從記憶與智能的關(guān)系看人工智能的發(fā)展

楊慶峰

(復(fù)旦大學(xué) 應(yīng)用倫理研究中心，上海 200433)

按人工智能代際劃分，我們正處于AI2.0中。AI1.0和AI2.0的特征已經(jīng)被清晰地勾勒出來，“基于符號推理的知識驅(qū)動、基于深度學(xué)習(xí)的數(shù)據(jù)驅(qū)動”(張跋)，但是對AI3.0特征的概括還是比較模糊。要應(yīng)對這一問題，記憶哲學(xué)將會是一個很好的分析途徑。①當(dāng)我們從記憶哲學(xué)視角看，記憶與智能的關(guān)系就成為一個基本問題。這一問題的澄清有助于我們理解人工智能的發(fā)展趨勢。但是由于記憶附屬論觀念的影響，讓這一步變得無比艱難。本文試圖從記憶與智能的關(guān)系出發(fā)，澄清走向真正智能的困境以及勾勒AI3.0的哲學(xué)特征。

一、“真正智能”實現(xiàn)的困境

如果從智能承載者來討論智能②的分類，有三種智能形式：人類智能、動物智能與機器智能。③人類智能與機器智能的關(guān)系也越來越被人工智能學(xué)界關(guān)注，超越問題就成為人文學(xué)界和科學(xué)界共同擔(dān)心的問題。人文學(xué)界多討論機器智能超越人類智能的不良后果；科學(xué)界多討論機器智能是否可能以及如何發(fā)展。超越問題的本質(zhì)是真正的智能何以可能。在這一問題上存在著觀念的困境即在人工智能理解中，記憶附屬論觀念極大地影響了真正智能的實現(xiàn)。“記憶附屬論”即記憶隸屬于智能，即記憶被看作感知信息的保留、智能生產(chǎn)的低級階段、智能實體的基本構(gòu)成部分等形式。在具體闡述之前，我們首先需要梳理一下哲學(xué)與AI之間的矛盾態(tài)度。

在AI領(lǐng)域，我們能夠感受對形而上學(xué)的矛盾態(tài)度。一方面是強烈的拒斥態(tài)度。這種拒斥主要表現(xiàn)為反對智能的形而上學(xué)定義，并且通過技術(shù)來實現(xiàn)智能的形式。當(dāng)我們回到AI源頭圖靈的時候，就會發(fā)現(xiàn)他身上表現(xiàn)的非常明顯。一般都認(rèn)為圖靈的重要性是提出了“機器是否會思考”的問題，如果是這樣，圖靈并不拒斥形而上學(xué)，而是提出了形而上學(xué)的問題。但是這種假象被后來的方法所消除。圖靈采取了實驗測試的方法來解決這一問題，后來被稱為圖靈測試。④這種基于可操作原則的方法得到了這個領(lǐng)域的基本認(rèn)可。從哲學(xué)角度看，這種基于可操作原則的方法恰恰是其拒斥形而上學(xué)的表現(xiàn)。還有一種形式從行為主義角度為智能尋求一種根據(jù)，即通過機器與環(huán)境的相互關(guān)系來闡述智能的實用定義。這種做法導(dǎo)致了智能體(agent)新概念的出現(xiàn)，寶拉·博丁頓(Paula Boddington)將人工智能倫理的與能動性(agency)聯(lián)系在一起則符合了這一規(guī)定性。“AI與倫理學(xué)緊密地與能動性這一基礎(chǔ)問題聯(lián)系在一起。”[1]這兩個過程顯示了對于形而上學(xué)智能概念的完全反思。另一方面是強烈的接受態(tài)度。聯(lián)結(jié)主義者通過神經(jīng)科學(xué)的成果來探討人工智能的物質(zhì)機制，他們借助神經(jīng)科學(xué)的新成果不斷取得的突破。比如DeepMind在走迷宮的問題上，得出了一個驚人的結(jié)果：在空間記憶上，人工智能體和人類以及動物表現(xiàn)出相似的神經(jīng)元結(jié)構(gòu)。⑤通過這一成果，能夠借助為機器智能的可能性做出科學(xué)辯護(hù)。還有大衛(wèi)·芒福德(David Mumford)從意識生成的過程探討意識生成的可能性，比如從情緒與意識的角度來探討意識生成的可能性，甚至人工智能科學(xué)家開始關(guān)注情緒的可計算性問題。另外一位就是S·羅素(Stuart J.Russell)他在討論智能體的時候，給我們做出了哲學(xué)式的規(guī)定，在他看來，人工智能是理性主體(rational agent)?！霸诒緯?，我們采取了這樣的觀點：智能主要與理性行動有關(guān)，一個智能能動體在一個情景中采取最好可能的行動。我們研究了這個意義上被構(gòu)造為智能的智能體問題。”[2]當(dāng)這個定義被給出的時候，我們很容易聯(lián)系到康德。在很多解釋中，康德被看作是“理性主體”概念的提出者。在這里我們看到了二者在行動意義上的高度吻合，只是不同也是非常明顯的，人工智能的行動是與情境構(gòu)成一對關(guān)聯(lián)體；而康德的行動則是與主體構(gòu)成一對關(guān)聯(lián)體，這一傳統(tǒng)造就了德國古典哲學(xué)。

