人工智能視野下的溯因模型研究

李 帥

(南開大學 哲學院,天津300350)

作為問題求解的溯因推理在近些年來尤為受到邏輯學家們的青睞。對于科學探究來說,皮爾士(C.S.Peirce)的溯因推理是一種極佳的推理方法。皮爾士的溯因推理形式是:q;如果p,那么q;所以p。這種推理形式更加注重對前提的考察,雖然它不具備演繹必然性,但是作為一種廣義歸納的擴展性推理,在人們由果溯因,由已知結果探求未知理由的過程中,發(fā)揮著重要作用。皮爾士認為科學中所有的思想都來自溯因推理,溯因推理就是研究事實,提出解釋它們的理論。①Charles Peirce,The Collected Papers of Charles San ders Peirce,Vol.5(Massachusetts:Harvard University Press 1935),145.皮爾士起初將這種推理稱之為假說,假說在溯因推理中有著極其重要的作用。溯因推理作為由果溯因的推理,就是從結論出發(fā),提出一系列可能導致此結果的假說,排除不相關的假說之后,剩下的假說就最接近我們找尋的原因。人工智能需要一套機制來排除干擾假說以探求原因,模型化研究便為人工智能提供了一套可操作方案。在瑪格納尼(L.Magnani)看來,溯因推理就是闡明問題求解的過程,這與人工智能在推理方面的目標是一致的。②洛倫佐·瑪格納尼《發(fā)現(xiàn)和解釋的過程:溯因、理由與科學》,李大超、任遠譯,廣東人民出版社2006年版,第21頁。伴隨著科學模型的研究浪潮,也激發(fā)了邏輯學家對溯因推理模型化的研究熱情。③洛倫佐·瑪格納尼等《科學發(fā)現(xiàn)中的模型化推理》,于祺明、王天思譯,中國科學技術出版社2001年版,第26頁。

一 人工智能與作為發(fā)現(xiàn)語境的溯因推理

廣義的人工智能研究人造物的智能行為,智能行為包括知覺、推理、學習、交流和復雜系統(tǒng)中的行為。推理是人工智能研究的關鍵一環(huán)。④尼爾斯·尼爾森《人工智能》,鄭扣根、莊越挺譯,機械工業(yè)出版社2000年版,第1頁。人工智能不太關心無法推出新知的演繹推理,而將重心放在了擴展性推理上,比如類比推理、溯因推理和最佳說明推理等。在人工智能領域中,溯因推理的研究可以追溯到1973年,鮑普爾(H.Pople)的《論溯因邏輯的機制》一文收錄在第三屆國際人工智能大會論文集中,標志著溯因推理和人工智能的第一次融合。但直到20世紀90年代,人工智能領域的溯因推理研究才逐漸引起人們的廣泛興趣。溯因推理開始應用于邏輯編程、知識同化與診斷,以及出現(xiàn)在數(shù)據(jù)庫和知識基礎的語境中,即出現(xiàn)在計算機科學的主流中。①John Woods,Dov Gabbay,et al,A Pr actical Logic of Cognitive Syste ms:Vol u me 2(Amster da m:Nort h Holland Publishing Co mpany,2003),30-31.隨后,溯因推理和人工智能的融合程度越來越高,總的說來,溯因推理與人工智能在三個方面有著緊密聯(lián)系:一是溯因推理可以作為服務于人工智能的邏輯推理類型;二是溯因推理在邏輯編程中的應用;三是溯因推理和認知變化理論的互動,即用溯因推理處理信念修正問題。②John Woods,Dov Gabbay,et al,A Pr actical Logic of Cognitive Syste ms:Vol u me 2,30-33.其中,第三個方面是最具前景的發(fā)展方向。

