人工智能论文3000字
- 论文大全
- 2023-01-01
- 168
摘要：崔政博士的新著《科学技术知识的政治经济学研究》以马克思的“劳动”概念为中心，提供了一个划定人工智能替代人类劳动的边界框架。该书区分了重复性劳动与创造性劳动，提出创造性劳动是人类劳动的本质也是人工智能不可替代的。但需要进一步指出的是，机器学习已经在认识实践中表现出对人类认知劳动的极大辅助作用，包括：人工智能能够提升科学知识生产效率;人工智能擅于提取和传递默会知识;人工智能可以产生某种机器知识。以上原因使得我们在创造性劳动中很难将人工智能排除在外，未来可能的创造性劳动方式应当是某种人机协作或人机融合。
关键词：人工智能;创造性劳动;科学知识;默会知识;机器知识
中图分类号：TP18文献标识码：A文章编号：CN61-1487-（2020）01-0154-03
产业科学出现以来，科技创新对经济增长的驱动作用已经成为全球性的共识。崔政博士的新著——《科学技术知识的政治经济学研究》，试图以“劳动”概念的历史分析为切入点，讨论科学技术在当代资本主义经济中所扮演的角色，进而以一种动态的劳动价值论表明当代社会经济运行的内在动因[1]2。该书以马克思的“劳动”概念为核心构建了一个哲学空间，将科学知识、技术创新、资本运行纳入其中，完整地阐述了科学技术对经济社会的塑造作用。该书的叙事方式表达了两个理论取向：第一，对科技创新的分析不同于传统技术创新理论仅关注经济“增长”，而是从更为基础的社会分工出发关注经济“发展”;第二，将科学知识的生产还原到马克思的“科学劳动”概念，实际上已经使用了一种扩展了的“科学”概念，蕴含着当代科学知识生产所具有的实践性、情境化、多主体等特征。
该书更为重要的贡献在于讨论了人工智能技术对于社会生产方式的挑战和变革作用。书中提出：“人工智能的替代效应是建立在对人类劳动数据化和逻辑化的基础上的，探索自在自然的创造性劳动是不可数据化和逻辑化的。因此，人工智能只能围绕既有的对象进行重复性生产，替代重复性劳动;而人类则能够探索自在自然，从而摸索新技术、建构新对象，进行创造性劳动。也就是说，机器所不能替代的人类劳动的‘硬核’是探索自在自然的劳动，是创造对象和掌握技术的‘创造性劳动’。”[1]25作者将马克思的“劳动”概念区分为“重复性劳动”和“创造性劳动”，进而指出人工智能是对机器大工业的否定，它将替代人类劳动中可以重复、可以数据化的部分，但创造性劳动是人类劳动的本质，是人工智能所不能替代的。
作者提出：“人工智能可以在将重复性劳动数据化的基础上，对人类劳动进行模仿，从而取代任何形式的重复性劳动。但人工智能却不能取代人类的创造性劳动，创造性劳动是通过探索自在自然，经过反复的摸索与实验、征服反常和偶然、掌握技术、创造对象、实现对象从无到有的过程的劳动，这是一种原生性的劳动。”[1]27作者认为，创造性劳动是对马克思的“自在自然”的探索，“自在自然”是在人类的现有认知能力之外，却以反常和失败等形式向人类显现其自身。然而，在认知实践当中，机器学习已经可以帮助人类探索认知能力之外的“自然”，当然这种“自然”并不以反常或失败的形式存在。作者也指出：“尤其是在大数据和云计算的背景之下，机器学习的速度远超人类的认知极限，甚至可能在数据中找到人尚未发现的方法和规则。”[1]35因此，在认知劳动方面，我们可以在作者的概念框架下进一步区分出人工智能对人类“创造性劳动”的辅助作用，具体表现为三个方面：人工智能提高科学知识生产效率;人工智能擅于提取和传递默会知识;人工智能可以产生某种机器知识。
一、人工智能能够提升科学知识生产效率
