||
近年来,虽然人工智能的成果斐然,但现阶段的人工智能体还远未达到接近人类心智的水平。并且,大数据抑或小数据的问题,日益成为人工智能未来发展的关键。面对当前自动化与智能化中的种种问题,推动理性与感性相统一,促进计算与算计相结合,使离身、具身、反身认知形成整体,构建计算—算计智能模型框架,是一种可能的未来发展路径。
大数据抑或小数据
近期,以GPT为代表的生成式人工智能引发热潮。不过,此类人工智能多使用大数据或大模型,也引发了一些争议。有人认为,这可能是走错了方向。还有人认为,人工智能的研究方向并没有走错,而是在不断扩展和深化。大数据和大模型是人工智能研究中的重要组成部分,它们可以帮助我们处理更加复杂的数据和问题,提高人工智能的精度和性能。不过,人工智能不仅是基于数据的模型,还包括许多其他方面的研究。比如,符号推理、逻辑推理、(非)知识表示、诡诈欺骗、真假辨识等。
数据量往往并不是唯一关键因素,数据的质量和可靠性同样重要。在人机环境系统智能领域,有不少是小数据、简单算法、弱算力,而不是大数据、复杂算法、强算力。甚至在某些情况下,小数据集可能更加准确和可靠(因为更容易进行有效的数据清洗和筛选)。对于某些任务而言,简单的算法就已足够,而且在性能和可解释性方面可能更具优势。复杂的算法通常需要更多的计算资源和更长的训练时间,并可能产生过拟合等问题。弱算力的系统则可以通过使用高效的算法和优化技术来提高性能。比如,可以使用并行计算、分布式计算和硬件加速等技术,提高系统的效率和性能。我们需要在不同方向上进行研究,以更好发掘人工智能的潜力。
理性与感性相统一
传统的自动化领域涉及老三论,即控制论、信息论和系统论。控制论通过信息和反馈建立了工程技术、生命科学和社会科学之间的联系。控制论中的信息输入、处理、输出、反馈,一般以客观事实性数据、模型、统计为基础,因而在科技与工程领域具有较好的使用效果,而在涉及包含主观价值的社会、经济领域则往往使用效果欠佳。在信息论中,香农定义了信息熵,是对消息中所含的信息量的度量,可以用来推算传递经二进制编码后的原信息所需要的信道带宽。信息熵的提出,解决了对信息的量化度量问题,而对于(不同发出/接收者)信息质量的好坏却缺乏度量。1932年,贝塔朗菲(L. V. Bertalanffy)发表“抗体系统论”,提出了系统论的思想。目前,系统论运用完整性、集中性、等级结构、终极性、逻辑同构等概念,研究了适用于综合系统或子系统的模式、原则和规律,并力图对其结构和功能进行数学描述。但是,这一路径对于包含人在内的复杂系统处理还不是很理想。总之,对于自动化领域控制论、信息论和系统论而言,缺乏价值反馈、价值度量、价值体现,已成为其进一步发展的瓶颈和挑战。
当前的智能化研究主要基于符号主义、连接主义或行为主义,对人类智能进行分析与模拟,并取得了不少成绩,但也出现了许多困难和不足,远未达到人们的期望和要求。究其原因,当前研究的核心仍试图以还原论的思想,破解智能的机理或应用,而没有从根本上理解智能产生的机制原理及应用的规律。与机器智能相较而言,人类智能并非孤立的,而是在人物环境交互产生的。真正的智能可以计算,但单纯的计算是不能产生智能的——智能的基本逻辑是比较,而不是计算。把智能看成某种逻辑或计算,是制约智能发展的瓶颈和误区。
智能不但涉及科学、技术、数学等领域,而且还涉及人文、艺术、社会等方面。其中,既有客观事实又有主观意识,既有机械惯性又有灵活辩证,既有逻辑推理又有直觉感悟。把智能看成是数据、信息、知识、算法、算力等是十分狭隘的。真实的智能不但能够学习、生产、使用、维护、升级这些事物,而且还可以扭曲、异化、诡诈、变易这些概念或机制机理。智能化不是信息化、数字化、自动化的简单延伸、扩展,而是一种大不相同的新型范式。智能不仅要掌握已知的信息、学习已有的知识,更重要的是,还要生成有价值的信息、知识以及有效使用协调这些信息和知识——这是理性逻辑推理与感性超逻辑判断的统一。
计算与算计相结合
在某种程度上可以说,世界是复杂的。不过,具有复杂性的世界并不都是科学和计算,而是某种科学与非科学、理性与感性融合的人物环境系统,同理,智能也是自然与人工的结合。依据目前人类的数理、物理水平,仅通过编写计算机程序,是不可能实现人类水平的智能的,必须另辟蹊径。休谟1711年在《人性论》中提出了“休谟之问”:从“是”(Being)中能否推出“应该”(Should),即从客观事实中能否推出主观价值。这个问题在西方近代哲学史上占有重要地位。在两千多年前的东方,孟子在《告子上》中就说过:“是非之心,智也。”真正的智能要打开科技与、或、非门的狭隘。大是、大应、小是、小应,需要穿透各种非家族相似性的壁垒,用未来的想象(预期)和当前的感受(如同情、共感、同理心、信任等)影响智能领域的走势。
