計(jì)算智能：一種精確適應(yīng)性表征的人工智能

摘" "要： 計(jì)算智能是基于計(jì)算或算法的智能，致力于感知和控制層次的不可算法化問題的解決，其興起促進(jìn)了計(jì)算機(jī)科學(xué)和人工智能的進(jìn)一步發(fā)展。從認(rèn)知哲學(xué)來追問計(jì)算智能到底是什么，與人工智能有什么不同，其中蘊(yùn)含了哪些認(rèn)識(shí)論和方法論，這些問題需要得到澄清。計(jì)算智能不論是作為一堆技能的組合，還是作為一種人工認(rèn)知架構(gòu)，或者是作為一個(gè)新的人工智能研究綱領(lǐng)，其實(shí)質(zhì)是一種精確的適應(yīng)性表征。

關(guān)鍵詞： 計(jì)算智能；人工智能；自然智能；人工通用智能；適應(yīng)性表征

中圖分類號(hào)：TP18" "文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1004-8634（2024）06-0104-（010）

DOI：10.13852/J.CNKI.JSHNU.2024.06.010

眾所周知，計(jì)算機(jī)的核心是算力，基于計(jì)算機(jī)的人工智能也必然依賴算力?；诖髷?shù)據(jù)、算力和算法的人工智能被稱為“計(jì)算智能”（Computational Intelligence），它是計(jì)算機(jī)科學(xué)和人工智能發(fā)展到一定階段的產(chǎn)物，業(yè)已成為智能信息科學(xué)中最活躍的研究領(lǐng)域之一，用于解決模式識(shí)別、數(shù)據(jù)挖掘、圖像處理等領(lǐng)域的關(guān)鍵問題。那么，計(jì)算智能的最終目標(biāo)是什么？該領(lǐng)域的短期和長(zhǎng)期挑戰(zhàn)是什么？與人工智能是什么關(guān)系？這些問題在《計(jì)算智能面臨的挑戰(zhàn)》1 中已經(jīng)給出初步說明。然而，如何定義“計(jì)算智能”則有不同的看法，它涵蓋哪些方面也有爭(zhēng)議。2

一般來說，計(jì)算智能是由若干相對(duì)獨(dú)立的子分支發(fā)展綜合而成的，目前已經(jīng)形成的具有代表性的分支有神經(jīng)網(wǎng)絡(luò)、進(jìn)化計(jì)算、群體智能和人工免疫系統(tǒng)等。3 可以說，計(jì)算智能代表著計(jì)算機(jī)科學(xué)和人工智能發(fā)展的新方向，是解決問題的一種綜合方法。計(jì)算智能與經(jīng)典人工智能的不同在于：它不必建立符合自身問題的模型，也不只是單純的知識(shí)表征，而是基于大數(shù)據(jù)以算法處理信息，如大型自然語言處理模型ChatGPT-4。本文在梳理、探討計(jì)算智能發(fā)展和相關(guān)爭(zhēng)論的基礎(chǔ)上，從適應(yīng)性表征方法論1 審視、論證和說明這樣一個(gè)問題：計(jì)算智能是何種意義上的智能，是否是真正的智能（人類智能）？以及這樣一個(gè)新觀點(diǎn)：計(jì)算智能是一種精確的適應(yīng)性表征能力。

一、計(jì)算智能的意蘊(yùn)

人類是有智能的，會(huì)計(jì)算和推理。相比而言，計(jì)算機(jī)雖會(huì)計(jì)算，且速度遠(yuǎn)超過人，但它不一定有智能（會(huì)思維），除非我們將“計(jì)算”定義為智能（圖靈的機(jī)器智能就是計(jì)算智能?。?。然而問題是，這種人為定義的智能是真正的智能嗎？這里的“真正的智能”是指基于進(jìn)化而來的“生物智能”，尤其是人類智能。關(guān)于這一點(diǎn)，哲學(xué)家塞爾的“中文屋論證”業(yè)已揭示，純粹的符號(hào)計(jì)算（操作）不會(huì)產(chǎn)生智能（思維），因?yàn)橛?jì)算機(jī)不“理解”它操作的符號(hào)的意義。以此觀之，“理解”就是人類智能與人工智能區(qū)分的“分水嶺”。不過，雖然人工智能系統(tǒng)不是進(jìn)化來的，但它是人類智能的衍生物，也是適應(yīng)性表征系統(tǒng)，因?yàn)樗粌H能應(yīng)對(duì)確定性問題，也能部分應(yīng)對(duì)不確定性問題，2 而且可通過情境覺知方法強(qiáng)化其適應(yīng)性表征能力。3 這樣一來，人工智能的這種適應(yīng)性表征能力，即使不是它有智能的發(fā)生機(jī)制，也一定是計(jì)算智能的一個(gè)核心方面。

計(jì)算智能是計(jì)算機(jī)產(chǎn)生后形成的一種“類人智能”，其載體是物理裝置，如計(jì)算機(jī)和機(jī)器人，而不是生物體。根據(jù)杜克（W.Duch）的說法，4 目前的計(jì)算智能并沒有一個(gè)綜合基礎(chǔ)，與其說它是一個(gè)有堅(jiān)實(shí)基礎(chǔ)的科學(xué)分支，不如說是一堆技巧的組合。他主張將計(jì)算智能的重點(diǎn)從方法轉(zhuǎn)移到具有挑戰(zhàn)性的問題上，將計(jì)算智能定義為計(jì)算機(jī)和工程科學(xué)的一部分，致力于解決不可算法化問題（non-algoritmizable problems）。按照這種定義，計(jì)算智能介于計(jì)算機(jī)科學(xué)和工程學(xué)之間，人工智能只是計(jì)算智能的一部分（專注于與高級(jí)認(rèn)知功能有關(guān)的問題，如對(duì)話模型ChatGPT），而計(jì)算智能的研究則致力于與感知和控制有關(guān)的問題，如各種機(jī)器人。

如果杜克的定義是準(zhǔn)確的，那么計(jì)算智能研究的感知和控制問題到底是什么？是不同于高級(jí)認(rèn)知的較低級(jí)認(rèn)知功能嗎？這與認(rèn)知?jiǎng)恿χ髁x研究感知—行動(dòng)有何不同？一般而言，計(jì)算機(jī)科學(xué)研究可計(jì)算過程和信息處理系統(tǒng)，但根據(jù)杜克的定義，計(jì)算智能要研究那些“沒有有效計(jì)算算法”的問題，這個(gè)目標(biāo)難度很大。因?yàn)槿藗儾豢赡苤贫ㄟ@些算法，或者是因?yàn)檫@些問題是NP（多項(xiàng)式時(shí)間內(nèi)可驗(yàn)證問題）困難的，在實(shí)踐中的應(yīng)用是無效的。在他看來，這是一個(gè)相當(dāng)寬泛的定義：計(jì)算智能是研究“沒有有效計(jì)算算法”問題的一個(gè)科學(xué)分支。

