人工智能與創(chuàng)造性勞動

白惠仁

摘要：崔政博士的新著《科學(xué)技術(shù)知識的政治經(jīng)濟學(xué)研究》以馬克思的“勞動”概念為中心，提供了一個劃定人工智能替代人類勞動的邊界框架。該書區(qū)分了重復(fù)性勞動與創(chuàng)造性勞動，提出創(chuàng)造性勞動是人類勞動的本質(zhì)也是人工智能不可替代的。但需要進一步指出的是，機器學(xué)習(xí)已經(jīng)在認(rèn)識實踐中表現(xiàn)出對人類認(rèn)知勞動的極大輔助作用，包括：人工智能能夠提升科學(xué)知識生產(chǎn)效率;人工智能擅于提取和傳遞默會知識;人工智能可以產(chǎn)生某種機器知識。以上原因使得我們在創(chuàng)造性勞動中很難將人工智能排除在外，未來可能的創(chuàng)造性勞動方式應(yīng)當(dāng)是某種人機協(xié)作或人機融合。

關(guān)鍵詞：人工智能;創(chuàng)造性勞動;科學(xué)知識;默會知識;機器知識

中圖分類號：TP18文獻標(biāo)識碼：A文章編號：CN61-1487-（2020）01-0154-03

產(chǎn)業(yè)科學(xué)出現(xiàn)以來，科技創(chuàng)新對經(jīng)濟增長的驅(qū)動作用已經(jīng)成為全球性的共識。崔政博士的新著——《科學(xué)技術(shù)知識的政治經(jīng)濟學(xué)研究》，試圖以“勞動”概念的歷史分析為切入點，討論科學(xué)技術(shù)在當(dāng)代資本主義經(jīng)濟中所扮演的角色，進而以一種動態(tài)的勞動價值論表明當(dāng)代社會經(jīng)濟運行的內(nèi)在動因[1]2。該書以馬克思的“勞動”概念為核心構(gòu)建了一個哲學(xué)空間，將科學(xué)知識、技術(shù)創(chuàng)新、資本運行納入其中，完整地闡述了科學(xué)技術(shù)對經(jīng)濟社會的塑造作用。該書的敘事方式表達了兩個理論取向：第一，對科技創(chuàng)新的分析不同于傳統(tǒng)技術(shù)創(chuàng)新理論僅關(guān)注經(jīng)濟“增長”，而是從更為基礎(chǔ)的社會分工出發(fā)關(guān)注經(jīng)濟“發(fā)展”;第二，將科學(xué)知識的生產(chǎn)還原到馬克思的“科學(xué)勞動”概念，實際上已經(jīng)使用了一種擴展了的“科學(xué)”概念，蘊含著當(dāng)代科學(xué)知識生產(chǎn)所具有的實踐性、情境化、多主體等特征。

該書更為重要的貢獻在于討論了人工智能技術(shù)對于社會生產(chǎn)方式的挑戰(zhàn)和變革作用。書中提出：“人工智能的替代效應(yīng)是建立在對人類勞動數(shù)據(jù)化和邏輯化的基礎(chǔ)上的，探索自在自然的創(chuàng)造性勞動是不可數(shù)據(jù)化和邏輯化的。因此，人工智能只能圍繞既有的對象進行重復(fù)性生產(chǎn)，替代重復(fù)性勞動;而人類則能夠探索自在自然，從而摸索新技術(shù)、建構(gòu)新對象，進行創(chuàng)造性勞動。也就是說，機器所不能替代的人類勞動的‘硬核是探索自在自然的勞動，是創(chuàng)造對象和掌握技術(shù)的‘創(chuàng)造性勞動?！盵1]25作者將馬克思的“勞動”概念區(qū)分為“重復(fù)性勞動”和“創(chuàng)造性勞動”，進而指出人工智能是對機器大工業(yè)的否定，它將替代人類勞動中可以重復(fù)、可以數(shù)據(jù)化的部分，但創(chuàng)造性勞動是人類勞動的本質(zhì)，是人工智能所不能替代的。