依据现有计算和认知领域的成果,可以提出计算计模型,即针对复杂、多域、动态的环境,研究人机混合下的态势感知模型,能够探索人—机—环境对决策的影响。智能系统中的算计,是一种没有数学模型的计算。相比于智能计算中较为普遍的“与或非”逻辑,不妨将算计中的逻辑称为“是非应”。其中,“是”偏同化,“非”偏顺应,“应”偏平衡。当遇到未知问题时,可以先用“是”、再用“非”、后用“应”。当遇到大是大非时:大是不动,先试小非,再试中非;若不行,大非不动,先试小是,再试中是。这些试的过程,就是“中”的平衡。“应”就是不断尝试、调整、平衡。以上,就是计算与算计结合的新逻辑体系。算计逻辑把握价值情感方向,计算逻辑细化事实理性过程。在智能的未来发展中,新逻辑的出现或许会带来新的可能性。
智能是在主体同物和环境的交互中逐步形成的。一方面,主体的认知与世界发生着融合。另一方面,被误用的计算也可能影响主体的认知。正如哈明(Richard Hamming)所说:“计算的目的不在于数据,而在于洞察事物。”这里的洞察,就包含对未来的预测与算计。人类的洞察机制不是一维的具身认知,还常常涉及二维的离身认知、三维(以上)的反身认知及其混合认知机理。
离身、具身、反身认知
传统认知理论认为,认知是在人脑中发生的类似于计算机的计算过程,其功能独立于环境且与身体无关,因此被称为“离身认知”(如联结主义、符号主义)。但随着研究的进展,心理学家发现,认知在很大程度上依赖着身体。认知和身体都嵌入环境,共同构成一个动态的统一体,这被称为第二代认知科学的“具身认知”。具身认知理论认为,个体的认知过程和自我意识都与具身活动密不可分,身体的自由度影响感知判断。反身认知往往是在各个社会领域中的一种自我加强现象。反身认知认为,参入者的思维与参入的情景之间相互联系与影响,彼此无法独立,认知与参入处于永远的变化过程之中。反身认知一般强调,博弈过程中的人机环境系统之间的激发联动效应,能够跨越物理域、信息域、认知域等。
针对当前智能化研究所面临的问题,需要从人类具身、离身、反身的态势感知角度,解决智能化建模难题。安德斯雷(Mica R. Endsley)提出了有关态势感知的一个共识概念,即在一定时间和空间内对环境中的各组成成分的感知、理解,进而预测这些成分后续的变化。深度态势感知是对态势感知的感知,其中既包括了人的智慧,也融合了机器的智能。这是一种“能指+所指”,既关涉事物的属性(能指、感觉),又触及它们之间的关系(所指、知觉);既能够理解弦外之音,也能够明白言外之意。这种深度态势感知,在安德斯雷以主体态势感知(包括信息输入、处理、输出环节)的基础上,分为“态”“势”“感”“知”四个环节,包括人、机(物)、环境(自然、社会)及其相互关系的整体系统趋势分析,具有“软(价值)/硬(事实)”两种调节反馈机制。这既包括自组织、自适应,也包括他组织、互适应;既包括局部的定量计算预测,也包括全局的定性算计评估,是一种具有自主、自动弥聚效应的信息修正、补偿的期望—选择—预测—控制体系。智能的逻辑,既不同于理性的逻辑,也不同于感性的逻辑,而是两者的结合。对此,需要从态势感知这个角度入手,使离身、具身、反身认知形成整体,进而建立起智能的计算—算计体系。
计算—算计智能模型框架
在某种程度上可以说,智能是一种激发—唤醒过程。好的智能交互涉及人—机—环境系统三者之间的和谐对立统一,既有态的计算,也有势的算计。通晓辩证逻辑的算计,才是真正的智能“化”。这反映了不确定的确定性,即不确定性的变化率。比如,人类能够从位置、速度、加速度中,反映出空间、时间、力;进而,又从质量、能量、信息中,反映出虚实、有无、真假。
计算—算计的态势感知坐标系 作者/供图
在笛卡尔数形计算的解析坐标系启示下,可以初步构建计算—算计的态势感知坐标系(如图所示)。状态参数可由环境中的物理参数(时间、地点、人物、事物等)组成“态向量”,并通过不同状态下的状态矩阵计算获得初级的趋势结果1。趋势参数可由期望中的各种价值参数(时间、地点、人物、事物等的价值)组成“势向量”,并通过不同趋势下的趋势矩阵算计获得次级的趋势结果2。感觉参数可由感觉到的各种参数(时间、地点、人物、事物等)组成“感向量”,并通过不同感觉下的感觉矩阵计算获得初级的知觉结果3。知觉参数可由知觉到的各种经验参数(时间、地点、人物、事物等的经验值)组成“知向量”,并通过不同知觉下的知觉矩阵算计获得次级的知觉结果4。通过这4个结果的计算—算计结果,可以拟合出综合的态势感知结果。进而,分别建立起离身、具身、反身的态势感知模型,再进行融合分析,可以得出整体系统的计算计结论。
或许,智能的关键不在于计算能力,而在于带有反思的算计能力。算计比计算强大的地方,在于反事实、反价值能力。自主性中常包含反思(事实反馈+价值反馈)能力。事实性的计算是使用时空(逻辑),而价值性的算计是产生(新的)时空(逻辑)。通过计算与算计的深度结合,构建基于理性和感性混合驱动的计算计模型,实现人机混合智能决策,能够使人机混合系统被赋予更多智能,从而可以更好应对未来与未知的种种挑战。
(本文已发表在《中国社会科学报》2023.6.13)
Archiver|手机版|科学网 ( 京ICP备07017567号-12 )
GMT+8, 2024-12-25 23:39
Powered by ScienceNet.cn
Copyright © 2007- 中国科学报社