于是問題來了，什么是“沒有有效計(jì)算算法”呢？這個(gè)定義似乎存在內(nèi)在矛盾。一方面，按照上述定義，計(jì)算智能致力于“沒有有效計(jì)算算法”問題的研究。既然不存在“有效計(jì)算算法”，如何能稱其為計(jì)算智能呢？如果計(jì)算機(jī)不能執(zhí)行有效的計(jì)算操作，那么計(jì)算智能的目標(biāo)豈不是會(huì)落空？所謂“計(jì)算智能”，按照字面意思理解，應(yīng)該是根據(jù)已有數(shù)學(xué)和邏輯理論包括人工智能的各種方法和算法（一堆技巧）來解決與感知和行動(dòng)有關(guān)的較低級(jí)認(rèn)知功能，諸如環(huán)境感知，物體識(shí)別，信號(hào)分析，發(fā)現(xiàn)數(shù)據(jù)中的結(jié)構(gòu)、簡(jiǎn)單關(guān)聯(lián)和控制等。如果這種理解是對(duì)的，那么計(jì)算智能相當(dāng)于弱人工智能加上機(jī)器人學(xué)，其在理論上不再強(qiáng)調(diào)算力（避免不可算法化問題），而是突出感知和行動(dòng)能力，即在實(shí)踐應(yīng)用上突出工程學(xué)，如波士頓動(dòng)力機(jī)器人的研究。在筆者看來，這種理解與認(rèn)知?jiǎng)恿χ髁x或行動(dòng)主義范式?jīng)]有多少區(qū)別。同時(shí)，由于人們不能給出有效算法或者NP困難，從哲學(xué)上看，這意味著，要么人類智能存在至上性（有限性），要么有些問題根本就不能計(jì)算，如物理學(xué)中的三體問題、數(shù)學(xué)中的高維計(jì)算。如果是這樣，計(jì)算智能也是“有限智能”，其理論基礎(chǔ)是著名計(jì)算機(jī)科學(xué)家赫伯特·西蒙的“有限理性說”（即人的理性是處于完全理性和完全非理性間的一種有限理性），方法上是一種“快速而節(jié)儉的啟示法”。1 這與通用人工智能或強(qiáng)人工智能的目標(biāo)有所不同。

當(dāng)然，從實(shí)現(xiàn)機(jī)器感知和行動(dòng)的視角看，“計(jì)算智能”的“計(jì)算”不完全是計(jì)算主義意義上的（符號(hào)表征），也不完全是動(dòng)力主義意義上的（非符號(hào)表征），而是二者的結(jié)合或混合。實(shí)現(xiàn)這種低級(jí)認(rèn)知問題的方法一般包括人工適應(yīng)性系統(tǒng)的監(jiān)督和無監(jiān)督學(xué)習(xí)——神經(jīng)、模糊和進(jìn)化方法以及概率和統(tǒng)計(jì)方法，如貝葉斯網(wǎng)絡(luò)方法或核方法。而更高級(jí)的認(rèn)知功能需要解決不可算法化問題，包括系統(tǒng)思考、抽象推理、知識(shí)的復(fù)雜表征、情景記憶、計(jì)劃、對(duì)符號(hào)知識(shí)的理解，這種高級(jí)認(rèn)知是通用人工智能或強(qiáng)人工智能要實(shí)現(xiàn)的目標(biāo)。從這個(gè)角度來看，人工智能是計(jì)算智能的一部分，專注于更高級(jí)認(rèn)知的問題，因?yàn)楦呒?jí)認(rèn)知問題使用符號(hào)表征可能更容易解決。

依筆者看，所有人工智能都源于符號(hào)操作的觀點(diǎn)也許被人工智能界誤解了。具身認(rèn)知科學(xué)的興起表明，純粹符號(hào)操作的智能可能不是生物智能的核心本質(zhì)（大腦、身體與環(huán)境的交互才是），它可能只是人類內(nèi)在思維外化的方式（符號(hào)表征）?？梢钥隙ǖ氖?，人腦思維的過程（濕件）不同于計(jì)算機(jī)的符號(hào)操作過程（干件），前者是生物化學(xué)反應(yīng)過程，后者是物理信號(hào)處理過程，這兩個(gè)過程有著本質(zhì)的區(qū)別（構(gòu)成硬件上完全不同，運(yùn)行機(jī)制也必然完全不同）。如果是這樣，計(jì)算智能不只是研究人工智能體的設(shè)計(jì)，還應(yīng)該包括生物智能能夠以不同程度的能力解決所有不可算法化過程的研究，以及使用硬件和軟件系統(tǒng)解決此類問題的工程學(xué)方法。也許計(jì)算智能不應(yīng)該被視為一個(gè)沒有更深基礎(chǔ)的技巧包或工具箱，它應(yīng)該有更深層次的理念——計(jì)算智能與通用人工智能的結(jié)合、部分可計(jì)算（如遺傳算法）和部分不可算法化（如心智的涌現(xiàn)）的混合。這是計(jì)算智能在研究理念（認(rèn)識(shí)論）和研究策略（方法論）上的轉(zhuǎn)變，而不僅僅是具體研究進(jìn)路的轉(zhuǎn)移。

如果計(jì)算智能也奉行人腦功能模擬的路數(shù)，那么計(jì)算智能研究者一定要明白，人腦的運(yùn)作機(jī)制肯定不同于計(jì)算機(jī)的，二者的計(jì)算、學(xué)習(xí)原理也必然不同，盡管有相似之處。如果我們想縮小機(jī)器學(xué)習(xí)和人類學(xué)習(xí)能力之間的差距，那么我們就必須研究如何學(xué)習(xí)通用算法，而不只是研究這種反應(yīng)式的映射。通用算法也許是通用但不可算法化的人工智能方法，但通用算法究竟是什么？如何能夠通用？其機(jī)制是什么？計(jì)算機(jī)科學(xué)界還存在爭(zhēng)議。2

概言之，目前，計(jì)算智能的大多數(shù)工作采取的是工程學(xué)方法，但認(rèn)知建模特別是認(rèn)知架構(gòu)采取的是科學(xué)方法，即專注于收集經(jīng)驗(yàn)數(shù)據(jù)和開發(fā)模型。作為科學(xué)理論和對(duì)數(shù)據(jù)進(jìn)行科學(xué)解釋的科學(xué)方法，旨在通過更詳細(xì)的認(rèn)知建模促進(jìn)對(duì)心智等各種組成部分和過程的理解。這種科學(xué)方法必然會(huì)涉及哲學(xué)方法，如直覺的感知行動(dòng)、功能主義甚至現(xiàn)象學(xué)方法，這就是計(jì)算智能的認(rèn)知架構(gòu)的科學(xué)建構(gòu)問題。

二、計(jì)算智能的認(rèn)知構(gòu)架

除工程學(xué)的考慮外，計(jì)算智能在理論上也必須建構(gòu)認(rèn)知架構(gòu)。認(rèn)知架構(gòu)是一個(gè)范圍廣泛的、領(lǐng)域通用的計(jì)算認(rèn)知模型，致力于捕捉心智的基本結(jié)構(gòu)和過程，用于對(duì)認(rèn)知進(jìn)行廣泛、多層次、多領(lǐng)域的分析。1 更普遍地說，架構(gòu)包括一個(gè)系統(tǒng)在不同時(shí)間、領(lǐng)域和個(gè)體之間相對(duì)不變的方面，并以一種結(jié)構(gòu)上和機(jī)制上明確的方式處理認(rèn)知過程。人工認(rèn)知架構(gòu)往往以人的認(rèn)知結(jié)構(gòu)和方式做類比，這就涉及人工智能與認(rèn)知科學(xué)的密切結(jié)合。

對(duì)于認(rèn)知科學(xué)來說，認(rèn)知架構(gòu)的重要性在于它在理解人類思維方面很有用。在理解認(rèn)知現(xiàn)象時(shí)，我們可以基于認(rèn)知架構(gòu)使用計(jì)算模擬，迫使人們從過程和細(xì)節(jié)的角度來思考?？梢哉f，認(rèn)知科學(xué)的主要目標(biāo)之一就是建構(gòu)認(rèn)知模型。對(duì)于人工智能和計(jì)算智能來說，認(rèn)知架構(gòu)的作用在于支持建立像人一樣有能力的人工認(rèn)知系統(tǒng)。人工認(rèn)知架構(gòu)有助于我們對(duì)周圍唯一真正的智能系統(tǒng)（人類心智）進(jìn)行逆向工程處理，即人工模擬人腦或動(dòng)物腦（人工神經(jīng)網(wǎng)絡(luò)的建構(gòu)）。人類心智是地球上現(xiàn)有的最靈活、最普遍、最強(qiáng)大的智能系統(tǒng)，因此，解決許多人工智能和計(jì)算智能問題的一個(gè)好方法就是將人腦作為原型進(jìn)行認(rèn)知功能模擬。