首先,我們來看溯因作為邏輯推理。在人工智能領域中,機會邏輯的溯因研究進路的總趨勢是將溯因作為“反向演繹附加條件”,其關注點在于給出溯因邏輯的語義學。③John Woods,Dov Gabbay,et al,A Practical Logic of Cognitive Systems:Vol u me 2,31.其次就是邏輯編程中的溯因推理。邏輯編程由科瓦爾斯基(B.kowalski)和科爾黙勞爾(A.Col merauer)在1974年提出,就是我們現(xiàn)在所熟知的程序語言Prolog。該語言由一階邏輯激發(fā),并由邏輯程序、問題和一個稱之為解決方案的基本推理機制構成。后來邏輯學家將溯因推理應用在作為一個“修理機制”(repair mechanis m)的邏輯編程中,與探尋成功所需要的事實一起執(zhí)行程序。④John Woods,Dov Gabbay,et al,A Practical Logic of Cognitive Systems:Vol u me 2,32.最后是溯因推理和認知變化理論。我們可以初略地將以上兩個方面分別看成是基于邏輯和基于計算的溯因研究進路。我們認為,在溯因推理的過程中,知識背景和信念也隨之更新。當溯因推理引入信念修正之后,這樣就出現(xiàn)了一個明顯相關的領域,即人工智能中的信念變化理論。人工智能同樣處理這種動態(tài)的信念更新過程,二者在這個目標上高度契合。⑤尼爾斯·尼爾森《人工智能》,第33頁。我們把這種趨向視為基于認知的溯因研究進路,這是溯因推理目前最具前景的發(fā)展方向。信念修正過程發(fā)生在許多實際場景中,比如診斷推理、數(shù)據(jù)庫中的信念修正和機器學習中的理論精細化。

我們用溯因推理尋求最佳解釋的時候,會根據(jù)新的事實和證據(jù)不斷調整、修正我們的信念庫或知識集。這就要求我們將推理過程視作一個不斷探索、發(fā)現(xiàn)與更新的過程,而不是一味追求找到唯一的精確答案。在這個層面上說,溯因推理非常符合邏輯的發(fā)現(xiàn)功能。這種曾經(jīng)被邏輯學家歸入另類的溯因推理,在科學發(fā)現(xiàn)、歸納認知和刑事偵查領域卻大行其道,大顯身手。它被廣泛應用于當代科學研究的諸多領域,如自然語言處理、知識習得、科學發(fā)現(xiàn)、邏輯編程、人工智能研究、醫(yī)療診斷、心理治療、教育心理學、認知心理學和認知科學。⑥任曉明、熊立文等《歸納邏輯教程》,南開大學出版社2012年版,第72頁。當代科學哲學家辛提卡(J.Hintikka)給予溯因發(fā)現(xiàn)功能極高的評價:“可以說最重要的哲學天賦是發(fā)現(xiàn)哲學問題。如果確實如此,皮爾士就是哲學天空中的一顆巨星。他將溯因概念推向哲學家意識的前沿,它處于當代認識論的核心?！雹逬ohn Woods,Dov Gabbay,et al,A Pr actical Logic of Cognitive Syste ms:Vol u me 2,1.然而,邏輯的發(fā)現(xiàn)功能在很長一段時間里被嚴重貶低。邏輯學自誕生之初,就肩負著兩個使命:“發(fā)現(xiàn)”和“推理”。粗略地看,發(fā)現(xiàn)處理前提搜索,而推理則解決前提預測。⑧John Woods,Dov Gabbay,et al,A Pr actical Logic of Cognitive Syste ms:Vol u me 2,46.縱觀整個邏輯發(fā)展史,一般把推理定義為從前提的集合推出結論子集,推理的過程可以很好地表征出來。發(fā)現(xiàn)過程由于帶有猜想的成分而受到忽視。亞里士多德在《論題篇》和《辯謬篇》中對發(fā)現(xiàn)略有提及,在隨后的一千多年里,發(fā)現(xiàn)主題一直排除在邏輯研究范圍之外,這種情況到了培根(F.Bacon)時代才有所好轉。