机器学习的广泛使用可以提升科学知识生产的效率，主要表现在文献研究和实验室研究两个方面。人工智能系统可以通过自然语言理解获取、阅读和总结所有相关文献。例如，一个叫做Iris的人工智能系统的运行方式是：从某个研究主题的演讲切入，先使用自然语言处理算法分析演講的脚本，挖掘从开放渠道获取的研究文献，然后将相关研究文献分组并进行可视化，再通过人工标注文献使机器匹配精度增加，当机器能够理解文献的内容和结构时，可以帮助科研人员总结出该研究主题下的所有研究问题、假设、实验结果等，从而将前人工作完整呈现。此外，机器学习的使用还能够加快实验研究的进程。例如，2016年5月，澳大利亚国立大学的研究团队使用机器学习重复了物质的玻色—爱因斯坦凝聚态的实验室发现过程，从反复设置调整实验设备的各种参数到产生凝聚态物质，机器学习只用了一个小时，而凭借这一发现获得诺贝尔奖的三位科学家是在直觉的基础上经过多年实验才制造出了物质的凝聚态。由此可见，作为技术的人工智能的进步已经开始反向促进作为基础研究的科学知识的生产。
二、人工智能擅于提取和传递默会知识
波兰尼（MichaelPolyani）提出了默会知识（tacitknowledge）的概念，以区别于可以明述的知识（explicitknowledge），明述知识是用语言文字来表达的知识，如科学知识，默会知识则是我们知道但通常不加言述或者不能充分言述的知识[2]。默会知识具有以下几个特点：难以用语言文字描述，不易传播、记录和积累;获取默会知识主要依靠亲身体验;默会知识呈分布式存在，难以整合。这些特点导致我们很难有效运用默会知识，而机器学习的大规模运用使得人工智能系统非常擅于处理默会知识。作者敏锐地意识到了这一特点——“以往我们所说的‘默会知识’、手工技艺技巧，以及复杂程度远超人类认知能力之外的一些潜在规则，也都不再是一个个‘黑箱’，机器可以基于将人类劳动的过程还原成物理量和数据，再通过机器学习找到其内在的规律，从而取代人类劳动。”[1]56
在当前人类社会所有已经产生的信息中，文字只占极少的比例，大量的信息以图片和视频方式呈现，其中蕴含了大量需要通过亲身体验才能获取的默会知识。如果有办法将事物状态用图片或视频记录下来，就有可能使用机器学习从中萃取出知识。很多电影公司已经使用人工智能系统观看大量人类历史上的影视作品，从而归纳提取出经典桥段，创作出新的配乐、台词和预告片以供人类借鉴。更为重要的是，由人工智能系统获取的默会知识是以神经网络参数集的形式存在的，这对人类而言仍然不可描述，也难以在人类之间传递，但却非常易于在人工智能系统间传播。例如，一台掌握驾驶技能的自动驾驶汽车只要将参数集分享出来就可以快速让所有汽车学会这项技能，而且可以实现机器间的协同行动。
三、人工智能可以产生某种机器知识
如果说默会知识还是“可意会而不可言传”的知识，那么AlphaGoZero在围棋上的表现已经表明人工智能系统产生了某种既无法“意会”也无法“言传”的机器知识。AlphaGoZero在没有人类以往的经验或指导、不提供基本规则以外的任何领域知识的情况下，就使用机器学习在短时间内探索了大量人类从未尝试过的走法。机器发现的知识不仅完全超出了人类的经验，也超出了人类的理性，成为人类几乎无法理解的知识。由此，产生了讨论某种“机器认识论”的可能性，GregoryWheeler在《MachineEpistemologyandBigData》一文中提出：机器学习对事物间隐蔽的相关性的发现和掌握已经远超人类，因此机器知识更多的是一种相关性知识
机器知识与科学知识或默会知识的核心差别在于：机器知识依赖数据，科学知识或默会知识依赖信息。信息是事物可观察的表征，或者说信息是事物的外在表现。任何一个物体的信息量都非常大，要精确描述一个物体，就需要将其中所有基本粒子的形态以及它们之间的关系都描述出来，同时还要将该物体与周围环境的关系都描述出来。而数据是已经描述出来的部分信息，关于一个物体的数据通常要比信息少得多，例如只包含它的形状、重量、颜色和种属关系等。只有当信息经过适当的处理，当它被用来进行比较、得出结论和建立联系时，它才會转化为知识。而知识可以理解为伴随着经验、判断、直觉和价值的信息，作为认知主体的人在其中扮演了关键角色。