然而，由于人工智能和計(jì)算智能通常是以一種數(shù)學(xué)和邏輯上的動(dòng)機(jī)或最佳方式理解智能，這自然會(huì)產(chǎn)生一些問題：人工智能和計(jì)算智能背后的基本數(shù)學(xué)、邏輯約束和規(guī)律性，與處理這些問題的所有方法相關(guān)并適用嗎？它們揭示了認(rèn)知過程和機(jī)制的細(xì)節(jié)嗎？要解決這些問題，筆者認(rèn)為需要引入“適應(yīng)性表征”這個(gè)概念，因?yàn)檫m應(yīng)性表征是物理自組織系統(tǒng)和人工認(rèn)知系統(tǒng)的共性，可作為統(tǒng)一范疇框架來使用。2

這里以認(rèn)知構(gòu)架CLARION為例。CLARION是一個(gè)綜合架構(gòu)，由一些不同的子系統(tǒng)組成，包括以行動(dòng)為中心的子系統(tǒng)（ACS）、以非行動(dòng)為中心的子系統(tǒng)（NACS）、動(dòng)機(jī)子系統(tǒng)（MS）和元認(rèn)知子系統(tǒng)（MCS），每個(gè)子系統(tǒng)都有雙重表征結(jié)構(gòu)（隱性與顯性表征）。以行動(dòng)為中心的子系統(tǒng)的作用是控制行動(dòng)，無論這些行動(dòng)是用于外部物理運(yùn)動(dòng)，還是用于內(nèi)部心理操作。以非行動(dòng)為中心的子系統(tǒng)的作用是保持通用知識(shí)，無論是隱性的還是顯性的。動(dòng)機(jī)子系統(tǒng)的作用是為感知、行動(dòng)和認(rèn)知提供基本動(dòng)機(jī)，即提供動(dòng)力和反饋來表明結(jié)果是否令人滿意。元認(rèn)知子系統(tǒng)的作用是動(dòng)態(tài)地監(jiān)控、指導(dǎo)和修改以行動(dòng)為中心的子系統(tǒng)的運(yùn)作，以及所有其他子系統(tǒng)的運(yùn)作。

當(dāng)然，建構(gòu)認(rèn)知模型不是一件容易的事情，因?yàn)檎J(rèn)知架構(gòu)既要緊湊又要范圍廣泛；既要保持簡(jiǎn)單性又要準(zhǔn)確地捕捉經(jīng)驗(yàn)數(shù)據(jù)；既要在計(jì)算上可行，又要與心理學(xué)理論一致，即要以某種方式整理并納入現(xiàn)有的無數(shù)個(gè)不兼容的心理學(xué)理論。撒恩（R.Sun）提出一套可參考的有用標(biāo)準(zhǔn)：3 通用性、多功能性和任務(wù)性；最佳化和可擴(kuò)展性（時(shí)間/空間復(fù)雜性）；反應(yīng)性和目標(biāo)導(dǎo)向行為；自主和合作；適應(yīng)、學(xué)習(xí)和行為改進(jìn)等。自然語言處理大模型ChatGPT-4基本符合這些標(biāo)準(zhǔn)，但缺乏與現(xiàn)實(shí)世界的經(jīng)驗(yàn)交互，這一點(diǎn)可能是其致命缺陷。

在策略上，雖然人腦是一個(gè)智能系統(tǒng)，計(jì)算機(jī)可以模擬其功能，但計(jì)算智能卻不必被限定為與人類智能有任何關(guān)系。也就是說，兩個(gè)系統(tǒng)不必是類比或模擬關(guān)系，計(jì)算智能完全可“另起爐灶”，比如飛機(jī)不必模擬鳥的飛行（但可參照）。泰勒（J.G.Taylor）認(rèn)為，計(jì)算智能可以被認(rèn)為是人類智能的計(jì)算機(jī)等同物，4 以人類智能的定義為參考和指導(dǎo)，我們可以將計(jì)算智能定義為：利用機(jī)器的知識(shí)數(shù)據(jù)庫中所需要的盡可能多的內(nèi)容來解決日益復(fù)雜任務(wù)的能力。顯然，人類智能和計(jì)算智能之間存在著明顯的差距，這是因?yàn)橐庾R(shí)產(chǎn)生于人腦，而不是機(jī)器，所謂的“機(jī)器意識(shí)”只是一種類比或擬人化的說法，如虛擬人，在實(shí)踐上還不可行，比如“把意識(shí)移植到機(jī)器里”的想法，5 產(chǎn)生了所謂的“意識(shí)上傳”“數(shù)字生命”“電子人”等說法。

在推理方面，人類有強(qiáng)大的推理能力，包括符號(hào)的和圖像（想象）的。機(jī)器雖然也被看作推理機(jī)器，但只是通過被編碼成合適的高級(jí)代碼的符號(hào)計(jì)算（操作），而不是人類特有的想象力，而想象力（如直覺）才是生物智能創(chuàng)造力的核心所在，這一創(chuàng)造力正是機(jī)器智能所缺乏的。目前為止，創(chuàng)造力是人類的特有能力，對(duì)于理解和應(yīng)用于機(jī)器智能非常重要，因此從非符號(hào)層面考慮是研究計(jì)算智能認(rèn)知建模的策略。泰勒強(qiáng)烈地認(rèn)為，計(jì)算智能的長(zhǎng)期目標(biāo)是創(chuàng)建一個(gè)由大腦引導(dǎo)的超級(jí)計(jì)算智能系統(tǒng)（人類的硅基版本），以進(jìn)化的方式進(jìn)行訓(xùn)練，以便能夠在人類社會(huì)中以有效的自主方式運(yùn)作（不必有意識(shí)）。

當(dāng)然，建構(gòu)計(jì)算智能的認(rèn)知模型會(huì)遇到各種挑戰(zhàn)。比如，在機(jī)器視覺、機(jī)器人控制、軟件智能體的創(chuàng)建中能夠處理復(fù)雜領(lǐng)域的系統(tǒng)、情緒計(jì)算系統(tǒng)和語言理解軟件系統(tǒng)，開發(fā)各種工具使越來越復(fù)雜的計(jì)算機(jī)程序得到驗(yàn)證，開發(fā)越來越復(fù)雜的程序以便在集群或網(wǎng)格計(jì)算機(jī)上運(yùn)行智能應(yīng)用程序。如果我們理解了意識(shí)的神經(jīng)生物學(xué)基礎(chǔ)（真正的智能），這就可能作為在人工系統(tǒng)中實(shí)現(xiàn)意識(shí)的例子。這種真正的智能意味著：“在我們?cè)噲D制造智能機(jī)器之前，必須先了解大腦是如何思維的?！? 然而，意識(shí)定義的多樣性（不同學(xué)科對(duì)意識(shí)的理解不盡相同）阻礙了這一主題在神經(jīng)生物學(xué)和人工智能中的進(jìn)展。腦—機(jī)接口技術(shù)的發(fā)展有可能使人工腦與生物腦相結(jié)合，如果成功，這不僅可解決意識(shí)定義的多樣性問題，也可在神經(jīng)疾病的治療方面有所突破。

從技術(shù)開發(fā)來看，這意味著一個(gè)好的表征方法往往能捕捉到關(guān)于人類感知的理解，以便讓計(jì)算機(jī)程序通過機(jī)器學(xué)習(xí)來“發(fā)現(xiàn)”（適應(yīng)地表征）感知的意義，比如耳蝸對(duì)聲音信息的處理相當(dāng)于一個(gè)復(fù)雜的濾波器庫。如果將這種理解編入聽覺外圍的表征中，就會(huì)減少從頭開始計(jì)算的問題。不過，我們也應(yīng)該認(rèn)識(shí)到，適應(yīng)性表征只是提供了一個(gè)思路和框架，它絕不是解決計(jì)算智能分析問題的全部。若將適應(yīng)性表征看作學(xué)習(xí)過程（事實(shí)上，學(xué)習(xí)作為認(rèn)知就是適應(yīng)性表征能力），那這種學(xué)習(xí)在表征框架內(nèi)將會(huì)發(fā)揮重要作用，因?yàn)閷W(xué)習(xí)可以通過調(diào)整參數(shù)值并精確模擬輸入數(shù)據(jù)在系統(tǒng)中的分布來達(dá)到目標(biāo)。