完善溯因推理的動力源于科學哲學的幾次思潮,維也納學派和柏林小組首次提出了科學邏輯的說法,將科學探索與邏輯研究這兩個主題緊密地勾連起來,科學邏輯的目標就是給出所有科學語言的邏輯語法。賴欣巴哈(H.Reichenbach)曾指出科學哲學研究的兩條進路,一條偏心理學的立場,他稱其為發(fā)現(xiàn)的語境,另一條則是辯護的語境。①Hans Reichenbach,Experience and Prediction(Chicago:The University of Chicago Press,1938),382.賴欣巴哈的這種區(qū)分存在較大爭議。布萊克威爾(R.Black well)考察了賴欣巴哈這種區(qū)分背后的隱含假設,指出這種區(qū)分將發(fā)現(xiàn)的主題從科學哲學的研究中排除出去,與科學實踐不符,他認為不蘊涵科學發(fā)現(xiàn)的哲學描述是不可能的。②Richar d J.Black well,“In Defense of the Context of Discovery,”Revue Inter nationale De Philosophie 34,no.131/132(1980):90-108.如果說布萊克威爾只是點到了問題,沒有表明立場,那么阿麗色達(A.Aiseda)就明確地表達了對發(fā)現(xiàn)語境的重視。阿麗色達在考察了這兩種語境之后,主張我們要將注意力集中在科學探索的過程,而非聚焦在探索的成果上。③阿托卡·阿麗色達《溯因推理:從邏輯探究發(fā)現(xiàn)及解釋》,魏屹東、宋祿華譯,科學出版社2016年版,第17頁。

在近幾十年的發(fā)展流變中,科學哲學從原初的立場轉變?yōu)槟壳暗姆椿A主義或者新古典主義,把精力從科學的邏輯語法中抽離出來,更加關注自然科學理論的數(shù)理模型結構。邏輯實證主義提出了一個綜合的科學解釋和科學檢驗理論,把科學發(fā)現(xiàn)排除在外。雖然邏輯實證主義并不看好科學發(fā)現(xiàn),但卻在人工智能和認知科學領域興起了一股科學發(fā)現(xiàn)程序化的研究浪潮,有力地駁斥了無法對“發(fā)現(xiàn)的語境”形式化的武斷論調。我們知道,實證主義科學家們追求客觀精確的體系化知識,將演繹邏輯系統(tǒng)作為科學解釋和確證的首要形式框架,并將不具備此種特性的歸納邏輯也加以改造,使之變成形式簡潔,易于計算且更為直觀的公理化系統(tǒng),卡爾納普在這方面做了許多基礎性工作。后面的伍茲(J.Woods)、加貝(D.Gabbay)、阿麗色達、瑪格納尼等人研究的創(chuàng)新之處就在于整合多種邏輯工具,而非使用單一的邏輯來構建溯因模型。隱式知識不再神秘和不可分析,我們能給這些知識建模,為問題求解提供一個明確的框架,使之可應用于諸如生成式計算系統(tǒng)上。④尼爾斯·尼爾森《人工智能》,第15頁。

皮爾士在提出“第三種推理形式”之后,也曾探討過溯因的基本形式,起初他的思路是參考三段論邏輯。在此后相對漫長的幾十年時間里,溯因推理的模型化進程并沒有取得實質性進展。20世紀90年代以來,人工智能領域開始越來越多地討論溯因推理,將其作為問題求解的工具。這個時期的溯因形式化往前邁進了一步,但并非完全的形式化,還沒有構造出溯因推理的一般模型。溯因推理的模型化嘗試始于21世紀初,第一個完整的溯因模型AK M由阿麗色達、科瓦爾斯基、庫珀斯(T.Kuipers)、卡卡(A.Kakas)和瑪格納尼等人提出,是目前主流的溯因模型。緊接著,伍茲和加貝在AK M的基礎上提出了一個新的溯因模型GW。之后又有邏輯學家提出新的模型,溯因模型研究開始蓬勃發(fā)展起來。

二 溯因模型的認知目標:緩解無知狀態(tài)