上述悖論態(tài)度顯示了關(guān)于機器智能討論的搖擺不定。機器智能是否僅僅是準(zhǔn)人類智能？能否成為真正的智能？強烈的拒斥態(tài)度意味著機器智能僅僅是人工智能，與自然智能不同，所有的發(fā)展都是在“擬”-“準(zhǔn)”的框架中前行；強烈的接受態(tài)度意味著為機器智能找尋到堅實的哲學(xué)根據(jù)。我們把這一問題轉(zhuǎn)化成“真正的智能”，即機器智能成為真正的智能何以可能？

目前，科學(xué)家正在通過五種主要方式來實現(xiàn)機器智能。第一種方式即讓機器表現(xiàn)出與人類智能一樣的行為，也就是“像人一樣思考或者行動”[2]。⑥這條路徑導(dǎo)致了讓機器能夠像人一樣感知、決策/判斷和預(yù)測。第二種方式即讓機器智能變得通用起來，能夠做到遷移式學(xué)習(xí)，能夠做到舉一反三。第三種方式即利用人類與機器神經(jīng)機制的同構(gòu)性特征，讓機器產(chǎn)生智能行為，比如在空間記憶行為上體現(xiàn)出的同構(gòu)性特征。第四種即探討智能行為的神經(jīng)機制，如在人工神經(jīng)元的基礎(chǔ)上構(gòu)建深度學(xué)習(xí)的機制，從而產(chǎn)生相應(yīng)的行為。第五種方式即探討智能生成的深層根據(jù)，比如情緒是意識的基礎(chǔ)條件。

在這五種方式中，第一、二種是表象式的，即表現(xiàn)為與人一樣類似的行為或者智能構(gòu)成；第三、四種是在表象基礎(chǔ)上，探討其依靠的神經(jīng)機制；第五種是智能生成的條件。在這五種方式中，最后一種應(yīng)該說是接近了哲學(xué)的探討，探討智能得以可能的條件。芒福德的工作指出意識生成需要建立在情緒之上，所以這也是給出了一個基本的條件。但是在技術(shù)實現(xiàn)上卻必須依靠因果關(guān)系，也就是讓機器具備情緒可以導(dǎo)致機器具備意識。

在上述五條路徑上都遭遇到了不同的困境。在表象式路徑中，第一種已經(jīng)遭遇到了塞爾用中文屋實驗的駁斥，即機器無法做到理解語言的意義，因此無法說其具備智能。第二種在遷移式學(xué)習(xí)上遭遇到了災(zāi)難性遺忘的困境，這一困境使得機器的持續(xù)性學(xué)習(xí)和遷移性學(xué)習(xí)變得不可能，為此他們提出了多重路徑來加以克服。第三種可能遭遇到的問題是概念的澄清，比如何以判斷不同物種空間記憶的神經(jīng)元結(jié)構(gòu)是相似的？第四種深度學(xué)習(xí)路徑遭遇到的問題與第二種相同，即災(zāi)難性遺忘的問題。第五種路徑在哲學(xué)上也會碰到困難，比如在什么意義上情緒成為意識的條件？這在哲學(xué)上根據(jù)并不充分。

上述路徑的共同點是都牽涉到記憶因素。在機器智能實現(xiàn)的問題上，記憶附屬論是一個基本的假設(shè)前提。所以，接下來我們要對記憶附屬論這樣一個假設(shè)前提做出分析。這種分析將表明，記憶附屬論觀念如何阻礙真正的智能的生成？筆者在《記憶、認(rèn)知與記憶本體論》一文中專門分析認(rèn)識論領(lǐng)域內(nèi)記憶附屬論的表現(xiàn)：記憶是知識的來源、記憶是認(rèn)識的低級階段和記憶是知覺的滯留[3]。而記憶附屬論在人工智能領(lǐng)域內(nèi)表現(xiàn)出幾乎相似的觀念：記憶是信息內(nèi)容的保留、記憶是智能生產(chǎn)的低級階段、記憶是智能的組成部分。