三、計(jì)算智能的適應(yīng)性表征模式

盡管人們對(duì)意識(shí)的理解存在分歧，但將大腦視為一個(gè)動(dòng)態(tài)的信息處理系統(tǒng)是普遍認(rèn)可的。一個(gè)典型的例子是，卡薩博夫（N.Kasabov）通過不同層次的信息處理來表征大腦的進(jìn)化結(jié)構(gòu)和功能：量子信息處理→分子遺傳信息處理（基因、蛋白質(zhì)）→細(xì)胞（神經(jīng)元）的信息處理→系統(tǒng)信息處理（神經(jīng)元集合）→大腦認(rèn)知過程（神經(jīng)網(wǎng)絡(luò)）→進(jìn)化（人口/世代）過程。2 計(jì)算智能方法應(yīng)該涉及所有這些方面，因?yàn)槿祟惖挠?jì)算在某種意義上具有完備性，即人類是宇宙中最會(huì)計(jì)算的物種，凡是人類能夠計(jì)算的東西，原則上都可以用一組計(jì)算規(guī)則來表征。這是計(jì)算機(jī)和人工智能得以發(fā)展的基本信念和底層邏輯。

在量子層面，構(gòu)成物質(zhì)世界每個(gè)分子的粒子（原子、離子、質(zhì)子、中子、電子等）在不斷運(yùn)動(dòng)，同時(shí)處于幾種狀態(tài)，這些狀態(tài)的特點(diǎn)用物理學(xué)術(shù)語說就是幾率、相位、頻率和能量。在分子水平上，RNA（如新冠病毒）和蛋白質(zhì)分子在細(xì)胞中演變，并以連續(xù)的方式相互作用，基于DNA存儲(chǔ)的信息和外部因素在一定條件下影響細(xì)胞（神經(jīng)元）的功能。在神經(jīng)元層面，內(nèi)部信息過程和外部刺激使神經(jīng)元產(chǎn)生信號(hào)，并將攜帶的信息傳遞給其他神經(jīng)元。在神經(jīng)元集合的層面，所有的神經(jīng)元以協(xié)同的方式運(yùn)作，確定了集合的功能，如對(duì)一個(gè)聲音的感知。在整個(gè)活大腦層面認(rèn)知過程發(fā)生了，如語言和推理，并表現(xiàn)出全局信息過程，如意識(shí)涌現(xiàn)。在個(gè)體群體的層面上，物種通過進(jìn)化而演變，改變遺傳DNA代碼以獲得更好的適應(yīng)性，如人類的進(jìn)化和人類社會(huì)的形成。

依筆者之見，所有這些過程都是適應(yīng)性的，在呈現(xiàn)屬性意義上（顯現(xiàn)）也是表征性的（不限于符號(hào)文字表述）。這里以量子啟發(fā)的計(jì)算智能為例。根據(jù)量子力學(xué)，如果一個(gè)量子系統(tǒng)以任何方式與它的環(huán)境相互作用，疊加就會(huì)被破壞，系統(tǒng)就會(huì)如同經(jīng)典物理學(xué)（海森堡）中坍縮成一個(gè)單一的真實(shí)狀態(tài)。這個(gè)過程受概率振幅的制約，概率振幅的強(qiáng)度的平方是觀察該狀態(tài)的量子概率，如量子糾纏，它是兩個(gè)或多個(gè)粒子，無論其位置相距多遠(yuǎn)，都處于相同的狀態(tài)，具有相同的概率函數(shù)。這兩個(gè)粒子可被看作相關(guān)的、不可區(qū)分的、同步的、相干的全同粒子（2022年物理學(xué)諾貝爾獎(jiǎng)就被授予了量子糾纏的工作）。比如，我們熟悉的激光束就是由數(shù)百萬個(gè)具有相同特征和狀態(tài)的受激輻射原子產(chǎn)生的。這是微觀領(lǐng)域的適應(yīng)性表征（呈現(xiàn)）行為。

如果生物智能系統(tǒng)是量子動(dòng)力學(xué)系統(tǒng)，它就應(yīng)該遵循量子力學(xué)原理，意識(shí)或心智的量子力學(xué)解釋就是可能的。從適應(yīng)性表征觀點(diǎn)看，量子系統(tǒng)也是適應(yīng)性表征系統(tǒng)，量子態(tài)疊加原理可以應(yīng)用于許多現(xiàn)有的計(jì)算智能方法，其中使用了由波概率函數(shù)描述的狀態(tài)疊加而不是單一的狀態(tài)，如參數(shù)值，或有限自動(dòng)機(jī)狀態(tài)，或連接權(quán)重。因此，所有這些狀態(tài)將被并行計(jì)算，從而使計(jì)算速度提高許多數(shù)量級(jí)?？ㄋ_博夫（N.Kasabov）認(rèn)為，這些多層次功能表征蘊(yùn)含了一些假設(shè)，筆者將其概括為三個(gè)哲學(xué)或形而上學(xué)假設(shè)：（1）量子特性同一性：大量的原子具有相同的量子特性，可能與大量神經(jīng)元的相同基因/蛋白質(zhì)表達(dá)譜有關(guān)，其特征是用函數(shù)描述的脈沖活動(dòng)表征的。（2）神經(jīng)元聚合生成性：一個(gè)大的神經(jīng)元集合可用一個(gè)局部場(chǎng)電位（local field potentials）函數(shù)來表征，從而生成宏觀上的意識(shí)或智能行為。（3）低層次決定高層次假設(shè)：一個(gè)認(rèn)知過程可在一個(gè)抽象層次上表征為一個(gè)函數(shù)，這取決于所有較低層次的神經(jīng)元、基因和量子活動(dòng)?？梢钥闯觯@三個(gè)假設(shè)的功能表征可通過計(jì)算智能來實(shí)現(xiàn)。從科學(xué)表征的視角看，現(xiàn)實(shí)世界的物體必須以形式化方式來表征，以便于通過數(shù)學(xué)、邏輯以及計(jì)算機(jī)模擬手段進(jìn)行分析和模式識(shí)別。在人工智能中，模式識(shí)別是計(jì)算智能的一個(gè)主要方面，其重點(diǎn)是開發(fā)和評(píng)估模仿或協(xié)助人類識(shí)別模式能力的系統(tǒng)。因此，模式識(shí)別的工程方法是試圖建立模擬這種現(xiàn)象的系統(tǒng)，這樣做可以獲得對(duì)識(shí)別模式所需的科學(xué)理解。這與科學(xué)中建構(gòu)模型（如原子模型）來理解對(duì)象（原子）是一個(gè)道理。

其實(shí)，模式識(shí)別能力動(dòng)物也有，如寵物狗能找到回家的路。這背后的機(jī)制是什么？這是個(gè)科學(xué)問題?？茖W(xué)問題通常是通過建模來解決的，也就是建立與所研究對(duì)象大致表現(xiàn)出相同現(xiàn)象的人工系統(tǒng)，即表征中介，如宇宙演化的數(shù)學(xué)模型。在構(gòu)建這樣一個(gè)系統(tǒng)并對(duì)其進(jìn)行評(píng)估時(shí)，將獲得對(duì)真實(shí)物體的理解和說明。這意味著，科學(xué)家認(rèn)為這樣的模擬系統(tǒng)可用來替代原系統(tǒng)（自然系統(tǒng)），甚至可以改善原系統(tǒng)的一些特性，如假肢、人工心臟、虛擬系統(tǒng)。在這個(gè)意義上，一個(gè)模式可以用表示一個(gè)單獨(dú)的個(gè)體作為其群體、模型或概念的表征。因此，模式識(shí)別處理的是模式、規(guī)律性和特征，可以在感官測(cè)量的低層次上探討，如圖像中的像素，也可以在衍生和有意義概念的高層次上討論，如圖像中的人臉識(shí)別。