相较之下，机器知识可以被刻画为数据在时空中的关系，这些关系表现为某种模式，对模式的识别就是认知，识别出来的模式就是知识，用模式去预测就是知识的应用。这些数据在时空中的关系只在少数情况下才能用数学工具进行表达，而多数情况下知识表现为数据间的相关性的集合，这些相关性只有一小部分可以被人类感知和理解。这源于人类感受能力的局限性：人类只能感受部分外界信息，人类的感官经验局限在三维的物理空间和一维的时间。因此，当数据无法被感知，它们之间的关系又无法用数学工具表达时，这些数据间的关系就超出了人类的理解能力之外而属于机器知识。当前机器学习的主流形式——人工神经网络的最大特点就是发现并记忆数据中的相关性，例如在看了很多汽车图片后会发现汽车都有四个轮胎，人类对图片这类直观的数据间的相关性也能发现并记忆一部分，这就是默会知识。但当数据量很大且不直观时，例如股票市场的数据或者核电站的内部数据，人类就无法应对了。而随着人工神经网络层级和数量的增加，人工智能系统能够处理大规模的复杂数据，这就是机器知识。机器知识当前的主要表现形式类似于AlphaGoZero中的神经网络的全部参数。
概言之，科学知识和默会知识多是基于信息的因果性知识，而机器知识多是基于数据的相关性知识。此外，科学知识是易于记录、易于陈述、易于传递的;默会知识是难以记录、难以陈述、可传递的;机器知识则是可记录、不可陈述、易于在机器间传递的。
四、人工智能发展的局限性
当然，基于人工神经网络的机器学习仍有两个核心的局限性导致人工智能系统还不足以承担创造性劳动。第一个局限是，人工神经网络需要依赖特定领域的先验知识，也就是需要特定场景下的训练，这是因为人工神经网络的学习本质上是对相关性的记忆，人工神经网络将训练数据中相关性最高的因素作为判断标准。这个问题在自动驾驶汽车中表现的非常突出，鉴于道路交通情境的复杂性和交通标示的多样性，自动驾驶系统难以避免很多交通事故。第二个局限是，人工神经网络无法解释产生某个结果的原因，这种不可解释性在许多涉及安全和公共政策的领域显现的比较突出，例如在智能医疗中，人工神经网络在影像识别和辅助诊断中都对其结果缺乏医学上的解释性，都需要专业医生的复核。
基于人工神经网络的人工智能系统在记忆和识别这两个基础智能方面超越了人类，但在推理、想象等高级智能方面还相差较远。与人类相比，人工智能无法承担创造性劳动的原因还不止于以上的局限性，还包括：人工智能没有常识和物理世界的模型;人工智能没有自主和自发的通用语言能力;人工智能没有想象力，需要大量常识、反事实假设和推理能力;最重要的是人工智能没有自我意识。自我意识的缺乏导致能够产生机器知识的人工智能系统仍然无法被视为认知主体，其知识的“创造性劳动”是一种无意识认识活动。
五、结语
人工智能系统在提升科学知识生产效率、处理默会知识以及产生机器知识方面的优势，使得我们在创造性劳动中很难将其排除在外，未来可能的创造性劳动方式应当是某种人机协作或人机融合。脑机接口（brain-computerinterface）是当前一个重要的人机协作研究方向，而其中最激进的方式是马斯克提出的Neuralink，即通过柔性电极对接在人脑的神经网络上，Neuralink要解决的是人类的信号输入与输出，但其问题在于人类的高级思维（如逻辑推理或描述场景）必须依赖语言，而目前基于人工神经网络的机器学习能力主要是对环境的识别能力，还远没有达到语言和逻辑推理，但人类智能通过语言进行沟通。这背后就隐含了人类的科学知识与人工智能系统的机器知识之间的不可通约，以上例子也表明基于人机协作的创造性劳动还有很大的技术障碍需要克服。
参考文献：
[1]崔政.科学技术知识的政治经济学研究[M].石家庄：河北人民出版社，2019.
