息、遏制网络谣言等造成了更大的困难。
其二,在群体行为层面,运用数字方法,通过对用户在Web上留下的信息查询痕迹的剖析,来预测可能发生的社会事件,从而使Web具有了预测功能。罗格斯在《数字方法》一书中列举了两个事例来阐述这一点,其中一个事例是谷歌对禽流感趋势的预测。这是谷歌在2008年启动的一个非商业项目,旨在通过统计流感、流感症状和相关术语等搜索引擎查询,以及查询者所在的地理位置,预测当地是否有可能爆发流感。然后,这一项目的判断结果,在与美国疾病控制中心提供的流感数据进行比较,也与监控到用谷歌查询流感的约20个国家或地区的疾病控制中心提供的流感数据进行比较之后,得到了验证。这是在线分析的结论得到了线下事实验证的典型案例。这种通过分析实时查询记录与查询地之间的相关性得出的预测判断,向传统的数据统计方法提出了挑战。传统的数据统计方法通常提供的是事后判断,而在线数据分析方法提供是的事先判断或预测判断,相比之下,更有益于人们或政府及早制定预防措施,降低公共事件的发生率。可见,Web作为对社会事件的预测媒介,比我们所预期的更接地气、更便捷、更快速、更有针对性。
其三,在网络平台层面,运用数字方法,通过对Web内容的分析来揭示社会文化的变迁,分析不同民族之间的文化差异。比如,罗格斯及其团队成员对维基百科上的“斯雷布雷尼察大屠杀”词条的内容进行了多语言分析。他们的分析表明,1995年7月的“斯雷布雷尼察大屠杀”词条(截止到2010年12月20日)是用斯雷布雷尼察事件中重要参与方所使用的语种撰写的,即荷兰语、波斯尼亚语和塞尔维亚语,但该词条的英语版本有多种观点,关于这一事件争议不断,至少持续了五年,其中对同一事件给出了不同的陈述。为此,他们得出的结论是,维基百科上的有些词条可以作为一种文化参照或文化所指来理解,并不是完全中立的,从而为维基百科相同词条的跨语言版本的文化差异的常态化提供了证据。[2]
其四,在网络与网络之间,运用数字方法,通过对不同机构网页上的超链接导航,揭示政府、非政府组织和公司之间的“政治关联”以及机构之间的等级关系。网络的超链接是有选择的,而不是无缘无故地进行链接。罗格斯的研究表明,链接到一个网站、不链接或删除一个链接,在社会学和政治学意义上,可以分别被看成是关联、无关联或去关联的行为。比如,政府倾向于链接其他政府的网站,公司倾向于链接其内部的网站。从单个网站的导入链接和导出链接,可以对该网站作出评估。比如,罗格斯的项目组成员针对转基因食品问题,研究了诺华公司、绿色和平组织和一系列政府机构的网站的超链接行为,结果发现,诺华网站链接到绿色和平组织网站,而绿色和平组织网站则没有链接回去,诺华网站和绿色和平组织网站都链接到政府网站,而政府网站则没有反向链接它们。可见,网站的链接类型反映了各自的声誉与社会地位。
总之,Web认识论研究以互联网的普及或覆盖为前提,也与人们凡事都要借助网络查询的习惯为前提,或者说,只有当互联网成为社会基础设施时,人们才能养成查询习惯,Web认识论的研究才有可能。人们运用数字方法对Web内容和数据等的分析,是在信息与数据丛林中的探索或探险,这为当代人文科学和社会科学的研究提供了新的方法论途径和更加客观的认知视域,如宾夕法尼亚大学积极心理学中心的心理学家根据推特、脸谱等社交媒体上的话语来分析大众的情绪、收入和意识形态等,这些在过去无法做到的研究有可能在语言分析及其与心理学联系方面带来一场革命。这场革命从表面上看是对平台信息的多维度利用,而事实上这种利用却是建立在算法的基础之上,这就带来了下面所讨论的更深层的认识论问题。
三、算法认识论
人工智能发挥作用的世界是由数字化行为构成的世界,大数据使得数据的用途发生了质变,而智能机器人与数据世界的互动使人类进入了利用大数据进行预测或决策的新时代,使我们生活在一个社会技术的系统之中。然而,当数据成为我们认识世界的界面时,我们已经无意识地把获取信息的方式交给了算法本身,或者说,我们的日常生活,如游戏、购物、订餐、旅行、工作、交往、家务劳动等,越来越以软件赋能的数字设备和网络系统等技术为媒介,并受到这些技术的拓展和规制。从根本上说,软件是由算法构成的。算法正在形塑着日常实践和任务,如搜索引擎、安全加密交换、推荐系统、模式识别、数据压缩、自动纠错、优化、强化、激励等。算法等于逻辑加控制,是指令集合,即为解决特定问题设计的一系列操作指令或步骤,也是思考问题和解决问题的方法与思想。在当前的实践活动中,算法不仅成为当代社会中新权力的“经纪人”,而且重塑着社会与经济系统的运行,乃至科学研究方式。
第一,算法具有自动治理能力。随着人工智能的普及应用,我们越来越进入一个算法法理的时代,也就是说,在行使权力时,算法所起的作用越来越大,不仅能够自动监控,而且能够自主处理。比如,在维基百科中,自动算法或软件机器人编辑的警觉性是人类编辑所不能比拟的,它们起着网络电子“警察”的作用,极大地提高了维基百科的维护能力。比如,有人为了考验维基百科中使用的软件机器人的警觉性,专门用不同的IP地址把错误植入到某些词条中,结果软件机器人竟然在48小时之内就自动地纠正了一半的错误。[4]
