第十九章 计算主义的困境：从机器到意识的跳跃

一、图灵的遗产：计算理论的诞生

    1936年，阿兰·图灵（Alan Turing）发表了一篇改变世界的论文：《论可计算数及其在判定问题上的应用》。在这篇论文中，图灵定义了图灵机——一个抽象的计算模型，能够模拟任何算法过程。

    图灵机的核心思想简单而强大：

• 无限长的纸带：存储信息；

• 读写头：读取和修改纸带上的符号；

• 状态寄存器：记录机器的当前状态；

• 转移函数：根据当前状态和读取的符号，决定下一步动作。

    图灵证明，这个简单的模型能够计算任何可计算函数。这就是丘奇-图灵论题（Church-Turing Thesis）：所有直观的"算法"或"有效计算"都可以由图灵机实现。

    图灵的工作奠定了计算机科学的基础，也开启了计算主义（Computationalism）的哲学传统——心灵是计算机，认知是计算，智能是算法的涌现。

二、计算主义的承诺：从认知科学到人工智能

    1950年代，计算主义成为认知科学的主导范式。认知即计算（Cognition as Computation）的核心主张：

• 心灵是软件：大脑是硬件，心灵是运行在硬件上的程序；

• 认知是信息处理：感知、记忆、推理、学习都是计算过程；

• 智能是算法：只要找到正确的算法，就能实现智能。

    这一范式催生了符号人工智能（Symbolic AI）：

• 物理符号系统假说（Newell & Simon, 1976）："一个物理符号系统具有产生一般智能行为的充分和必要手段"；

• 专家系统：将人类知识编码为规则，模拟专家决策；

• 逻辑推理：基于符号操作的形式推理。

     1980年代，联结主义（Connectionism）兴起，挑战符号AI：

• 神经网络：分布式表征，并行处理；

• 学习：通过调整连接权重，从数据中学习；

• 涌现：智能从简单单元的相互作用中涌现。

     但联结主义仍然是计算主义的——它只是改变了计算的方式，从符号操作到数值计算，从显式规则到隐式模式。

     2010年代，深度学习（Deep Learning）革命：

• 多层神经网络：自动学习层次化表征；

• 大数据：从海量数据中提取模式；

• 通用近似：神经网络可以近似任何函数。

     深度学习的成功似乎验证了计算主义：智能就是模式识别，模式识别就是统计学习，统计学习就是计算。

     但阴影始终存在。

三、塞尔的中文房间：理解的缺失

     1980年，哲学家约翰·塞尔（John Searle）提出了著名的中文房间论证（Chinese Room Argument），直接挑战计算主义的核心。

     思想实验

     想象一个不懂中文的人，被关在一个房间里。房间里有：

• 中文符号：大量的中文字符；

• 规则书：用英文写的规则，告诉操作者如何根据输入的中文符号，输出相应的中文符号；

• 输入：从门缝塞进来的中文问题；

• 输出：操作者根据规则生成的中文回答。

      对于房间外的人来说，输入输出似乎表明房间里的人理解中文。但实际上，操作者只是机械地操作符号，没有任何理解。

      塞尔论证：

• 语法 vs 语义：计算机操作的是语法（符号的形式规则），而理解需要语义（符号的意义）；

• 形式 vs 内容：计算是形式操作，与内容无关；

• 模拟 vs 复制：计算机可以模拟理解的行为，但不能复制理解本身。

      对强AI的挑战

      塞尔区分了弱AI和强AI：

• 弱AI：计算机是研究心灵的工具，模拟智能行为；

• 强AI：计算机 literally 具有心灵，具有理解和意识。

      中文房间论证针对的是强AI：即使计算机通过了图灵测试，表现出完美的智能行为，它也不理解自己在做什么。

      塞尔写道：

"计算机和他们的程序只有派生意向性（Derived Intentionality）。它们操纵的符号之所以关于事物，只是因为我们这样解释。当计算机处理'猫'时，它并不是在内在意义上关于猫。它只是操纵符号。我们可能将这些符号解释为关于猫，但这种解释来自我们，而不是来自计算机。计算机没有原始意向性（Original Intentionality），没有真正的关于性，因此没有真正的理解。"