人工智能中的無監(jiān)督學(xué)習(xí)給研究者提供了一個(gè)自動(dòng)系統(tǒng)，以表明觀察中存在尚未闡明的模式，如規(guī)律性，它們必須由研究者來確認(rèn)或驗(yàn)證，這就是認(rèn)識(shí)到了一種模式。與無監(jiān)督學(xué)習(xí)相比，監(jiān)督學(xué)習(xí)作為一個(gè)自動(dòng)系統(tǒng)，它驗(yàn)證或確認(rèn)研究者基于他定義的表征所描述的模式，這是通過自動(dòng)分類和評(píng)估來完成的。而分類是一項(xiàng)機(jī)器可以成功完成的任務(wù)，其中識(shí)別行為可能發(fā)生，也可能不發(fā)生，這意味著分類（classification）與識(shí)別（recognition）是有區(qū)別的。1 同樣，識(shí)別過程中可以有分類，也可以沒有?？梢园l(fā)現(xiàn)，分類是基于知識(shí)或常識(shí)的認(rèn)知活動(dòng)，如生物分類，而識(shí)別可以基于知識(shí)，也可以沒有知識(shí)，如兒童第一眼看到的不同類型的玩具。在機(jī)器學(xué)習(xí)中，分類和識(shí)別的區(qū)分涉及監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)。在工程學(xué)層次，分類被看作是模式識(shí)別系統(tǒng)的一個(gè)重要組成部分，無監(jiān)督學(xué)習(xí)也可能在其中發(fā)揮作用。2 通常情況下，這樣的系統(tǒng)首先被提交給一組已知的對(duì)象，即訓(xùn)練集，并以某種方便的方式表征，如樹型表征。學(xué)習(xí)依賴于尋找數(shù)據(jù)描述，以便系統(tǒng)能夠正確地描述、識(shí)別或分類新的例子。在適當(dāng)?shù)念A(yù)處理和適應(yīng)之后，系統(tǒng)會(huì)采用各種機(jī)制對(duì)整個(gè)系統(tǒng)進(jìn)行良好的訓(xùn)練，這個(gè)訓(xùn)練識(shí)別過程，我認(rèn)為就是適應(yīng)性表征過程。

一個(gè)人工模式識(shí)別系統(tǒng)一般有三個(gè)主要階段：表征、概括和評(píng)估，以及一個(gè)中間階段的適應(yīng)（見圖1）。1 適應(yīng)居于識(shí)別模式的中心，這個(gè)事實(shí)表明，這種表征方式即適應(yīng)性表征，這是人工智能的一種哲學(xué)方法論。2

顯然，表征問題是模式識(shí)別的一個(gè)重要方面，它在很大程度上影響了識(shí)別的成功。適應(yīng)是表征和概括之間的一個(gè)中間階段，在這個(gè)階段，表征、學(xué)習(xí)方法或問題陳述被調(diào)整或擴(kuò)展以加強(qiáng)最終的識(shí)別，而且語境知識(shí)可以適當(dāng)?shù)乇恢匦轮贫ú⒓{入表征中。在概括或推理階段，我們從訓(xùn)練集，即已知的和適當(dāng)表征的例子集中學(xué)習(xí)一個(gè)概念，這樣就可以對(duì)新例子的一些未知屬性進(jìn)行預(yù)測(cè)。在評(píng)估階段，我們估計(jì)系統(tǒng)在已知的訓(xùn)練和驗(yàn)證數(shù)據(jù)上的表現(xiàn)如何，同時(shí)訓(xùn)練整個(gè)系統(tǒng)。如果結(jié)果不令人滿意，就必須重新考慮前面的步驟，這構(gòu)成了一個(gè)反饋循環(huán)過程。

需要指出的是，不同的研究領(lǐng)域會(huì)關(guān)注這個(gè)系統(tǒng)的不同部分。例如，感知和計(jì)算機(jī)視覺主要處理表征方面的問題，而人工神經(jīng)網(wǎng)絡(luò)、機(jī)器學(xué)習(xí)、模式分類通常局限于概括問題。所以，模式識(shí)別的主要目標(biāo)集中于研究與表征有關(guān)的概括。在哲學(xué)和邏輯上，概括是一種歸納，即從有限事實(shí)總結(jié)出一般性結(jié)論的認(rèn)知過程。這種能力是人類特有的能力，如果人工智能系統(tǒng)有了這種能力，必然會(huì)增強(qiáng)其創(chuàng)新力（僅僅靠演繹不會(huì)產(chǎn)生新知）。問題在于，如何讓人工認(rèn)知系統(tǒng)擁有因果力才是關(guān)鍵。可以得出，因果力（引起關(guān)系）是一種強(qiáng)的適應(yīng)性表征力，相關(guān)性（影響關(guān)系）是弱的適應(yīng)性表征力，這兩種關(guān)系可通過適應(yīng)性表征得到統(tǒng)一。

四、計(jì)算智能面臨的挑戰(zhàn)

計(jì)算智能作為人工智能的拓展，同樣面臨著以下挑戰(zhàn)：

第一是靈活性挑戰(zhàn)，即如何創(chuàng)建一個(gè)靈活的人工系統(tǒng)。4 這種系統(tǒng)可以自主配置，可以利用其模塊來探索解決同一問題的各種方法，提出可能具有不同優(yōu)勢(shì)的多種解決方案，而不是用單一的學(xué)習(xí)算法可以設(shè)置優(yōu)先級(jí)來定義什么是有效的解決方案，比如使用元學(xué)習(xí)搜索方法在所有可能的模型空間中進(jìn)行探索。目前，大多數(shù)計(jì)算智能的算法都有非常有限的目標(biāo)，如基于具有某種固定結(jié)構(gòu)的數(shù)據(jù)進(jìn)行預(yù)測(cè)（使用近似方法）或診斷（分類）。這樣的算法是一般智能系統(tǒng)的基本構(gòu)件，盡管它們的目標(biāo)和信息流是由用戶決定的，即用戶試圖找到一種對(duì)特定數(shù)據(jù)有效的方法。例如，運(yùn)行神經(jīng)網(wǎng)絡(luò)軟件，用戶必須做出許多決定，諸如設(shè)計(jì)網(wǎng)絡(luò)、選擇訓(xùn)練方法、設(shè)置參數(shù)、準(zhǔn)備數(shù)據(jù)、評(píng)估結(jié)果和重復(fù)整個(gè)周期。

第二是適應(yīng)性挑戰(zhàn)，即制造一個(gè)能在惡劣環(huán)境中生存的人工實(shí)體。人工智能界和哲學(xué)界都曾經(jīng)預(yù)測(cè)過，計(jì)算智能的一個(gè)巨大挑戰(zhàn)是制造一個(gè)可能在惡劣環(huán)境中生存的人造動(dòng)物，如機(jī)器狗。中間的步驟需要解決感知方面的許多問題，如物體識(shí)別、聽覺和視覺場(chǎng)景分析、空間定位、記憶、運(yùn)動(dòng)學(xué)習(xí)、行為控制等，還需要一些推理和計(jì)劃。根據(jù)強(qiáng)人工智能，最終的挑戰(zhàn)可能是：不僅建立一個(gè)人造動(dòng)物，而且建立一個(gè)類似人的系統(tǒng)。除繁殖能力外，該系統(tǒng)能夠通過圖靈測(cè)試并與其他智能體交流，滿足人類社會(huì)的各種需求，如伺服機(jī)器人。