二、記憶：信息內(nèi)容的保留

從記憶的原初含義看，記憶最為基本的規(guī)定性是痕跡的保留。亞里士多德的指痕比喻就是這種規(guī)定性的最初源頭，并影響了整個記憶觀念史。直到當(dāng)代哲學(xué)才出現(xiàn)了有效反駁，現(xiàn)象學(xué)家海德格爾用石頭壓在大地上產(chǎn)生的痕跡這一例子批駁了將記憶看作是痕跡的保持的觀點；心靈哲學(xué)家?guī)炜?Kourken Michealian)提出了“無內(nèi)容的記憶”觀念來反駁了內(nèi)容的保留的傳統(tǒng)觀念。但是，哲學(xué)概念影響力的體現(xiàn)需要長時間才能表現(xiàn)出來的，所以，我們在人工智能領(lǐng)域內(nèi)，依然能夠看到科學(xué)家如何停留在傳統(tǒng)的理解中難以抽身。我們僅從兩個例子來說明這一情況。

一是在知識生產(chǎn)中。對AI的代際理解，第一代人工智能被看作是“以符號推理模型為基礎(chǔ)的知識驅(qū)動為方法”(張跋，2019)，獲取知識被看作是第一代AI的重要目的之一。第二代人工智能是“以深度學(xué)習(xí)為基礎(chǔ)的數(shù)據(jù)驅(qū)動”為方法。很多學(xué)者的解釋也是在此基礎(chǔ)上進(jìn)行的。在S·羅素看來，人工智能能夠做四件事情：解決問題、知識-推理-計劃、學(xué)習(xí)、交流-感知-行動。在這個知識生產(chǎn)過程中，存在著三個環(huán)節(jié)：數(shù)據(jù)、信息和知識。此外，在對AI行為描述中，我們也能夠看到知識論因素的存在。OECD近期發(fā)布的《社會中的人工智能》報告指出，“正如OECD的AI專家組解釋道，為了滿足人類定義的目標(biāo)群，一個AI系統(tǒng)是能夠做出決策、建議或影響真實或者虛擬環(huán)境的決定；它使用基于機器和/或人類輸入結(jié)果來感知現(xiàn)實的和/或者虛擬環(huán)境；從這樣的感知中抽象出模式(用自動模式，如利用機器學(xué)習(xí)或者手工的方式)；使用模式來形成指向信息或者行動的選擇。一個AI系統(tǒng)被設(shè)計出根據(jù)不同的自動化水平來運行。”[4]如果從知識獲取的角度來看，數(shù)據(jù)的存儲和提取就表現(xiàn)為記憶過程，而這是知識獲取過程的低級階段。數(shù)據(jù)即感受環(huán)節(jié)，人工智能感受外界環(huán)境的刺激，從行為本身來說是感受過程；信息是有用數(shù)據(jù)的保持，這就變成了信息內(nèi)容；在生產(chǎn)過程中，有用的數(shù)據(jù)成為信息內(nèi)容保留下來。這個環(huán)節(jié)被等同于記憶。因為記憶被理解為信息的保留。知識則是有用信息內(nèi)容被運用產(chǎn)生必要的結(jié)果。所以在這個過程中，記憶僅僅被看作知識生產(chǎn)的低級環(huán)節(jié)。這一觀點與哲學(xué)認(rèn)識過程極其相似。我們在傳統(tǒng)的認(rèn)識論模式中的感性、知性和理性就可以看到相似的過程。記憶發(fā)生在感性過程，感覺的滯留體現(xiàn)為記憶本身。

二是在機器視覺中。計算機視覺頂會CVPR主席德勒克·霍爾姆(Derek Hoiem)曾經(jīng)討論了計算機視覺的行為本質(zhì)。在他看來，“計算機視覺只是記憶，而不是智能”。對于這一觀點，筆者曾經(jīng)去信詢問過具體的意思。他做了簡單的解釋，深度網(wǎng)絡(luò)是模式識別器。它們把新模式匹配到已知的模式中，轉(zhuǎn)化相關(guān)信息。有時候用方法做一些非常復(fù)雜的事情，比如產(chǎn)生圖片說明或者估計對象的3D形狀，好像它們能夠“理解”幾何或者場景的語言或者結(jié)構(gòu)。在大多數(shù)情況下，如果我們沒有認(rèn)真設(shè)計，它們僅僅是提取相似的例子，它們的泛化能力就很差。模式識別(和記憶)是智能的重要組成部分，能夠基于它自身的模式產(chǎn)生復(fù)雜的有效行為。很多看似能夠解釋圖像幾何的方法實際上只是在學(xué)習(xí)過程中記住了圖像的幾何信息，并通過檢索與輸入類似的樣本來執(zhí)行預(yù)測。預(yù)測得到的3D模型看似很好，但是這些方法無法泛化到新的形狀和場景[5]。對他這一觀點進(jìn)行哲學(xué)分析和闡述有助于超越問題的思考。德勒克的觀點指出圖像的幾何信息保持無法泛化為新的形狀和場景?！胺夯笨梢岳斫鉃橥ㄓ眠^程，將某種特殊的、個體抽象為一般的、共性的東西。根據(jù)記憶理論，“信息的保持”僅僅是感性活動，從認(rèn)識角度看，信息的保持是指信息內(nèi)容的保留。而如何從保持飛躍到抽象的確是一個難題。這一問題需要在對深度學(xué)習(xí)的過程分析基礎(chǔ)上才能夠有效破解。“依賴硬核知識的系統(tǒng)面對的困難顯示AI系統(tǒng)需要獲取自己知識的能力，這個過程是通過從原始數(shù)據(jù)提取模式。這種能力就是機器學(xué)習(xí)?！盵6](P2)