[2]郁振华.当代英美认识论的困境及出路——基于默会知识维度[J].中国社会科学，2018（7）.
[3]GregoryWheeler.Machineepistemologyandbigdata[A].inMcIntyre，Lee，andAlexRosenberg，eds.TheRoutledgeCompaniontoPhilosophyofSocialScience[C].Taylor&Francis，2016.
[4]董春雨，薛永红.机器认识论何以可能？[J].自然辩证法研究，2019（8）.
人工智能论文3000字〔摘要〕人工智能飞速发展，正在改变人类生活，推动人类进步。人工智能学者从认知科学、心灵哲学以及控制论等不同视角对人工智能进行研究，但对于人工智能哲学根源的追溯与厘清较少。古希腊毕达哥拉斯主义的数论思想、亚里士多德演绎逻辑系统与分析哲学中的逻辑分析与语言分析方法以及简单性哲学原则为人工智能研究纲领、研究框架以及研究方法等奠定了基础，哲学核心问题决定了人工智能的研究进路。只有对人工智能的哲学思想源流进行追溯与探究，才能理解人工智能的理论基础，以更好地把握人工智能的发展规律并合理预测人工智能的发展趋势。
〔关键词〕人工智能，数论，简单性原则
〔中图分类号〕N1 〔文献标识码〕A〔文章编号〕1004-4175（2020）02-0005-06
人工智能发展如火如荼，学者除了对人工智能技术本质、人工智能社会影响、发展路径及伦理问题等进行研究之外，还关注人工智能中的哲学问题。对人工智能的研究不能仅仅局限于技术层面及科学基础层面的反思，也要涉及对人工智能的哲学思考。博登指出：“在科学家族中，没有一门学科比AI与哲学的关系更密切。” 〔1〕3人工智能与哲学紧密联系，特别是心灵哲学与语言哲学，认知科学与认知心理学等学科也为人工智能发展奠定了科学基础。迄今为止，对于人工智能哲学的研究还没有形成完整的理论体系，学者多从哲学视角对人工智能中的问题进行探讨，从哲学思想源流挖掘人工智能基础的著述不多。笔者尝试从人工智能的数论基础、逻辑学、分析哲学基础以及简单性原则等视角分析人工智能的哲学思想根源。
一、数论哲学为人工智能提供质料基础
人工智能先驱西蒙与纽维尔作为人工智能符号主义（symbolicism）学派的代表，他们的研究着眼于计算机程序的逻辑结构、符号操作系统以及编程语言，这与古希腊哲学家毕达哥拉斯学派的“数论”思想一脉相承。在毕达哥拉斯看来，数是万物的本原，万物皆数。“按照普罗克洛在《欧几里德〈几何原理〉注释》中，‘数学’这个词也是毕达哥拉斯学派首先使用的”〔2〕268。毕达哥拉斯将科学研究的基础建构在数学的基础之上。毕达哥拉斯哲学思想的核心即“数”是万物的本原。按照毕达哥拉斯的数论思想，与其说水、火、土等都是万物的本原，不如用一个简单词“数”来解释万物的存在。
“数是万物的本原”包含着万物之中存在着某种数量关系的含义，不管是天体结构、音阶音律以及建筑結构等万物都存在数量关系。毕达哥拉斯学派认为数是宇宙的元素，科学研究就是寻找纷繁复杂现象之后的数量关系。例如，物理学是研究事物运动方面的数量关系，几何学是研究事物点、线、面、体之间的数量关系等。他们将事物的本质归结为数的规律，认为事物的本质就是数。按照亚里士多德“四因说”来看，毕达哥拉斯的“数”既是构成事物的形式因，又是构成事物的质料因。质料因指的是构成事物的原始质料，就好比建造房屋用的砖木石瓦，形式因即构成事物的样式和原型，就好比造房屋的图纸或建筑师头脑里的房屋原型。这样的思想家（毕达哥拉斯主义学派）认为数既是事物的质料、同时又是形成事物的变化和它们的不变状态的形式”〔3〕21-22。因此，数对于事物来说，既是质料因又是形式因。