第三是認(rèn)知性挑戰(zhàn)，即大腦的認(rèn)知過程是什么。這是來自更深的元層面的真正挑戰(zhàn)，而如何從計(jì)算智能視角解釋人腦的認(rèn)知機(jī)制，可能是一個(gè)終極挑戰(zhàn)。我們知道，大腦是復(fù)雜且靈活的，它會(huì)以許多不同的方式解決同一個(gè)問題。計(jì)算智能也可以由此得到啟示，許多實(shí)際應(yīng)用，諸如模糊識(shí)別圖像、手寫字符、人臉、自然信號(hào)、多媒體流、復(fù)雜文本，以及各種生物醫(yī)學(xué)數(shù)據(jù)，通常需要高度專業(yè)化的方法來實(shí)現(xiàn)高級(jí)性能。這種實(shí)際應(yīng)用是一種強(qiáng)大的力量，導(dǎo)致不同計(jì)算智能分支的分化。因此，創(chuàng)建與各種應(yīng)用中的最佳方法相競(jìng)爭(zhēng)的元認(rèn)知系統(tǒng)，可能是計(jì)算智能面臨的又一個(gè)巨大挑戰(zhàn)，如制造出支撐ChatGPT-4背后的算力的精密芯片。

第四是來自計(jì)算機(jī)科學(xué)和智能科學(xué)內(nèi)部分歧的挑戰(zhàn)，即如何區(qū)分計(jì)算智能與人工智能。如果二者的重疊太多，那就沒有必要建立計(jì)算智能了，因?yàn)閮H是人工智能——符號(hào)的和統(tǒng)計(jì)的、通用的和專用的、結(jié)構(gòu)的和功能的、具身的和離身的，就已經(jīng)夠令人眼花繚亂了。到目前為止，計(jì)算智能還是被理解為不同方法的會(huì)聚，沒有明確的人工智能規(guī)模的挑戰(zhàn)。在技術(shù)層面上，不同計(jì)算智能技術(shù)的融合本身也是一個(gè)挑戰(zhàn)，比如雖然進(jìn)化方法（遺傳算法）和神經(jīng)方法（神經(jīng)網(wǎng)絡(luò)）的結(jié)合已經(jīng)有很長(zhǎng)的歷史，但很難找到明顯優(yōu)于其他競(jìng)爭(zhēng)技術(shù)（如貝葉斯方法、深度學(xué)習(xí)）的特性。

當(dāng)然，如何準(zhǔn)確理解和定義計(jì)算智能可能還存在異議。如果計(jì)算智能被定義為使用計(jì)算機(jī)或?qū)ｉT硬件解決不可算法化問題的學(xué)科，那么整個(gè)領(lǐng)域?qū)⒗卫蔚卦谟?jì)算機(jī)和工程科學(xué)，許多技術(shù)挑戰(zhàn)可能會(huì)被確定下來，如神經(jīng)計(jì)算的生物靈感來源也會(huì)得到承認(rèn)?？梢灶A(yù)計(jì)，對(duì)于計(jì)算智能來說，關(guān)注廣泛的、具有挑戰(zhàn)性的是問題而不是工具，這將使人們能夠在各種應(yīng)用中與其他方法競(jìng)爭(zhēng)，從而促進(jìn)在解決更多困難問題方面取得真正的進(jìn)展。

五、計(jì)算智能應(yīng)對(duì)挑戰(zhàn)的方法論策略

針對(duì)上述挑戰(zhàn)，筆者認(rèn)為，適應(yīng)性表征可作為計(jì)算智能應(yīng)對(duì)這些挑戰(zhàn)的方法論策略。1適應(yīng)性表征作為方法論，決定了我們探討現(xiàn)象的效果。僅僅停留在一個(gè)特定的思維框架內(nèi)必然會(huì)束縛我們的視野，限制我們的思路。這就需要從哲學(xué)上拓展我們的視域。

從認(rèn)知研究策略來看，方法論經(jīng)歷了“從內(nèi)省審查到行為分析、從心理還原到概念建構(gòu)、從符號(hào)運(yùn)算到人工神經(jīng)網(wǎng)絡(luò)、從哲學(xué)思辨到邏輯建構(gòu)”2幾個(gè)階段，這種思路的轉(zhuǎn)變有助于計(jì)算智能的適應(yīng)性表征能力的開發(fā)。從柏拉圖式—亞里士多德式觀點(diǎn)和內(nèi)部—外部觀察出發(fā)，筆者將其概括為以下計(jì)算智能進(jìn)行模式建構(gòu)和模式識(shí)別的四種方法論策略：

第一，以柏拉圖式理念自上而下內(nèi)省的對(duì)象建模，如句法模式識(shí)別、結(jié)構(gòu)模式識(shí)別、基于案例的推理。這意味著人工智能研究者要從關(guān)于模式識(shí)別系統(tǒng)如何工作的理念出發(fā)，試圖在自己的思考和推理中驗(yàn)證某些想法。也就是說，研究者可能會(huì)發(fā)現(xiàn)其使用了特定的推理規(guī)則，在一套固定的可能觀察值上進(jìn)行操作，例如對(duì)一個(gè)物體的特定顏色、形狀和味道的描述，足以讓觀察者將其歸類為蘋果。

第二，以柏拉圖式理念自上而下外省的概念建模，如專家系統(tǒng)、信念網(wǎng)絡(luò)、概率網(wǎng)絡(luò)。在這種模式識(shí)別中，外部觀察被內(nèi)在的思想和概念所取代。人們習(xí)慣于對(duì)給定的模式識(shí)別系統(tǒng)進(jìn)行外部建模，如專家系統(tǒng)，通過采訪特定模式識(shí)別任務(wù)的專家，試圖考察他們使用什么規(guī)則以及他們以什么方式使用觀察。這種方法與系統(tǒng)建模的不同之處在于，它不是以物理實(shí)在的方式，而是以概念的方式對(duì)物理或生理系統(tǒng)進(jìn)行建模。這在哲學(xué)立場(chǎng)上超越了經(jīng)驗(yàn)主義，奉行的是科學(xué)實(shí)在論。

第三，以亞里士多德式自下而上歸納內(nèi)省的概括，如語法推理、統(tǒng)計(jì)模式識(shí)別。歸納概括是以觀察為前提的，同時(shí)也依賴于內(nèi)省（思考）。觀察可以是肉眼的，也可以借助儀器（如望遠(yuǎn)鏡、顯微鏡），這將產(chǎn)生定量的描述，然后從這種數(shù)字化的結(jié)果進(jìn)行概括，如天文學(xué)家開普勒從觀測(cè)數(shù)據(jù)歸納出行星運(yùn)動(dòng)三定律。概括的生理過程是我們無法觸及的，也無從知曉。研究者如果想知道自己是如何從數(shù)字給出的低水平觀察中歸納出來的，可以依靠統(tǒng)計(jì)，因此概括包括統(tǒng)計(jì)模式識(shí)別。如果低層次的輸入不是數(shù)字而是屬性，如色彩、點(diǎn)線、圓形，那么概括可能是基于邏輯或語法推理的，如平面幾何、解析幾何。如果對(duì)象或?qū)傩缘慕Y(jié)構(gòu)不是從觀察產(chǎn)生的，而是從應(yīng)用知識(shí)的形式全局描述中得出的，如通過使用圖形匹配，那么這種方法實(shí)際上是自上而下的，進(jìn)而可以從對(duì)象或概念開始建模。

第四，以亞里士多德式自上而下歸納外省的系統(tǒng)建模，如神經(jīng)網(wǎng)絡(luò)、機(jī)器視覺。如果以這種自上而下的歸納方法觀察，我們就處于感官、神經(jīng)和可能的大腦低水平建模領(lǐng)域，這些模型是基于細(xì)胞以及構(gòu)成細(xì)胞的蛋白質(zhì)和礦物質(zhì)的物理和生理知識(shí)的。我們的感官本身通常不會(huì)直接從觀察中進(jìn)行概括，概括需要高級(jí)認(rèn)知（推理）的參與。例如，眼睛看到某物并不能直接識(shí)別它是什么，因?yàn)橐曈X是一個(gè)包括腦的神經(jīng)網(wǎng)絡(luò)。耳朵聽到某種聲音也不能立刻判斷它是什么，如一聲巨響是雷聲還是爆炸聲，而是需要認(rèn)知推理做出判斷。