這兩個過程恰恰是對記憶附屬論的一種支持，記憶被看作是信息內(nèi)容的保持。而在這個問題上，能否產(chǎn)生通用智能就變得有疑問了。我們可以把這一過程看作是智能行為得以可能的前提性探討了。此外，這一問題也與智能生產(chǎn)本身有著密切的關(guān)系。

三、記憶：智能生產(chǎn)的低級階段和智能結(jié)構(gòu)的基本元素

在人工智能歷史中，記憶問題始終伴隨著人工智能的研究，成為困擾人工智能研究的一個主要問題。我們從明斯基開始，他在討論智能的時候提出的一個有趣觀念——“智慧從愚笨中來”，這很容易讓我們想到黑格爾的“意識源自恐懼”[7]的觀念。1988年，明斯基在《心智社會》中討論了智能的生成問題。他多次談到了記憶問題，如第8章的“記憶理論”、第15章的“意識與記憶”。在討論記憶理論的時候，他甚至援引了法國小說家馬塞爾·普魯斯特的話語，“確實，此時在我身上品味這種感受的生命，品味的正是這種感受在過去的某一天和現(xiàn)在所具有的共同點，品味著它所擁有的超乎時間之外的東西，一個只有借助于現(xiàn)在和過去的那些相同處之一到達(dá)它能夠生存的唯一界域、享有那些食物的精華后才顯現(xiàn)的生命，也即在與時間無關(guān)的時候才顯現(xiàn)的生命?！盵8](P86)在第15章他引用了休謨的理論，“每個人都樂意承認(rèn)，一個人感覺到過熱而產(chǎn)生的疼痛或者溫暖帶來的愉悅與他事后回憶這種感覺或者通過想象預(yù)期這種感覺相比，思維所產(chǎn)生的知覺是完全不同的?！盵8](P184)這兩處讓我們看到，他已經(jīng)意識到記憶對于智能產(chǎn)生的重要性。更為重要的是，他在知覺(被燙疼痛或者溫暖愉悅)、回憶和想象之間做出了一種簡易區(qū)別。而這一問題也是困擾諸多哲學(xué)家如胡塞爾的頭疼難題。可以說，明斯基在記憶與智能關(guān)系上已經(jīng)展示了一種來自人工智能領(lǐng)域的態(tài)度：記憶與智能的產(chǎn)生密不可分。當(dāng)然，除了這些重要的貢獻(xiàn)之外，他也強化了一種對于記憶的不利觀點：記憶是智能產(chǎn)生的低級階段。但是，這意味著他并沒有真正理解記憶本身。

明斯基對記憶的理解有著非常明顯的心理主義的特點，即記憶是一種心理聯(lián)結(jié)過程。他對記憶做出了這樣的規(guī)定：“記憶是一種程序，它讓我們的一些智能體按照以前在不同的時間行動的方式再次行動。”[8](P184)他還對元記憶現(xiàn)象做出過闡述，他的“關(guān)于記憶的記憶”就是指向元記憶的問題。他指向的是記憶的產(chǎn)生和存儲這一難題，并且提出了他的知識線理論(K線理論)，這一理論描述了記憶產(chǎn)生和存儲的空間性?！拔覀儼褜W(xué)到的東西放在離首先學(xué)會他的智能體最近的地方以便容易地提取和使用知識；每當(dāng)我們解決了一個問題或者有一個好主意的時候，它就會與被激活的思維智能體相聯(lián)結(jié)。之后當(dāng)激活K線的時候，與它相聯(lián)結(jié)的智能體就會被喚醒……”，在他的分析中依然顯示了“記憶是聯(lián)想”的心理學(xué)觀念。

在智能的討論中，大衛(wèi)·芒福德(David Mumford)指出，目前忽視了“情緒”這一重要因素。“沒有情緒分析的話，計算機科學(xué)家在給機器人編程就會出錯，無法使之能在與人類互動時正確模仿并回應(yīng)情緒，我們把這種至關(guān)重要的能力叫做人工共情(artificial empathy)。我甚至承認(rèn)，如果我們希望AI真正擁有意識，我相信它必須在某種意義上擁有自己的情緒。”[9]他在這一問題上采取了共情推演的方法，如從人有意識推演到動物是否有意識這個問題，“意識并非非黑即白，不是要么有要么沒有。它應(yīng)該以程度來衡量。”“對時間流動的感知才是意識真正的內(nèi)核?！覀兠總€人都擁有對訊息萬變的當(dāng)下的連貫體驗……這種體驗與知覺在本質(zhì)上截然不同，而且比它更基本，這就是讓我們擁有意識的東西?！薄皺C器人擁有某種真正的情緒?！?/p>