人工智能和溯因推理主要存在三方面的聯(lián)系和互動,其中人們最為關注的是認知信念的動態(tài)變化問題,即我們如何逐漸修正我們的認知信念。在伍茲和加貝看來,溯因推理就是IP(Ignorance Preserving)推理,致力于緩解無知狀態(tài)。溯因模型始終圍繞著一個核心主題:解決IP問題。對于一般的推理來說,不確定性是可以消除的,但溯因推理是個例外,即便完成推理過程,推理者仍舊可能處于無知狀態(tài)。經(jīng)過一系列的排除后,剩下的假說不一定就是事情發(fā)生的真正原因,溯因推理并沒有假定事件背后存在確定性的、真理性的理論。粗略地說,溯因是對特定認知刺激的反應,這種刺激發(fā)生的時候,由于目前認知資源的限制而無法達成認知目標。我們可以用溯因激發(fā)器(abductive trigger)⑤溯因激發(fā)器最早由阿麗色達在其博士論文“Seeking explanations Abduction in logic,philosophy of science and artificial intelligence”中提出,這里以更為簡潔的方式刻畫。參見:Atocha Aliseda-Llera,Seekin g Explanation:Abduction in Logic,Philosophy of Science an d Artificial Intelligence(Michigan:UMI,1997)。簡要地刻畫這種刺激-反應過程,將偶然事態(tài)記作S,把目前的認知資源或者知識集定義為K,S要達成的目標記作T,溯因激發(fā)器的基本形式為⑥John Woods,Dov Gabbay,et al,A Pr actical Logic of Cognitive Syste ms:Vol u me 2,40-41.:

1.獲得S

2.S碰巧發(fā)現(xiàn)T

3.K并沒有達成T

也就是說,我們表面上完成了問題的求解過程,但事實上并非如此,因為T并沒有納入到我們的知識庫中,因而我們并沒有徹底地達成目標。

我們一般把IP問題定義為:存在一個認知主體X當且僅當X有一個認知目標T,從目前的知識庫K中不能達成T。面對IP問題,認知主體有兩個選擇。

一個是獲得新的信息,X會達成T。因此就有①John Woods,Dov Gabbay,et al,A Pr actical Logic of Cognitive Syste ms:Vol u me 2,42.:

IPOption1:X克服了他的無知,X擴展知識庫K至K*,K*能達成T。

另一個選擇就是有序對{K,T}對X不可解。此時,我們就會處于第二種情形:

IPOption2:X的無知壓制住了他,Option 1失敗,X就處于這種無知狀態(tài)。

值得注意的是,這兩個選項是動態(tài)的,也就是說在t1時刻,X可能嘗試著解決問題,但是失敗了,因此就是Option 2的情形。在t2時刻他可能處于Option 1的情形,然后在t3,他可能又處于Option 2的情形。普遍的觀點認為當主體遇到IP問題時,只存在以上兩種情況。事實上,還存在著第三種情形:

IPOption3:假定達成了目標。X找到了一個假說H,假說H會和K一道解決他的IP問題。

H是一個猜測,Option 3加入了猜想的要素,但是這并沒有徹底解決原初的問題。X只有在他現(xiàn)在知道K或他將要知道K*的基礎上才能達成T,他目前并不身處其中任意一種狀態(tài)。如果他挑選了假說H,通過H來更新K達成T,猜想H也不能產生K*。即使附帶著假說的的知識庫[即K(H)]也不能作為X的知識集,所以我們并沒有解決主體的IP問題。

雖然K(H)不能直接達成T,但我們可以說假定地達成了。因此,Option 3沒有解決X的IP問題,介于達成和非達成之間的一種中間狀態(tài)。也就是說,設定了一個比原先目標稍低一點的目標,然后達成這個目標。倘若第一種認知上的達成無法實現(xiàn),我們就可以采取第二種假定的達成。

顯然,Option 3不是IP問題的徹底解決方案,但將IP問題轉換成了猜想能夠解決的問題。這也算是對IP問題的一個回應,降低解決T目標的標準。此時主體不是傾向于追求效益最大化,而是適當犧牲,退而求其次。

當我們加入了Option 3之后,IP問題的動態(tài)特征也會相應地調整。一個認知主體可能嘗試失敗,因此陷入Option 2,然后他可能會轉向Option 3,如果同樣失敗了,他又會處于Option 2的狀態(tài)。但是他如果成功了,達成了Option 3設定的稍低標準的目標T,那么他目前的認知狀態(tài)就會比以前更好,或許逐漸轉向Option 1。