四、意识的难问题：感受质的不可还原性

     1994年，大卫·查尔莫斯（David Chalmers）在图森会议上提出了意识的难问题（Hard Problem of Consciousness），这一术语迅速成为哲学和神经科学的中心议题。

     易问题 vs 难问题

     查尔莫斯区分了两类问题：

     易问题（Easy Problems）：

• 如何整合感官信息？

• 如何产生报告和行为？

• 如何集中注意力？

• 如何控制行动？

     这些问题虽然困难，但原则上可以通过计算-神经机制解释。

     难问题（Hard Problem）：

"为什么物理处理会伴随主观体验？为什么看红色、听音乐、感受疼痛，会有某种感觉（Something It Is Like）？"

     这不是关于功能的问题，而是关于体验的问题。即使我们完全解释了大脑如何处理颜色信息，为什么会产生红色的主观感受？

     感受质（Qualia）

     感受质是主观体验的质性特征：

• 红色的红性；

• 疼痛的痛性；

• 音乐的美性。

     感受质具有不可还原性：

• 私人性：只有体验者能直接知道；

• 不可言喻性：无法完全用语言描述；

• 直接性：不通过推理，直接呈现。

      计算主义无法解释感受质，因为：

• 计算是抽象的：与实现无关，没有特定的"感觉"；

• 感受质是具体的：特定的、私人的、定性的。

      查尔莫斯论证，如果哲学僵尸（Philosophical Zombies）——在物理和行为上与人类完全相同，但没有主观体验——是逻辑上可能的，那么意识不能还原为物理过程。

五、计算主义的深层困境      形式与内容的分离

      计算操作形式（符号的形状、规则的结构），但内容（意义、指称、价值）来自解释者。计算机本身不知道"1+1=2"是什么意思——它只是按照规则操作符号。

       这与中文房间一致：操作者知道"如果看到A，输出B"的规则，但不知道A和B代表什么。

       语义奠基问题（Symbol Grounding Problem）

       1990年，斯特凡诺·哈纳德（Stevan Harnad）提出了符号奠基问题：

"符号如何获得意义？符号操作如何与外部世界连接？"

       在纯符号系统中，符号的意义来自其他符号，导致无限倒退或循环定义。最终，符号必须** grounded **于非符号的东西——感知、行动、身体体验。

       但计算主义是离身的（Disembodied）：认知是符号操作，与身体无关。

      框架问题（Frame Problem）

      人工智能的框架问题：系统如何知道哪些信息是相关的，哪些可以忽略？

      在开放环境中，相关信息是无限的。计算系统必须预先定义相关性，但生命系统通过身体-环境耦合动态地、适应地确定相关性。

      这暗示：相关性不是计算的，而是生成的。

六、具身认知：身体的回归

     1980-90年代，具身认知（Embodied Cognition）运动兴起，挑战计算主义的离身假设。

     核心主张

     具身认知的核心洞见：

"认知依赖于具有各种感觉运动能力的身体经验，而这些个体的感觉运动能力本身嵌入在更广泛的生物、心理和文化背景中。"（Varela, Thompson & Rosch, 1991）

     关键原则：

• 认知是情境的：发生在特定环境中，不是抽象推理；

• 认知是具身的：依赖于身体的形态和能力；

• 认知是动态的：随时间展开，不是静态表征；

• 认知是分布的：超越大脑，涉及身体和环境。

     生成主义（Enactivism）

     弗朗西斯科·瓦雷拉（Francisco Varela）、埃文·汤普森（Evan Thompson）和埃莉诺·罗施（Eleanor Rosch）在《具身心智》（1991）中提出了生成主义（Enactivism）：

"认知不是由预先给定的心智对预先给定的世界的表征，而是基于一个在世界中存在的生物所执行的多种行动的历史，对世界和心智的生成（Enactment）。"