需要指出的是，這四種計(jì)算智能模式識(shí)別的方法不是相互排斥的，而是相輔相成的，自上而下和自下而上、外部和內(nèi)部的區(qū)分也是相對(duì)的。一般來說，內(nèi)部方法從外部世界的結(jié)果中受益。在確定它們?cè)谧匀唤缛绾芜\(yùn)作之后，我們從觀察中歸納的認(rèn)知方式會(huì)發(fā)生變化。柏拉圖式方法和亞里士多德式方法之間的直接形式雖然較難實(shí)現(xiàn)，但在人工智能研究中兩種方法的結(jié)合，無疑是物理實(shí)現(xiàn)人工認(rèn)知的重要方法論，這是上—下、內(nèi)—外、自然—人工混合的認(rèn)知方法。因此，單一方法肯定不如多種方法綜合好，計(jì)算智能也是如此。

從適應(yīng)性表征觀之，適應(yīng)性意味著，一旦一個(gè)識(shí)別問題由一組方便表征的實(shí)例對(duì)象來闡明，系統(tǒng)就可以對(duì)這組對(duì)象進(jìn)行恰當(dāng)概括，最后導(dǎo)致一個(gè)識(shí)別系統(tǒng)。在哲學(xué)中，“概括”這個(gè)概念在20世紀(jì)初的現(xiàn)象學(xué)就得到了研究，胡塞爾認(rèn)為“概括”是對(duì)可能情況的想象過程，而不是對(duì)實(shí)際情況的觀察。1這意味著人們通過掌握關(guān)于特定類型或本質(zhì)的個(gè)體的基本通性，從而在其本質(zhì)變化中掌握本質(zhì)。同樣，神經(jīng)網(wǎng)絡(luò)通過對(duì)正確處理數(shù)據(jù)的例子進(jìn)行訓(xùn)練來學(xué)習(xí)識(shí)別模式。但胡塞爾也提醒人們，從本質(zhì)的變化中領(lǐng)悟本質(zhì)通常是不完整的。這些哲學(xué)概念能否被數(shù)學(xué)化或形式化？這種模型能否激發(fā)出具有概括能力的學(xué)習(xí)算法？這是計(jì)算智能研究要實(shí)現(xiàn)的目標(biāo)。比如，在基于經(jīng)驗(yàn)誤差函數(shù)[εz]最小化的算法中，網(wǎng)絡(luò)參數(shù)被調(diào)整以使網(wǎng)絡(luò)的輸入輸出函數(shù)與訓(xùn)練集很好地匹配，2 該數(shù)學(xué)模型將被概括為網(wǎng)絡(luò)輸入—輸出函數(shù)在數(shù)據(jù)的小變化方面的穩(wěn)定性。經(jīng)驗(yàn)誤差函數(shù)的值越小，輸入—輸出函數(shù)對(duì)訓(xùn)練集的擬合就越好，或者說適應(yīng)性越強(qiáng)，表征越精確。因此，計(jì)算智能與哲學(xué)的結(jié)合也是人工智能發(fā)展的必然要求。

六、結(jié)語

計(jì)算智能作為計(jì)算機(jī)科學(xué)和人工智能發(fā)展中出現(xiàn)的一個(gè)新興領(lǐng)域，其前景無疑是誘人的。它以計(jì)算手段解決低級(jí)認(rèn)知系統(tǒng)（感知—行動(dòng)系統(tǒng)）的不可算法化問題，從而與傳統(tǒng)人工智能和通用人工智能區(qū)別開來。對(duì)于計(jì)算智能的非人工智能部分來說，制造機(jī)器動(dòng)物可能是一個(gè)好的挑戰(zhàn)，這與制造移動(dòng)機(jī)器人來完成某個(gè)特定任務(wù)（如月球探險(xiǎn)）是一個(gè)道理。這似乎是一個(gè)烏托邦，與通用人工智能的目標(biāo)幾乎相同。但從長(zhǎng)遠(yuǎn)的觀點(diǎn)看，這需要對(duì)人類的發(fā)展過程、認(rèn)知和情感的大腦功能、人類的價(jià)值需求有更深入的了解。如果加上能夠識(shí)別行為模式，對(duì)觀察進(jìn)行理解，以及理解自然語言、計(jì)劃和推理的廣泛語境知識(shí)的技術(shù)，這將會(huì)導(dǎo)致一個(gè)更美好的世界，如元宇宙的實(shí)現(xiàn)?？梢栽O(shè)想，具有人類智慧的人工智能也許是面向人類科學(xué)的終極目標(biāo)。從哲學(xué)上看，這樣的烏托邦是值得夢(mèng)想的，盡管目前的計(jì)算智能離人類水平還很遠(yuǎn)。

然而，理想歸理想，現(xiàn)實(shí)歸現(xiàn)實(shí)。計(jì)算智能的目標(biāo)，不是創(chuàng)造所謂的超級(jí)智能，而是致力于一種能夠獲得廣泛知識(shí)的技術(shù)，但它也能夠幫助人類做出明智的決定，提出選擇對(duì)象和預(yù)測(cè)可能的后果。也就是說，計(jì)算智能應(yīng)該以人為中心，不僅幫助人類解決問題，還要幫助人類制定有意義的目標(biāo)，實(shí)現(xiàn)真正的科學(xué)技術(shù)進(jìn)步和社會(huì)發(fā)展。一句話，當(dāng)代人工智能仍屬于“計(jì)算智能”，而非“意識(shí)智能”或“認(rèn)知智能”，有意識(shí)人工智能的實(shí)現(xiàn)需要心理學(xué)、認(rèn)知科學(xué)和腦科學(xué)以及倫理學(xué)和哲學(xué)的介入，這就需要在研究策略上從注重符號(hào)推理的“人工智能”走向注重心理意圖和注意轉(zhuǎn)換的“人工認(rèn)知”。

Computational Intelligence： An Artificial Intelligence of Precise Adaptive Representation

WEI Yidong

Abstract： Computational intelligence is intelligence based on computation or algorithms， dedicated to solving non-algorithmizable problems at the level of perception and control. Its rise has promoted further development in computer science and artificial intelligence. Inquiring into what computational intelligence truly is from the perspective of cognitive philosophy， how it differs from artificial intelligence， and what epistemological and methodological implications it contains， these questions need to be clarified. Whether computational intelligence is regarded as a combination of skills， an artificial cognitive architecture， or a new research agenda for artificial intelligence， its essence is a precise adaptive representation.

Key words： computational intelligence; artificial intelligence; natural intelligence; artificial general intelligence; adaptive representation

（責(zé)任編輯：蘇建軍）

作者簡(jiǎn)介：魏屹東，山西大學(xué)哲學(xué)學(xué)院教授（山西 太原" 030006）。

1 計(jì)算智能這個(gè)概念涵蓋了許多現(xiàn)有的科學(xué)分支：人工神經(jīng)網(wǎng)絡(luò)、模糊系統(tǒng)、進(jìn)化計(jì)算和基于這三個(gè)學(xué)科的混合系統(tǒng)構(gòu)成了計(jì)算智能的核心。概率推理、分子（DNA）計(jì)算、計(jì)算免疫學(xué)、機(jī)器學(xué)習(xí)的某些領(lǐng)域等，也可被視為計(jì)算智能的子領(lǐng)域。計(jì)算智能幾乎涵蓋科學(xué)和工程的所有分支，這些分支涉及理解和解決那些不存在有效計(jì)算算法的問題。因此，它與人工智能的某些領(lǐng)域，以及模式識(shí)別、圖像分析和運(yùn)籌學(xué)的很大一部分重疊。所以，計(jì)算智能不僅僅是對(duì)智能行為體的設(shè)計(jì)的研究，它還包括對(duì)所有動(dòng)物和人類能夠以不同程度的能力解決非算法過程，以及使用硬件和軟件系統(tǒng)解決這些問題的工程學(xué)方法（參見：Duch，W.and Mandziuk，J.（eds.）.Challenges for Computational Intelligence.Heidelberg，Berlin：Springer-Verlag，2007，Preface，VI）。