作者提出：“人工智能可以在將重復(fù)性勞動數(shù)據(jù)化的基礎(chǔ)上，對人類勞動進行模仿，從而取代任何形式的重復(fù)性勞動。但人工智能卻不能取代人類的創(chuàng)造性勞動，創(chuàng)造性勞動是通過探索自在自然，經(jīng)過反復(fù)的摸索與實驗、征服反常和偶然、掌握技術(shù)、創(chuàng)造對象、實現(xiàn)對象從無到有的過程的勞動，這是一種原生性的勞動?！盵1]27作者認(rèn)為，創(chuàng)造性勞動是對馬克思的“自在自然”的探索，“自在自然”是在人類的現(xiàn)有認(rèn)知能力之外，卻以反常和失敗等形式向人類顯現(xiàn)其自身。然而，在認(rèn)知實踐當(dāng)中，機器學(xué)習(xí)已經(jīng)可以幫助人類探索認(rèn)知能力之外的“自然”，當(dāng)然這種“自然”并不以反?；蚴〉男问酱嬖?。作者也指出：“尤其是在大數(shù)據(jù)和云計算的背景之下，機器學(xué)習(xí)的速度遠(yuǎn)超人類的認(rèn)知極限，甚至可能在數(shù)據(jù)中找到人尚未發(fā)現(xiàn)的方法和規(guī)則?！盵1]35因此，在認(rèn)知勞動方面，我們可以在作者的概念框架下進一步區(qū)分出人工智能對人類“創(chuàng)造性勞動”的輔助作用，具體表現(xiàn)為三個方面：人工智能提高科學(xué)知識生產(chǎn)效率;人工智能擅于提取和傳遞默會知識;人工智能可以產(chǎn)生某種機器知識。

一、人工智能能夠提升科學(xué)知識生產(chǎn)效率

機器學(xué)習(xí)的廣泛使用可以提升科學(xué)知識生產(chǎn)的效率，主要表現(xiàn)在文獻研究和實驗室研究兩個方面。人工智能系統(tǒng)可以通過自然語言理解獲取、閱讀和總結(jié)所有相關(guān)文獻。例如，一個叫做Iris的人工智能系統(tǒng)的運行方式是：從某個研究主題的演講切入，先使用自然語言處理算法分析演講的腳本，挖掘從開放渠道獲取的研究文獻，然后將相關(guān)研究文獻分組并進行可視化，再通過人工標(biāo)注文獻使機器匹配精度增加，當(dāng)機器能夠理解文獻的內(nèi)容和結(jié)構(gòu)時，可以幫助科研人員總結(jié)出該研究主題下的所有研究問題、假設(shè)、實驗結(jié)果等，從而將前人工作完整呈現(xiàn)。此外，機器學(xué)習(xí)的使用還能夠加快實驗研究的進程。例如，2016年5月，澳大利亞國立大學(xué)的研究團隊使用機器學(xué)習(xí)重復(fù)了物質(zhì)的玻色—愛因斯坦凝聚態(tài)的實驗室發(fā)現(xiàn)過程，從反復(fù)設(shè)置調(diào)整實驗設(shè)備的各種參數(shù)到產(chǎn)生凝聚態(tài)物質(zhì)，機器學(xué)習(xí)只用了一個小時，而憑借這一發(fā)現(xiàn)獲得諾貝爾獎的三位科學(xué)家是在直覺的基礎(chǔ)上經(jīng)過多年實驗才制造出了物質(zhì)的凝聚態(tài)。由此可見，作為技術(shù)的人工智能的進步已經(jīng)開始反向促進作為基礎(chǔ)研究的科學(xué)知識的生產(chǎn)。

二、人工智能擅于提取和傳遞默會知識

波蘭尼（Michael Polyani）提出了默會知識（tacit knowledge）的概念，以區(qū)別于可以明述的知識（explicit knowledge），明述知識是用語言文字來表達的知識，如科學(xué)知識，默會知識則是我們知道但通常不加言述或者不能充分言述的知識[2]。默會知識具有以下幾個特點：難以用語言文字描述，不易傳播、記錄和積累;獲取默會知識主要依靠親身體驗;默會知識呈分布式存在，難以整合。這些特點導(dǎo)致我們很難有效運用默會知識，而機器學(xué)習(xí)的大規(guī)模運用使得人工智能系統(tǒng)非常擅于處理默會知識。作者敏銳地意識到了這一特點——“以往我們所說的‘默會知識、手工技藝技巧，以及復(fù)雜程度遠(yuǎn)超人類認(rèn)知能力之外的一些潛在規(guī)則，也都不再是一個個‘黑箱，機器可以基于將人類勞動的過程還原成物理量和數(shù)據(jù)，再通過機器學(xué)習(xí)找到其內(nèi)在的規(guī)律，從而取代人類勞動?！盵1]56

在當(dāng)前人類社會所有已經(jīng)產(chǎn)生的信息中，文字只占極少的比例，大量的信息以圖片和視頻方式呈現(xiàn)，其中蘊含了大量需要通過親身體驗才能獲取的默會知識。如果有辦法將事物狀態(tài)用圖片或視頻記錄下來，就有可能使用機器學(xué)習(xí)從中萃取出知識。很多電影公司已經(jīng)使用人工智能系統(tǒng)觀看大量人類歷史上的影視作品，從而歸納提取出經(jīng)典橋段，創(chuàng)作出新的配樂、臺詞和預(yù)告片以供人類借鑒。更為重要的是，由人工智能系統(tǒng)獲取的默會知識是以神經(jīng)網(wǎng)絡(luò)參數(shù)集的形式存在的，這對人類而言仍然不可描述，也難以在人類之間傳遞，但卻非常易于在人工智能系統(tǒng)間傳播。例如，一臺掌握駕駛技能的自動駕駛汽車只要將參數(shù)集分享出來就可以快速讓所有汽車學(xué)會這項技能，而且可以實現(xiàn)機器間的協(xié)同行動。