      生成主义的关键概念：

• 自创生（Autopoiesis）：生命系统自我维持、自我生产；

• 结构耦合（Structural Coupling）：系统与环境相互塑造；

• 生成（Enaction）：认知是行动，不是表征。

      这与活性算法的核心一致：系统通过行动生成世界，通过适应维持自身。

七、预测加工与主动推断：超越计算

      2010年代，预测加工（Predictive Processing）和主动推断（Active Inference）提供了理解认知的新框架。

      预测加工

      预测加工的核心思想：

• 大脑是预测机器：不断生成关于感官输入的预测；

• 预测误差驱动学习：实际输入与预测的差距更新模型；

• 层次化预测：从低层感觉特征到高层抽象概念。

      这看似计算主义，但关键区别在于：

• 预测是生成的：不是被动处理输入，而是主动建构经验；

• 行动是预测的一部分：通过行动改变感官输入，使预测成真；

• 认知-行动循环：感知和行动不可分割。

      主动推断

      主动推断（Friston, 2009）将预测加工扩展到行动：

• 自由能最小化：系统最小化预测误差（变分自由能）；

• 主动采样：通过行动选择感官输入，减少不确定性；

• 自证预言：系统使世界符合自己的模型。

      这与计算主义的根本区别：

• 计算主义：认知是表征-计算-输出的线性过程；

• 主动推断：认知是预测-行动-感知的循环过程，系统既是观察者又是参与者。

八、活性算法视角：从计算到推断

      从"活性算法"的框架看，计算主义的失败源于错误的本体论假设。

计算 vs 推断

表格  复制

特征   计算主义   

活性算法

     推断作为生成

     活性算法的核心是生成模型（Generative Model）：

• 系统不是被动接收信息，而是主动生成预测；

• 行动是为了使预测成真，不是为了达到外部目标；

• 认知是自指的：系统预测自己的预测。

      这与自创生和生成主义一致：认知是生命自我维持的方面，不是额外的功能。

      意识的解释

      活性算法为意识提供自然化的解释：

• 现象自我：系统对自身状态的推断；

• 现象世界：系统对外部原因的推断；

• 主观性：推断的第一人称视角——系统从自己的模型"看"世界。

      这不是还原为计算，而是扩展理解：意识是复杂自适应系统的涌现属性，与自由能最小化、信息整合、自适应临界性不可分割。

九、人工智能的教训：从模拟到创造

      当前人工智能（大语言模型等）的成就与局限，验证了计算主义的困境。

      成就

• 模式识别：从海量数据中提取统计规律；

• 语言生成：流畅的文本，似乎"理解"语言；

• 特定任务：围棋、蛋白质折叠、代码生成。

      局限

• 无理解：没有真正的语义，只是统计相关性；

• 无身体：离身的符号操作，无感觉运动经验；

• 无适应：固定训练后，不能在线学习；

• 无意识：没有主观体验，没有"某种感觉"。

      这与中文房间一致：大语言模型是超级中文房间——更复杂的规则，更多的符号，但仍然没有理解。

      未来方向

      真正的人工智能需要：

• 具身：传感器和执行器，与世界的物理耦合；

• 生成：不是模式匹配，而是世界建模；

• 自适应：在线学习，持续适应；

• 自指：自我建模，自我意识。

      这正是活性算法的方向。

十、结语：从机器到生命

      计算主义是伟大的，但不完整的。它解释了认知的某些方面——信息处理、模式识别、逻辑推理——但没有解释理解、意义、意识。

      从图灵机到中文房间，从专家系统到深度学习，我们看到能力的增长，但没有看到理解的涌现。符号操作，无论多么复杂，仍然是形式的，而心灵是有意义的。

      具身认知和生成主义提供了新的方向：认知不是计算，而是行动；不是表征，而是生成；不是离身的，而是嵌入的。

      活性算法完成了这一转向：从计算到推断，从表征到生成，从预测到适应。它表明，最优的认知系统不是完美的计算机，而是自适应的、自指的、生成的生命。

      请记住计算主义的教训：最伟大的智能不是模仿，而是创造；不是符号操作，而是意义生成；不是离身计算，而是具身行动。在机器与生命的交界处，我们学会了区分能力与智慧，行为与理解，复杂与意识。