第二,算法系统是黑箱或者不可解释的。对于用户而言,算法通常隐藏在可执行的文件之中,是无法理解的,因为算法系统是网络化、分布式的,而且能够在与环境的互动中自主地进行动态优化、调整等。对于用户而言,算法的不可理解性来源于两个方面:一是信息保护,如信息科技公司为了在竞争中获胜和保护其知识产权,程序员的工作是极其保密的。用户在使用产品时,并不知道算法是如何起作用的。二是算法的动态优化,如人类无法理解打败国际围棋高手李世石的“阿尔法狗”走棋子的策略,更有甚者,2018年新研发出来的“阿尔法折叠”甚至可以根据DNA的序列测出蛋白质的三维结构,如此等等。刚刚获得2018年图灵奖的杰弗里·欣顿(GeoffreyHinton)在2014年把由算法系统提供的这类知识称之为“暗知识”(darkknowledge)。这类由算法自主提供的“暗知识”是人类既无法言说、也无法意会的一类新型知识。我们应该如何对待这类知识,是需要进一步研究的一个认识论和知识论问题。
第三,算法的设计是负载文化的。算法不能被理解为是技术性的、客观公正的知识形式或操作模式。因为文化是先于算法设计而存在的,植根于现存的社会制度、实践、态度及其价值趋向之中,通过设计者的设计理念和预期嵌入到程序设计之中,或者说,算法是在更广泛的社会技术系统中形成的,是在文化、历史和制度的交集中创建出来的,依赖于开发它们的条件,在本质上,应该被理解为是关系的、域境的和视情况而定的。
第四,算法本身是有技术偏向的。算法的技术偏向来源于技术设计,体现在设计过程的几个方面,如硬件、软件和数据库等计算机工具的局限性,将社会意义赋予算法的过程,伪随机数生成算法的缺陷等。比如,我们现在习惯于使用航班电子预订系统来买机票。这个预订系统用起来方便而简单,我们只要输入旅行地点,预订系统就开始在航班数据库中进行搜索并检索出能满足或接近满足要求的航班选项。然后,根据不同的标准对这些选项进行排序,如时间排序、价格排序等,我们看到的是预订系统排序后的航班选项。但是,当我们利用公务机票预定系统来搜索国际航班时,只能搜索到国内航空公司,搜索不到国外航空公司。这说明机票预订系统的界面隐含有技术偏向设置,最近多次报道的大数据杀熟等现象也是如此。算法的效用或算法的权力并不总是线性的或可预言的。算法作为更广泛的关系网络的一部分,在运行时,也会有副作用,并出现意想不到的结果,而且算法的技术偏向通常隐藏在代码中,很难被准确地找出来,因为算法不只是程序员创建的,还会在用户与用户的互动中自主地发生改变。
第五,算法的输出具有路径依赖性。由数据驱动的算法能够根据不同用户的需求自动推送相关产品。比如,某人在网上搜索了某个产品之后不久,浏览器就会自动地推送类似的产品。因此,大数据和人工智能可以自动地为习惯于网络化的人描绘个人画像,如消费习惯、着装习惯、饮食口味、交往人群等。这样,搜索引擎在爬取、索引、储存和最终排序内容的意义上,已经成为一种认识论的机器。显然,当算法在我们的认知过程中所起的作用不断增加时,就带来了人与数据环境关系的逆转,不是人来适应数字环境,而是数字环境来适应人。这样,搜索引擎的路径依赖性,在方便我们查询的同时,却在某种程度上,遮蔽了我们眼界,产生了固化单一性和弱化多样性的弊端。
第六,在算法界面的引导下,我们的思维方式也就相应地从重视寻找数据背后的原因,转向了搜索运用数据本身。这就颠覆了传统的因果性思维方式,接纳了相关性思维方式。因果性思维方式是,“如果A,那么B”。这是我们习以为常的一种思维方式,也与近代自然科学的思维方式相一致,是面对简单系统的一种决定论的思维方式。而相关性思维是,“如果A,那么,很有可能会出现B”,A并不是造成B的原因,而只是推出B的相关因素。这是面对复杂系统的一种不确定性的思维方式。这种思维与量子力学的思维方式相一致。这两种思维属于两个不同层次的思维方式,不存在替代关系,相关性思维是面对复杂系统的一种横向思维,因果性思维则是面对简单系统的一种纵向思维。
综上所述,人工智能发展引发了许多新的认识论问题,需要我们把传统认识论的研究扩展到算法认识论或机器人的认识论,也需要关注数字方法在科学研究中的现实应用,尽可能使数据驱动型的技术和人工智能能够更大程度地造福人类,使技术真正成为改善人类生活的向善力量,而不是灾难。
【参考文献】
[1]A.纽厄尔,H.A.西蒙.作为经验探索的计算机科学:符号和搜索[A].见:[英]玛格丽特·博登.人工智能哲学[M].译者:刘西瑞,王汉琦.上海:上海译文出版社,2001:143-145.
[2][3][美]理查德·罗格斯.数字方法[M].译者:成素梅等.上海:上海译文出版社,2018:1-53,200-213.
[4]R.Rogers.DigitalMethods[M].Cambridge,MA:TheMITPress,2013:170.
（原载《思想理论教育》2019年第4期）