如果說，明斯基將記憶看作是智能生成的低級階段。那么另外一位學(xué)者安東寧·圖因曼，我們會看到他把記憶看作是智能算法的基本組成部分。“我討論了認(rèn)知、識別、記憶、抽象、分析、理解和信息檢索，作為智能算法的基本部分。”[10]紐約大學(xué)教授楊立昆(Yann LeCun)認(rèn)為，人工智能變革的點在于“無監(jiān)督學(xué)習(xí)”，關(guān)于智能與常識部分的模型則是“感知+預(yù)測模型+記憶+推理規(guī)劃”。在他的模型中，我們很容易看到，記憶只是智能模型的一個有機部分，除此以外，還有感知、預(yù)測和推理等多種因素。

反觀國內(nèi)人工智能領(lǐng)域，也存在著相似的看法。在知識路徑的框架中，記憶被看成與信息相關(guān)的過程。在知識生成的問題上，公認(rèn)的被接受的模式是“數(shù)據(jù)-信息-知識”，而在這個模式里，記憶是處于第二個層次，即與信息相關(guān)的層次，表現(xiàn)為信息的編碼、存儲和提取。此外，在陳霖、張跋等院士看來，記憶被包含在“認(rèn)知層次”“認(rèn)知基本單元”中，認(rèn)知層次由知覺、注意、學(xué)習(xí)、記憶、情緒和意識等構(gòu)成。在張跋看來，記憶被包含在決策和行動中，如記憶、遺忘在決策和行動中的作用。他們的這些觀點都支持了記憶附屬論觀點的有效性。

從人工智能發(fā)展史我們可以看出，大多數(shù)學(xué)者還是接受了記憶附屬論的觀點，即記憶是智能的附屬，或者是知識產(chǎn)生的低級階段，或者是智能算法的組成部分，更或者是認(rèn)知基本單元的組成部分。但是，在人工智能領(lǐng)域內(nèi)，對記憶附屬論觀點的反思也有所體現(xiàn)。我們可以從深度學(xué)習(xí)領(lǐng)域看到這一點。這一領(lǐng)域為我們提供了新的視角：記憶是智能能力展現(xiàn)的條件。

四、記憶：智能得以可能的條件

作為第二代人工智能的深度學(xué)習(xí)路徑無疑走出了一條新路，它是建立在經(jīng)驗之上的學(xué)習(xí)方式?！啊试S計算機從經(jīng)驗中學(xué)習(xí)，通過概念的等級來理解，每一個概念都用與之更簡單地概念加以界定?！拍畹燃壴试S計算機通過更為簡單的概念來學(xué)習(xí)復(fù)雜概念。如果我們畫一個圖表來顯示這些概念如何建立起來，這個圖就是帶有許多層的深度圖，因此，我們把它稱為‘深度學(xué)習(xí)’?！盵6](P2)在這個界定中，觸及到經(jīng)驗與記憶、智能與記憶的關(guān)系問題。在這種路徑中，科學(xué)家不再僅僅局限在記憶是智能的附屬部分的結(jié)論上，他們往前邁了一步，將記憶理論看作是破解人工智能行為的關(guān)鍵性因素。

在深度學(xué)習(xí)中，記憶被看作是通達(dá)智能的必要條件。這意味著深度學(xué)習(xí)的提出并不僅僅是人工智能技術(shù)的進(jìn)展，其意義遠(yuǎn)未被估計出來。在我們看來，深度學(xué)習(xí)是人工智能發(fā)展的飛躍。在傳統(tǒng)的認(rèn)知范式中，記憶僅僅是整體行為的一部分，甚至是低級階段，在追求高級能力的過程中，這種低級的能力完全可以被忽視。但是，深度學(xué)習(xí)改變的是記憶對于人工智能中的地位。在人工智能的決策和行動中，記憶和遺忘遠(yuǎn)不是低級階段，而是條件。在哲學(xué)看來，這遠(yuǎn)遠(yuǎn)不夠。記憶與智能的真正關(guān)系遠(yuǎn)沒有被揭示出來。