我們舉一個例子來說明IP問題及其動態(tài)認知特征。如果楊伶香想要知道李楚云是否住院,她打電話給李楚云的室友,但是沒有接通。她又打給李楚云的朋友高絲雨,高絲雨也不知道。那么我們可以說,楊伶香目前沒有解決這個問題的K*。她一籌莫展,只能明早親自去醫(yī)院走一遭。如果她明天去醫(yī)院發(fā)現(xiàn)李楚云不在,那么她今天處于Option 2的狀態(tài),到了明天才處于Option 1的狀態(tài),這樣就解決了他的IP問題。生活中的具體案例往往不具備這樣的單調性,我們現(xiàn)在設想另外一種情形。楊伶香感冒發(fā)燒,在家休息,不能去醫(yī)院一探究竟,假定她并不知道李楚云在那一天的出行情況。直到半個月后,李楚云來她家做客,與她閑聊時說到:“生病可真是遭罪啊,我已經(jīng)大半年都沒有踏進診所了。”那么楊伶香現(xiàn)在知道李楚云那天沒有住院。但是她并沒有解決她的IP問題,因為新知識已經(jīng)超出了框架。IP問題也有“保質期”,過期就會失效。②John Woods,Dov Gabbay,et al,A Pr actical Logic of Cognitive Syste ms:Vol u me 2,44.

如果說演繹推理主要是獲取確定性的真理,歸納推理用于增強預測的可能性,那么溯因推理的顯著特征就是緩解無知了。溯因的本質是問題求解,采用的方法是引入假說。這種方法無法確保得到完美的解決方案,而是一個折衷策略,但這個方案最能展現(xiàn)科學發(fā)現(xiàn)和科學探究的實際情況。我們往往無法立刻知曉答案,當我們既無法直接獲得確證性的結果,也無法提高結果的可信度的時候,那么我們能夠做的就是消除我們對問題的疑惑,或者說緩和我們的無知狀態(tài)。正如雷切爾(N.Rescher)所言:“對無知的不適應是人類感受性的一個天然組成部分。”①Nicholas Rescher,Priceless Knowledge?Natural Science in Econo mic Perspective(Lanha m:Rowman&Littlefield,1996),6.溯因模型致力于消除IP問題,同時力求形式刻畫溯因推理的實際情形。加貝和伍茲把溯因邏輯作為一種認知系統(tǒng),而且也是一種實踐邏輯(practical l ogic)。②John Woods,Dov Gabbay,et al,A Pr actical Logic of Cognitive Syste ms:Vol u me 2,xvii.溯因作為一種邏輯分析,是從觀察數(shù)據(jù)到可能原因的推理模式。它不可避免地使科學哲學中的經(jīng)驗進步與理論說明相結合,促進了人工智能中信念變化的計算理論的產生。③阿托卡·阿麗色達《溯因推理:從邏輯探究發(fā)現(xiàn)及解釋》,第xvii-ix頁。而模型為處理信念提供了很好的框架,我們接下來分別考察兩種溯因模型。

三 主流溯因模型:AKM架構

AK M架構④AK M是集體智慧的結晶,由約翰·伍茲和多夫·加貝命名。其中,A代表阿麗色達(Aliseda),K代表科瓦斯基(Kowalski)、庫珀斯(Kuipers)和卡卡(Kakas)等人,M代表瑪格納尼(Magnani)。由阿麗色達、科瓦爾斯基、庫珀斯、卡卡和瑪格納尼等人提出。我們用E表示一個主體的認知目標,K表示認知主體的知識庫,H是一個假說,K(H)表示帶有假說H的知識庫。有了這幾個參數(shù),我們便可以刻畫AKM溯因模型⑤John Woods,Dov Gabbay,et al,A Pr actical Logic of Cognitive Syste ms:Vol u me 2,48-49.:

AK M1:E

AK M4:K(H)是一致的

AKM5:K(H)是極小的

AK M7:因此,H

AK M1表示設定一個認知目標;AK M2意味著E并不是來自知識庫K;AKM3表示E并不是來自我們提出的假說H;AK M4表示添加H至K,得到K(H),并給出了一個一致性結果;AK M5表明K(H)無法添加新的東西進去;AK M6表示新的理論K(H)會產生E;最后得出結論,暫時假定H是值得辯護的。

構造溯因模型是為了更好地解決IP問題,IP問題的核心是引入假說H,我們假設H和知識庫K一道能消解IP問題。溯因模型要想解決IP問題,就需要高效快捷地找出假說H,并且確保H可以經(jīng)受檢驗。

給出模型的基本形式只完成了一部分工作,這屬于語法的部分,還要給出有語義,并說明構造模型的思路和技術細節(jié)。

首先,我們需要迭代溯因(iterated abduction)的理論。假設我們有一個目標E1,我們就增加一個假說H1。假定這個過程是連續(xù)的,我們考慮E2,E3,……,然后加入H2,H3,……因此我們得到了一系列的知識庫K(H1),K(H1)(H2)。我們需要迭代溯因理論來處理這些序列。如果議程(Agenda)在我們的知識庫K中終止,那么我們就從K(H)中溯因出H。如果隨后偶然增加了一個知識k1,與K一道終止了議程,那么我們就舍棄H,轉向K∪{k1}。⑥John Woods,Dov Gabbay,et al,A Pr actical Logic of Cognitive Syste ms:Vol u me 2,337.這一點最能反映溯因模型的IP靶向,假說并不是一成不變的,而是實時更新的。

在我們日常生活中,多重溯因極為常見。事實上,迭代溯因比起一步溯因,更適合將人類行為模型化。實際的認知情境錯綜復雜,溯因的復雜性超過了迭代的事實。在一個更為全面的模型中,應該將一些額外的復雜性納入討論之中,比如需要考慮這些溯因形式:多重目標溯因(multiple tar get abduction),復合溯因(co mpound abduction)和可遞封閉溯因(transitive closure abduction)。⑦John Woods,Dov Gabbay,et al,A Pr actical Logic of Cognitive Syste ms:Vol u me 2,337.隨著我們考慮的情形的增多,就愈發(fā)需要加標演繹系統(tǒng),這樣更利于數(shù)據(jù)的結構化和標簽化,并且不同的嵌入原則能更容易以公式的形式表達出來。

另外,溯因模型要更有效率地找到假說H。AK M架構缺少關于的理論算法的證明,用以檢驗KE是否對于任意K和E都成立。沒有這樣的算法,我們很難發(fā)現(xiàn)H的候選項。而AK M4-AK M6概括性太強,概括性越強,也就意味著所表征的具體內容越少。因此我們需要假定算法A可用于檢驗KE是否成立,并且用這種算法可以驗證AK M2:～(KE)和 AK M3:～(HE)是否成立。

我們在建構AKM溯因模型時所采用的策略是假定這種算法的一般性質,將溯因算法定義為元層級的溯因機制U(A),在A上運行,試著找到候選項H。

伍茲和加貝認為AK M架構在某些方面做了頗有價值的探索,指明了溯因邏輯學家要解決的三個子任務:當運用的時候,必須予其描述;必須對假說H作出說明;必須說明“因此”這個推論算子。③John Woods,Dov Gabbay,et al,A Practical Logic of Cognitive Systems:Vol u me 2,43.但伍茲和加貝指出,AKM架構不能很好地刻畫溯因的內在結構。此外,AKM參數(shù)太少,所以解釋面較為狹窄。

四 伍茲和加貝的溯因模型:GW架構④

④其中G代表加貝(Gabbay),W代表伍茲(Woods)。

伍茲和加貝結合AK M架構,給出了一個新的溯因模型GW,GW保留了AK M的實用主義優(yōu)點,并在此基礎上走的更遠。

伍茲和加貝首先給出了溯因模型的基本架構,我們用T!表示一個主體的目標,讓R表示為在T上的一個達成關系,Rpres表示在在T上的一個假說關系,H是一個假說,K(H)是在H基礎上修改過的知識庫,C(H)是在H上的一個猜想,Hc表示排除假說H。溯因基本架構如下,我們將其簡稱為BS(Basic Schema)⑤John Woods,Dov Gabbay,et al,A Pr actical Logic of Cognitive Syste ms:Vol u me 2,47.:

BS1:T! [T為一個認知目標]

BS2:﹁R(K,T) [事實]

BS3:﹁R(K*,T) [事實]

BS4:Rpres(K(H),T) [事實]

BS5:H碰到了更進一步的條件S1,…,Sn[事實]

BS6:因此,C(H) [子結論,BS1-5]

BS7:因此,Hc[結論,BS1-6]

我們不難發(fā)現(xiàn),伍茲和加貝的溯因基本架構在一定程度上借鑒了AKM架構,比如AK M2:～(KE)和BS2:﹁R(K,T)都表達了同樣的意思:目標不是來自知識庫,否則溯因就沒有意義了。二者在邏輯上是等價的表達式,只是在形式表達方面存在一定差異。同時,我們也發(fā)現(xiàn),GW的基本架構要達成的目標不同于AKM架構。AKM架構是為了更快捷地找到假說H,而BS的結論是排除假說H,排除假說是為了找到更加合適的假說或者猜想,這樣IP Option 3才有可能過渡到IP Option 1,才有可能徹底地消除IP問題。在宏觀設置上,GW的目標比AKM的目標設定的更高。

伍茲和加貝對AK M架構中的算法A進行了深入探討,并對其作了小幅度調整。如果有一個目標V,實現(xiàn)這個目標需要借助K,那么我們就將其表達為K?V。①John Woods,Dov Gabbay,et al,A Pr actical Logic of Cognitive Syste ms:Vol u me 2,48.我們需要一系列步驟來實現(xiàn)目標。如果我們執(zhí)行其中的任意一步,目標可能被其他的輔助目標或者子目標取代,實現(xiàn)這些子目標的相關K也會發(fā)生變化。

總的來說,AKM架構強調如何高效地選取假說,因為找到假說就可能找到了問題的解,因而就可以消解IP問題,但是這種消解可能達不到預期的效果。IP問題的解決方案強調的是漸進消解策略,一方面我們需要快捷高效地找到假說,另一方面我們也必須要有排除假說的機制,即從一個假說跳躍到另一個假說。這樣會為IP Option 3過渡到IP Option 1提供契機。AK M架構在尋找假說方面做了很多工作,但是并沒有體現(xiàn)出不斷尋求最優(yōu)解的趨勢。

伍茲和加貝在基本架構BS的基礎上,提出了一個整合的溯因模型:GW架構。其形式如下:

GW1:T!α [T是帶有命題α的認知目標]

GW2:﹁R(K,T) [事實]

GW3:﹁R(K*,T) [事實]

GW4:H?K [事實]

GW5:H?K*[事實]

GW6:﹁R(H,T) [事實]

GW7:﹁R(K(H),T) [事實]

GW8:H R(K(H),T) [事實]

GW9:H碰到了更進一步的條件S1,…,Sn[事實]

GW10:因此,C(H) [子結論,GW1-9]

GW11:因此,Hc[結論,GW1-10]

GW架構在一定程度上借鑒了AK M的框架,但二者的目標不一樣。AK M架構的結論假定H是值得辯護的,而GW則是排除假說H。伍茲和加貝指出,GW架構并非取代AKM架構,而是思路的轉換。

伍茲和加貝認為他們的溯因架構充分體現(xiàn)了溯因邏輯獨特的認知特征。H不在認知主體的知識庫K中,也不在擴充的知識庫K*中。因為H不在K中,那么經(jīng)H修改過的K也不在K*中,因此,H?R(K(H),T)。伍茲和加貝認為這樣就解決了IP問題。②Nicholas Rescher,Priceless Knowledge?Natur al Science in Econo mic Perspective,370.