2 計(jì)算智能一方面是指通過以數(shù)據(jù)為基礎(chǔ)、以計(jì)算為手段來建立功能上的聯(lián)系（模型）來進(jìn)行問題求解，以實(shí)現(xiàn)對(duì)智能的模擬和認(rèn)識(shí)；另一方面是指用計(jì)算科學(xué)與技術(shù)模擬人的智能結(jié)構(gòu)和行為。計(jì)算智能強(qiáng)調(diào)通過計(jì)算方法（如神經(jīng)網(wǎng)絡(luò)、模糊邏輯和進(jìn)化計(jì)算）來實(shí)現(xiàn)生物內(nèi)在的智能行為。具體而言，計(jì)算智能涉及神經(jīng)計(jì)算、模計(jì)算、進(jìn)化計(jì)算、粒群計(jì)算、蟻群算法、自然計(jì)算、免疫計(jì)算和人工生命等，是一種智能方式的低層認(rèn)知，與人工智能的區(qū)別只是認(rèn)知層次從中層下降至低層（中層系統(tǒng)含有知識(shí)，低層系統(tǒng)則沒有）。若一個(gè)系統(tǒng)只涉及數(shù)值（低層）數(shù)據(jù)，含有模式識(shí)別部分，不應(yīng)用人工智能意義上的知識(shí)，而且能夠呈現(xiàn)出計(jì)算適應(yīng)性和計(jì)算容錯(cuò)性，接近人的速度，而且誤差率與人相近，則該系統(tǒng)就是計(jì)算智能系統(tǒng)。相比而言，若一個(gè)智能計(jì)算系統(tǒng)以非數(shù)值方式加上知識(shí)價(jià)值，即人工智能系統(tǒng)。因此，計(jì)算智能和人工智能都是人類智能的衍生物，它們之間的差異只是低級(jí)和高級(jí)的區(qū)別。

3 張勇、耿國華、周明全、陳麗萍：《計(jì)算智能研究綜述》，《計(jì)算機(jī)應(yīng)用研究》2017年第11期。

1 魏屹東：《論適應(yīng)性表征及其方法論意義》，《山西大學(xué)學(xué)報(bào)（哲學(xué)社會(huì)科學(xué)版）》2022年第1期。

2 魏屹東：《人工智能對(duì)不確定性的適應(yīng)性表征》，《上海師范大學(xué)學(xué)報(bào)（哲學(xué)社會(huì)科學(xué)版）》2020年第4期。

3 魏屹東：《人工智能的情境覺知：一種“在線”適應(yīng)性表征》，《上海師范大學(xué)學(xué)報(bào)（哲學(xué)社會(huì)科學(xué)版）》2022年第1期。

4 W.Duch， “ What Is Computational Intelligence and Where Is It Going？”， Studies in Computational Intelligence （SCI），2007，63（1）：1-13.

1 赫伯特·西蒙：《現(xiàn)代決策理論的基石》，楊礫，徐立譯，北京經(jīng)濟(jì)學(xué)院出版社1989年版。

2 關(guān)于通用的計(jì)算概念或算法的通用概念，著名的“丘奇論題”業(yè)已說明。根據(jù)該論題，要想明確算法的通用概念，這取決于計(jì)算是由誰來做——人類還是機(jī)器。這意味著“丘奇論題”包含“心理”（人類）和“物理”（機(jī)器）兩種形式：前者是，人類為解決某一特定問題所能完成的所有算法，都可以用一組計(jì)算規(guī)則來表達(dá)；后者是，物理系統(tǒng)為解決某一特定問題所能讓系統(tǒng)執(zhí)行的所有算法，都可以用一組計(jì)算規(guī)則來表達(dá)。當(dāng)然，如果我們接受唯物主義的本體論（人類是自然界的一部分），那么心理形式就是物理形式的推論。然而，在認(rèn)識(shí)論上，這兩個(gè)形式并不是等價(jià)的，因?yàn)槿祟悤?huì)計(jì)算不必然地意味著物理系統(tǒng)也會(huì)計(jì)算。這其中既有哲學(xué)問題，如解釋鴻溝，也存在數(shù)學(xué)問題，如這兩種形式都無法在數(shù)學(xué)上證明（參見[法]吉爾·多維克：《計(jì)算進(jìn)化史：改變數(shù)學(xué)的命運(yùn)》，勞佳譯，人民郵電出版社2017年版，第74—80頁。

1 G. Gigerenzer， “Fast and Frugal Heuristics： The Tools of Bounded Rationality”， Blackwell Handbook of Judgment and Decision Making，2004，62（1）， p.88.

2 魏屹東：《適應(yīng)性表征：架構(gòu)自然認(rèn)知和人工認(rèn)知的統(tǒng)一范疇》，《哲學(xué)研究》2019年第9期。

3 R.Sun， “The Challenges of Building Computational Cognitive Architectures”， in W. Duch， J. Mandziuk （eds）， Challenges for Computational Intelligence， Springer，2007，pp.37-60.

4 J.G.Taylor， “The Human Brain as a Hierarchical Intelligent Control System”， in W. Duch， J. Mandziuk （eds）， Challenges for Computational Intelligence， Springer，2007，pp.99-122.

5 渡邊正峰：《大腦的意識(shí)，機(jī)器的意識(shí)》，岸本鵬子，安婷婷，胡實(shí)譯，李同歸審校，北京大學(xué)出版社2021年版，第268頁。

1 杰夫·霍金斯、桑德拉·布萊克斯利：《新機(jī)器智能》，廖璐，陸玉晨譯，浙江教育出版社2022年版，第xxxi頁。

2 N.Kasabov， “Brain-，Gene-，and Quantum Inspired Computational Intelligence”， in W. Duch， J. Mandziuk （eds）， Challenges for Computational Intelligence， Springer，2007，pp：193-219.

1 K-H.Han and J-H.KIM， “Quantum-inspired Evolutionary Algorithm for a Class of Combinatorial Optimization”， IEEE Transactions on Evolutionary Computation，2002， pp.580-593.

2 K.M.Sayre， Recognition， a Study in the Philosophy of Artificial Intelligence， University of Notre Dame Press，1965.

1 R.P.W.Duin and E. Pekalska， “The Science of Pattern Recognition. Achievements and Perspectives”， in W.Duch， J.Mandziuk （eds）， Challenges for Computational Intelligence， Springer，2007，pp：221-259.

2 R.P.W.Duin， F.Roli and D.de RIDDER， “A Note on Core Research Issues for Statistical Pattern Recognition”， Pattern Recognition Letters，2002，23（4）：493-499.

3筆者根據(jù)W.Duch，J.Mandziuk （eds.）， Challenges for Computational Intelligence，2007，結(jié)合語境理解繪制。

4 T. Poggio and F.Girosi， “Networks for Approximation and Learning”， Proceedings IEEE，1990，78：1481-1497.

1 魏屹東：《人工智能的適應(yīng)性表征》，《上海師范大學(xué)學(xué)報(bào)（哲學(xué)社會(huì)科學(xué)版）》2018年第1期。

2 魏屹東：《認(rèn)知哲學(xué)手冊(cè)》，科學(xué)出版社2020年版，第107—109頁。

1 D.W.Smish and R.Mcintyre， Husserl and Intentionality： A Study of Mind， Meaning， and Language， Dordrecht and Boston， D.Reidel Publishing Co.1982.

2 W. Duch， “Towards Comprehensive Foundations of Computational Intelligence”， in W. Duch， J. Mandziuk （eds）， Challenges for Computational Intelligence， Springer， 2007， pp.261-316.