從過程來看，深度學(xué)習(xí)過程是一個基于在先經(jīng)驗的提取特性的過程?！吧疃葘W(xué)習(xí)通過把預(yù)期復(fù)雜的測繪分解成巢狀的簡單的測繪序列來解決這一問題，每一個被模式不同的層次來描述。在可見層上呈現(xiàn)輸入信息，之所以這樣命名是因為它包含了我們能夠觀察的變量。然后一系列隱藏層逐漸從圖像中提取抽象的特性?！盵6](P6)在大多數(shù)借助歷史數(shù)據(jù)和圖像進(jìn)行學(xué)習(xí)的深度學(xué)習(xí)中，算法是從對象之表征物中提出特性。這個過程有點類似于卡爾納普的世界之邏輯構(gòu)造，把更加抽象的表征建立在較少抽象的表征基礎(chǔ)上?！吧疃葘W(xué)習(xí)是一種特殊的機器學(xué)習(xí)種類，通過學(xué)習(xí)把世界表征為概念的網(wǎng)狀系統(tǒng)來獲得更大的能力和彈性。這個過程是通過把每一個概念建立在在相對簡單的概念之上，把更加抽象的表征建立在較少抽象的表征的基礎(chǔ)上來實現(xiàn)?！?如果從一個正方形的學(xué)習(xí)來看，這個過程經(jīng)歷了從“邊”到“輪廓”，從“輪廓”再到“對象”的過程?！斑@兒的圖像是被每一個隱藏單元表征的特性類型的可視化?？紤]到像素，通過比較鄰近像素的明亮度，第一個層次可以來輕易分辨‘邊’，考慮到第一個隱藏層的對‘邊’的描述，第二個隱藏層能夠輕松尋找角和擴展的輪廓，這些被識別為‘邊的集合’。考慮到第二個隱藏層用角和輪廓對于圖像的描述，通過找到特定角和輪廓的集合，第三個層次能夠察覺特定對象的整個部分。最后，用它包含的對象部分的名義，圖像的描述能夠用來識別圖像中表現(xiàn)的對象。”[6](P6)這里的對象都可以被稱之為“可描述性的特性”。深度學(xué)習(xí)是“閱片無數(shù)”，它需要學(xué)習(xí)無數(shù)的照片和數(shù)據(jù)，從而形成自身的經(jīng)驗?！霸S多人工智能的任務(wù)解決的方式是：設(shè)計出合適的滿足那些任務(wù)而提取的特征集，然后把那些特征提供給簡單的機器學(xué)習(xí)算法。例如，一種從聲音中識別說話者身份的有用特征是說話者聲道大小的估計值。因此它會給出強的線索來顯示說話者是男人、女人還是小孩。”[6](P3)然而，還有一些任務(wù)是無法提取特性集的，這被稱之為“不可描述性特性”。作者舉了一個例子，識別圖像中的汽車的例子?！捌囉休喿印?，但是這樣一個特性很難描述?！耙粋€輪子有簡單的集合形狀，但是它的圖像可能被落在輪子上的陰影輪子、金屬部分發(fā)出眩目的陽光弄復(fù)雜了，或者前景中模糊輪子部分的對象也會產(chǎn)生這樣的結(jié)果?！盵6](P3)這種情況人也會遇到。比如在黑夜里無法識別一個人或者一個東西。這一點在現(xiàn)象學(xué)中也被作為分析的對象。

這種持續(xù)性學(xué)習(xí)獲得的經(jīng)驗成為人工智能機器做出決策和判斷的重要根據(jù)。持續(xù)性學(xué)習(xí)過程要面對的問題是記憶和遺忘。記憶是確保機器學(xué)習(xí)經(jīng)驗的積累，克服遺忘的災(zāi)難性后果是為了確保后期學(xué)習(xí)的經(jīng)驗不會影響到先前學(xué)習(xí)的經(jīng)驗。

但是，機器和人類的差別還是非常明顯的。我們設(shè)計出這樣一個思想實驗，讓機器閱讀一封遮蔽作者的信件，然后判斷出作者。這個實驗曾經(jīng)被胡塞爾用來描述人類如何識別出作者的過程。“例如，我們手拿一封舊信，它以不確定的一般方式指示著某人，但我們不知道這個人是誰。信的筆跡看起來是我們所熟悉的，而且這時浮現(xiàn)出對好些人的回憶，我們拿不準(zhǔn)是誰。當(dāng)閱讀第一行時，對收信情境的確定的、但卻絕非直觀的回憶浮現(xiàn)出來，而且這個人隨機被確定了，當(dāng)繼續(xù)閱讀這封信時，這個裁定得到確認(rèn)。”[11]面對這樣一個過程，機器如何識別？按照一般的理解，機器會根據(jù)字跡的比較來判斷出作者。僅此而已。但是對于人類而言，字跡是熟悉的字跡，相伴隨的還有對人與事的回憶，更有對敘事情景的回憶。所以在這個過程中，除了認(rèn)知之外，還有回憶的作用。這樣以來，我們從胡塞爾這里看到了一個隱藏的問題：記憶與認(rèn)知的并列因素遠(yuǎn)遠(yuǎn)被忽略了。而我們需要做的是重新呈現(xiàn)出這一對關(guān)系，并讓這一對關(guān)系的思考能夠為人工智能的理解提供哲學(xué)根據(jù)。