三、人工智能可以產(chǎn)生某種機器知識

如果說默會知識還是“可意會而不可言傳”的知識，那么AlphaGo Zero在圍棋上的表現(xiàn)已經(jīng)表明人工智能系統(tǒng)產(chǎn)生了某種既無法“意會”也無法“言傳”的機器知識。AlphaGo Zero在沒有人類以往的經(jīng)驗或指導(dǎo)、不提供基本規(guī)則以外的任何領(lǐng)域知識的情況下，就使用機器學(xué)習(xí)在短時間內(nèi)探索了大量人類從未嘗試過的走法。機器發(fā)現(xiàn)的知識不僅完全超出了人類的經(jīng)驗，也超出了人類的理性，成為人類幾乎無法理解的知識。由此，產(chǎn)生了討論某種“機器認(rèn)識論”的可能性，Gregory Wheeler在《Machine Epistemology and Big Data》一文中提出：機器學(xué)習(xí)對事物間隱蔽的相關(guān)性的發(fā)現(xiàn)和掌握已經(jīng)遠(yuǎn)超人類，因此機器知識更多的是一種相關(guān)性知識。[3]321董春雨教授在《機器認(rèn)識論何以可能？》一文中也指出：“人類必須正視機器在其擅長的領(lǐng)域，通過特殊的認(rèn)識方式所獲得和積累的知識。”[4]

機器知識與科學(xué)知識或默會知識的核心差別在于：機器知識依賴數(shù)據(jù)，科學(xué)知識或默會知識依賴信息。信息是事物可觀察的表征，或者說信息是事物的外在表現(xiàn)。任何一個物體的信息量都非常大，要精確描述一個物體，就需要將其中所有基本粒子的形態(tài)以及它們之間的關(guān)系都描述出來，同時還要將該物體與周圍環(huán)境的關(guān)系都描述出來。而數(shù)據(jù)是已經(jīng)描述出來的部分信息，關(guān)于一個物體的數(shù)據(jù)通常要比信息少得多，例如只包含它的形狀、重量、顏色和種屬關(guān)系等。只有當(dāng)信息經(jīng)過適當(dāng)?shù)奶幚?，?dāng)它被用來進行比較、得出結(jié)論和建立聯(lián)系時，它才會轉(zhuǎn)化為知識。而知識可以理解為伴隨著經(jīng)驗、判斷、直覺和價值的信息，作為認(rèn)知主體的人在其中扮演了關(guān)鍵角色。

相較之下，機器知識可以被刻畫為數(shù)據(jù)在時空中的關(guān)系，這些關(guān)系表現(xiàn)為某種模式，對模式的識別就是認(rèn)知，識別出來的模式就是知識，用模式去預(yù)測就是知識的應(yīng)用。這些數(shù)據(jù)在時空中的關(guān)系只在少數(shù)情況下才能用數(shù)學(xué)工具進行表達，而多數(shù)情況下知識表現(xiàn)為數(shù)據(jù)間的相關(guān)性的集合，這些相關(guān)性只有一小部分可以被人類感知和理解。這源于人類感受能力的局限性：人類只能感受部分外界信息，人類的感官經(jīng)驗局限在三維的物理空間和一維的時間。因此，當(dāng)數(shù)據(jù)無法被感知，它們之間的關(guān)系又無法用數(shù)學(xué)工具表達時，這些數(shù)據(jù)間的關(guān)系就超出了人類的理解能力之外而屬于機器知識。當(dāng)前機器學(xué)習(xí)的主流形式——人工神經(jīng)網(wǎng)絡(luò)的最大特點就是發(fā)現(xiàn)并記憶數(shù)據(jù)中的相關(guān)性，例如在看了很多汽車圖片后會發(fā)現(xiàn)汽車都有四個輪胎，人類對圖片這類直觀的數(shù)據(jù)間的相關(guān)性也能發(fā)現(xiàn)并記憶一部分，這就是默會知識。但當(dāng)數(shù)據(jù)量很大且不直觀時，例如股票市場的數(shù)據(jù)或者核電站的內(nèi)部數(shù)據(jù)，人類就無法應(yīng)對了。而隨著人工神經(jīng)網(wǎng)絡(luò)層級和數(shù)量的增加，人工智能系統(tǒng)能夠處理大規(guī)模的復(fù)雜數(shù)據(jù)，這就是機器知識。機器知識當(dāng)前的主要表現(xiàn)形式類似于AlphaGo Zero中的神經(jīng)網(wǎng)絡(luò)的全部參數(shù)。