五 溯因模型化進路的挑戰(zhàn)與出路

雖然伍茲和加貝聲稱GW模型解決了IP問題,但瑪格納尼認為GW模型根本不能算作是一種溯因模型。馬格納尼強調假說的產生和檢驗過程,嚴格意義上屬于歸納邏輯的任務,而不是溯因邏輯的內容。于是瑪格納尼又提出了一種所謂溯因的生態(tài)認知模型(Eco-Cognitive Model,簡稱CT)。①Lorenzo Magnani,Ping Li,et al,Philosophy an d Cognitive Science II:Western&Eastern Studies(Berlin:Springer Inter national Publishing,2015),135-136.他們不同的處理方式在一定程度上折射出溯因概念的含混和溯因模型進路的諸多分歧。

構造模型的方法有很多,在AK M和GW模型中,主要涉及如何描述和解釋這些參數(shù):T!,T,K,K*,H,K(H),S1,……,Sn,C(H),Hc。將一個概念或者一套概念集模型化是邏輯學家通常采用的方法,由于諸多的限制,通常不能充分表征一個模型。而主流的邏輯進路,即用集合論、模型論、遞歸論和證明論來構造溯因模型的路子似乎行不通。伍茲和加貝在完成GW的主要框架之后,也不得不承認即便是處理一部分參數(shù),都極其艱難?，F(xiàn)有的模型也只是一些零散的、嘗試性的工作。伍茲和加貝表示,要想解決所有的問題,至少需要一代人的努力,因為對每一個參數(shù)的解釋都牽扯到諸多的邏輯分支。構造溯因模型的難度主要體現(xiàn)在以下幾個方面。K是溯因者目前的知識庫,當遇到問題之后,知識庫就會隨之改變,變成K*。我們跟皮爾士一樣,都是可錯論者,認為可以更新知識庫。只有這樣,我們才會逐漸提高認知水平。而可錯論是一個動態(tài)認知因素。因此,溯因模型需要引入動態(tài)邏輯的一般結構。既然涉及到知識集的擴展、信念修正和信念更新,必然會牽涉認知邏輯。C(H)是一個模態(tài)語句,C是允許猜想的道義算子,Hc用來表示排除假說,故而C(H)在道義邏輯中也有一席之地,而Hc則與加標推理有著密切的聯(lián)系。②John Woods,Errors of Reasonin g:Natur alizing the Logic of Inference,71-72.還有一個幾乎所有的邏輯系統(tǒng)都會遇到的推理后承問題,對后承的不同解讀,會產生不同的邏輯。推論關系在構造溯因框架中仍然起著關鍵作用,所以必須解釋在何種意義上使用或 。

溯因模型化是一項棘手課題,首先是溯因概念的模糊性,溯因推理與歸納推理和最佳說明推理等有著千絲萬縷的聯(lián)系,溯因模型的研究范圍還存在一定的爭議。其次,溯因模型牽涉邏輯學領域的諸多分支,研究者要想打通這么領域,一己之力難以為之,只有廣泛的合作,才有實現(xiàn)的可能。很顯然,GW模型并非是溯因模型化的最后形態(tài),從AKM架構到GW架構,甚至到CT模型,都是邏輯學家們的有益探索。

在溯因模型化的研究中,溯因模型的目標是緩解無知狀態(tài),就是將追溯原因的過程作為一個動態(tài)的認知過程,其中包含著信念修正和知識集的更新,這也是人工智能的重要議題。溯因推理的研究進路有三條:基于邏輯的、基于計算的和基于認知的。這三個方面是溯因推理和人工智能聯(lián)系最為緊密的部分。我們認為,溯因推理的研究趨勢之一是越來越多地呈現(xiàn)出三方面的融合。其實邏輯理論在某些層面上也類似于科學理論,完備的理論就失去了發(fā)展動力。如果擁有一個“完備的科學理論”,就意味著在這個理論中,能給出否定或肯定的解釋,這要么是一個沒有解釋效力的理論,要么就意味著理論的終結。溯因模型化的困境也是其發(fā)展的動力,正是由于這種不完備,激發(fā)著后繼學者對理論的完善和推陳出新。