五、與智能并列的記憶及其人工智能發(fā)展

以上所展現(xiàn)的是人工智能領(lǐng)域?qū)τ洃浉綄僬摰牟煌捶?，這些看法嚴(yán)格意義上來說并不構(gòu)成反思和批判。真正的反思和批判還是源自哲學(xué)自身的。所以，我們需要回到哲學(xué)來看一下記憶與智能的一種原初獨特關(guān)系的樣式。

中世紀(jì)時，奧古斯丁與安瑟倫特別指出記憶與智能是靈魂的并列的兩大力量之一。“奧古斯丁還遺留給中世紀(jì)基督教義一個‘三位一體’觀，即靈魂具有三重力量：‘記憶、智能和天賦’(見西塞羅的《論發(fā)明》第2章，第53篇，第160節(jié))。在他的《論三位一體》的專述中，這三位便是‘記憶力、智力和天賦性’，三位一體即三位在人身上的映射。”[12](P80)“秉承圣奧古斯丁的思想，圣安瑟倫又提出勒‘智能、意志、記憶’這樣的三位一體觀。安瑟倫將其堪稱是靈魂的三重‘高貴性’?！盵12](P88)這些討論都是對記憶在靈魂功能地位的描述?！罢J(rèn)識主體具備四種相對獨立的經(jīng)驗直觀能力：知覺、記憶、歸納和證言，它們是對于現(xiàn)象的經(jīng)驗認(rèn)識的四個來源?！盵13]筆者曾經(jīng)撰文指出，在靈魂構(gòu)成中，記憶被看成是靈魂的三大部分之一，與智能并列[3]，這一觀點在靈魂功能觀念中又得到了加強。

整個哲學(xué)傳統(tǒng)所描述出的這種關(guān)系讓我們必須去思考人工智能所建立的智能與記憶的關(guān)系，對于他們而言，作為智能體的人工智能，其功能實現(xiàn)過程中，記憶很顯然也必須是諸多功能之一，失去了這一維度，人工智能是不完整的。但是，在實現(xiàn)過程中，把記憶放置在認(rèn)知之下的做法很顯然存在問題。因為在這種做法中，認(rèn)知被看成是智能體的主要功能之一。但事實上卻完全行不通。如此，在智能追求的道路上，無論是模仿人類智能制造出機器智能，還是機器自身生長出智能，更為重要的是回顧更加本源的概念。來自谷歌的頂級人工智能研究團(tuán)隊DeepMind 更是致力于要“給人工智能加點記憶”。加入的記憶遠(yuǎn)不是點綴元素，而是體現(xiàn)了深層次的追求，或許這些科學(xué)家已經(jīng)意識到智能與記憶是靈魂真實存在的兩種力量。僅僅獲得智能遠(yuǎn)遠(yuǎn)不夠，還需要獲得回憶的力量。這才能夠?qū)е峦昝赖撵`魂的誕生。

從此出發(fā)，或許我們能從記憶哲學(xué)而不是技術(shù)上勾勒出AI3.0的基本特征。AI1.0基于符號推理的知識驅(qū)動，而AI2.0是基于深度學(xué)習(xí)的數(shù)據(jù)驅(qū)動。AI3.0需要克服的是智能的可解釋性問題，是真正智能的問題。所以，AI3.0可以看作是基于深度學(xué)習(xí)的“經(jīng)驗驅(qū)動”特征?！敖?jīng)驗驅(qū)動”中的經(jīng)驗并非是傳統(tǒng)知識論框架之中的作為知識來源的經(jīng)驗，而是作為過去記憶之保留的經(jīng)驗。之所以如此至少有三個方面的理由：一是來自哲學(xué)自身的理由。正如我們前面分析的，缺乏記憶維度的智能并非真正的智能，真正的智能必須與記憶維度共在。二是來自上述特征概括的根據(jù)。符號推理與深度學(xué)習(xí)都是從機制上來說的，只是在人工智能的研究中，物質(zhì)性的神經(jīng)機制是最為看重的因素，而多少忽略了智能自身的精神性因素。而我們在芒福德那里看到的恰恰是一種很好的觀念，他從意識自身的生成來討論智能的核心特征。他的分析最終指向了兩個方向：情緒和時間性。這種分析頗具哲學(xué)意味。如果從此出發(fā)，我們所說明的維度中記憶也是意識得以成為對象的條件。如果是這樣，記憶作為智能產(chǎn)生的條件就被確立了下來。而這樣一來，“經(jīng)驗驅(qū)動”就成為可以理解的特征表述了。而且這一表述比數(shù)據(jù)和知識還要更加穩(wěn)固，因為后者更多是對象式的結(jié)果，而記憶始終是作為是的對象成為可能條件的規(guī)定性上。三是經(jīng)驗驅(qū)動相比知識驅(qū)動和數(shù)據(jù)驅(qū)動更加具有說服力。人工智能專家強調(diào)深度學(xué)習(xí)是從經(jīng)驗之中進(jìn)行的學(xué)習(xí)。如果從此觀點出發(fā)，經(jīng)驗驅(qū)動要比數(shù)據(jù)驅(qū)動更具優(yōu)先性。數(shù)據(jù)驅(qū)動主要是指深度學(xué)習(xí)的素材而言，即大數(shù)據(jù)成為人工智能的驅(qū)動力。而數(shù)據(jù)只是原始的素材，要把數(shù)據(jù)變成相應(yīng)的信息還需要提取模式與抽象模式。而這是對深度學(xué)習(xí)深入挖掘的必然結(jié)果。而當(dāng)觸及到這個維度時，經(jīng)驗就凸現(xiàn)出來。如此，AI3.0的特征表現(xiàn)為經(jīng)驗驅(qū)動就變得具有一定的根據(jù)了。當(dāng)然對于人工智能學(xué)家來說是否具有說服力還需要相應(yīng)的檢驗。