概言之，科學(xué)知識和默會知識多是基于信息的因果性知識，而機器知識多是基于數(shù)據(jù)的相關(guān)性知識。此外，科學(xué)知識是易于記錄、易于陳述、易于傳遞的;默會知識是難以記錄、難以陳述、可傳遞的;機器知識則是可記錄、不可陳述、易于在機器間傳遞的。

四、人工智能發(fā)展的局限性

當(dāng)然，基于人工神經(jīng)網(wǎng)絡(luò)的機器學(xué)習(xí)仍有兩個核心的局限性導(dǎo)致人工智能系統(tǒng)還不足以承擔(dān)創(chuàng)造性勞動。第一個局限是，人工神經(jīng)網(wǎng)絡(luò)需要依賴特定領(lǐng)域的先驗知識，也就是需要特定場景下的訓(xùn)練，這是因為人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)本質(zhì)上是對相關(guān)性的記憶，人工神經(jīng)網(wǎng)絡(luò)將訓(xùn)練數(shù)據(jù)中相關(guān)性最高的因素作為判斷標(biāo)準(zhǔn)。這個問題在自動駕駛汽車中表現(xiàn)的非常突出，鑒于道路交通情境的復(fù)雜性和交通標(biāo)示的多樣性，自動駕駛系統(tǒng)難以避免很多交通事故。第二個局限是，人工神經(jīng)網(wǎng)絡(luò)無法解釋產(chǎn)生某個結(jié)果的原因，這種不可解釋性在許多涉及安全和公共政策的領(lǐng)域顯現(xiàn)的比較突出，例如在智能醫(yī)療中，人工神經(jīng)網(wǎng)絡(luò)在影像識別和輔助診斷中都對其結(jié)果缺乏醫(yī)學(xué)上的解釋性，都需要專業(yè)醫(yī)生的復(fù)核。

基于人工神經(jīng)網(wǎng)絡(luò)的人工智能系統(tǒng)在記憶和識別這兩個基礎(chǔ)智能方面超越了人類，但在推理、想象等高級智能方面還相差較遠(yuǎn)。與人類相比，人工智能無法承擔(dān)創(chuàng)造性勞動的原因還不止于以上的局限性，還包括：人工智能沒有常識和物理世界的模型;人工智能沒有自主和自發(fā)的通用語言能力;人工智能沒有想象力，需要大量常識、反事實假設(shè)和推理能力;最重要的是人工智能沒有自我意識。自我意識的缺乏導(dǎo)致能夠產(chǎn)生機器知識的人工智能系統(tǒng)仍然無法被視為認(rèn)知主體，其知識的“創(chuàng)造性勞動”是一種無意識認(rèn)識活動。

五、結(jié)語

人工智能系統(tǒng)在提升科學(xué)知識生產(chǎn)效率、處理默會知識以及產(chǎn)生機器知識方面的優(yōu)勢，使得我們在創(chuàng)造性勞動中很難將其排除在外，未來可能的創(chuàng)造性勞動方式應(yīng)當(dāng)是某種人機協(xié)作或人機融合。腦機接口（brain-computer interface）是當(dāng)前一個重要的人機協(xié)作研究方向，而其中最激進的方式是馬斯克提出的Neuralink，即通過柔性電極對接在人腦的神經(jīng)網(wǎng)絡(luò)上，Neuralink要解決的是人類的信號輸入與輸出，但其問題在于人類的高級思維（如邏輯推理或描述場景）必須依賴語言，而目前基于人工神經(jīng)網(wǎng)絡(luò)的機器學(xué)習(xí)能力主要是對環(huán)境的識別能力，還遠(yuǎn)沒有達到語言和邏輯推理，但人類智能通過語言進行溝通。這背后就隱含了人類的科學(xué)知識與人工智能系統(tǒng)的機器知識之間的不可通約，以上例子也表明基于人機協(xié)作的創(chuàng)造性勞動還有很大的技術(shù)障礙需要克服。

參考文獻：

[1]崔政.科學(xué)技術(shù)知識的政治經(jīng)濟學(xué)研究[M].石家莊：河北人民出版社，2019.

[2]郁振華.當(dāng)代英美認(rèn)識論的困境及出路——基于默會知識維度[J].中國社會科學(xué)，2018（7）.

[3]Gregory Wheeler.Machine epistemology and big data[A].in McIntyre，Lee，and Alex Rosenberg，eds.The Routledge Companion to Philosophy of Social Science[C].Taylor & Francis，2016.

[4]董春雨，薛永紅.機器認(rèn)識論何以可能？[J].自然辯證法研究，2019（8）.