[注釋]

① 筆者曾經(jīng)提出記憶哲學(xué)是理解人工智能的鑰匙(《記憶哲學(xué)：解碼人工智能及其發(fā)展的鑰匙》，《探索與爭鳴》，2018年，第11期)，在這一觀點的引導(dǎo)下展開思考，智能與記憶作為記憶哲學(xué)的基本問題需要解決和面對。

② 從范疇來看，“智能”(intelligence)概念并不屬于嚴(yán)格的哲學(xué)范疇，我們很難從傳統(tǒng)哲學(xué)家那里找到比較系統(tǒng)的智能論述。從亞里士多德到胡塞爾，我們看到的是從靈魂到意識的相關(guān)論述和分析，卻沒有智能；即便對于最有可能的黑格爾來說，也只是精神概念成為最根本的概念。這個概念只是隨著近代實驗心理學(xué)的出現(xiàn)，才有了地位。這個概念也無法避免被數(shù)量化的命運，所以智能與智力測試密切聯(lián)系在一起。心理學(xué)的做法為智能確立了一個科學(xué)的標(biāo)準(zhǔn)，即可以被測量的指數(shù)，也就是后來IQ合法性的確立。所以，從智能本身來看，至少存在著四個事實需要注意：(1)從質(zhì)上說，智能是通過力量和能力表現(xiàn)出來；(2)從量上看，智能完全可以被測量，并通過某種方式加以表達(dá)；(3)從解釋來說，可以通過意識、靈魂、心理等來解釋和理解智能概念的相關(guān)問題；(4)就智能本身來說，還需要關(guān)注到智能的承載者。

③ 從智能承載者來看，人類智能與機器智能為兩個被對立起來的端點。如果我們接受(3)，如用靈魂來解釋智能的話，可以從哲學(xué)史上找到人類智能和動物智能的合法性源頭。亞里士多德在《論靈魂及其他》一文中指出了植物靈魂、動物靈魂和人類靈魂的三分法。他把植物靈魂歸于感覺機能、動物靈魂歸于運動機能、人類靈魂歸于理性機能。如此解讀的結(jié)論是：人類智能與人類靈魂相等同，而動物智能與動物靈魂相等同。但是，這種獨立存在的問題是，忽略了動物智能在整個智能類型中的地位。此外，在人工智能靈魂討論問題的時候，我們會看到有一些混淆，如人工智能與機器智能的關(guān)系。一般情況下，人工智能與機器智能被劃上等號。但是，二者存在最大的區(qū)別是，人工智能主要是強調(diào)的是智能的實現(xiàn)問題，其背后的根據(jù)是智能的可測量性和技術(shù)可實現(xiàn)性。而機器智能則突出了智能承載者，與機器并列的人類和動物會成為主要的對象。而如果是這樣，人工智能理應(yīng)與自然智能對應(yīng)，而自然智能包括人類智能、動物智能等形式。

④ 圖靈測試的經(jīng)典例子來自以下這篇文章，Turing， A.M. (1950). Computing machinery and intelligence. Mind， 59， 433-460。

⑤ 這篇文章主要討論了人工智能體具備先天的類人空間表征結(jié)構(gòu)，見Andrea Banino et al，2018，Vector-based navigation using grid-like representations in artificial agents，Nature volume 557， pages429-433。能夠為人、動物和智能體的同構(gòu)分析提供科學(xué)根據(jù)。

⑥ 根據(jù)羅素的分析，像人一樣思考來自Richard Bellman(1978)、John Haugeland(1985)的觀點；像人一樣行為來自Ray Kurzweil(1990)、Richard Karp和Kevin Knight(1991)的觀點。