毕达哥拉斯的哲学思想还表现在数的和谐论。他认为万物包括宇宙在内都由数构成，并且万物可以还原为数;他还认为宇宙是和谐的，并把和谐的宇宙称为“科斯摩斯”。科斯摩斯原意就是“秩序”的意思，认为世界存在内在秩序与内在规律，人类可以通过数量之间的关系找到世界的既定秩序。
毕达哥拉斯的“万物皆数，数之和谐”思想既具有本体论含义，也具有方法论意味。他的哲学思想影响了古希腊科学的发展，亚里士多德的逻辑学体系、欧几里德的几何学体系、托勒密的天文学体系、盖伦的医学体系这四大古希腊的科学成就皆受毕达哥拉斯主义哲学思想的影响。不但如此，毕达哥拉斯的哲学思想还影响了西方整个自然科学的发展。达芬奇、哥白尼、开普勒、伽利略、牛顿等人都自称是“毕达哥拉斯主义者”。达芬奇认为天体是一架服从确定自然法则的机器，自然界有确定的规律;15-16世纪带有毕达哥拉斯主义成分的新柏拉图主义者把自然事物的行为解释成数学结构;哥白尼日心说体系的理论基础也是依据毕达哥拉斯主义哲学理论来构造行星运动简单、和谐的天体几何学模型;开普勒认为自己是毕达哥拉斯主义者，他的目标就是追求造物主心中数的和谐;伽利略也是毕达哥拉斯主义的追随者，他认为“自然之书是用数学语言书写的”，自然的真理存在于数学事实中。毕达哥拉斯的数论思想还影响了莱布尼兹。莱布尼茨有一个梦想，就是给出一套理想符号系统或语言和确定的语言变换或演算规则，把日常问题转变成理想语言，利用演算规则清楚地求解问题的答案。在此基础上，莱布尼兹提出“通用机”的天才设想。莱布尼茨尝试发明人工智能通用机，他设计出一种二进制计算法，用二进制数代替原来的十进制数，二进制数即“1”和“0”。莱布尼兹虽然制作出了简单机器，但其只能进行简单的算术计算，还不是莱布尼兹设想的能够进行复杂数据处理的通用机。尽管如此，莱布尼兹思想还是影响了整个计算机系统的发展。
图灵与冯·诺依曼的人工智能机器也受毕达哥拉斯主义数论的影响，他们运用数的和谐以及数量关系的计算尝试让“莱布尼兹之梦”在现实生活中得以实现。图灵通过基本的数学运算将数学运算符号化为运算符，并用一个无限长纸带来表述计算过程，制造出了图灵机，这就是莱布尼茨所说的“通用机”。图灵认为人脑类似通用机，图灵提出一台计算机在多大程度上可以模仿人的活动，进而提出“机器能否思维”这个哲学问题。图灵坚持通过特定算法程序，把可计算的数量关系都转化为由一台图灵机来计算。冯·诺依曼指导发明第一台基于运算器与存储器的计算机，他为图灵通用机设计出一个物理模型——EDVAC，EDVAC可以执行加、减、乘、除等数学操作。与图灵一样，冯·诺依曼把人脑与机器类比，机器通过存储器储存数据，通过数学规则设计出把思维当成数据的程序，通过简单、和谐的数字制造出能进行复杂数字处理的机器。 不管是图灵的通用机还是冯·诺依曼的EDVAC都是为了解决“莱布尼兹之梦”，其哲学思想均根源于毕达哥拉斯的“数论”哲学思想。除了图灵与莱布尼茨，纽维尔与西蒙等符号主义人工智能先驱也认为，不管是人类智能还是机器智能都是根据确定的或者规范的规则来进行符号操作的。不但如此，基于认知模拟的强人工智能也把心理状态作为计算状态，所谓认知就是计算，这是对基于数论的计算主义教条的信仰，人类智能类似于信息处理系统。联结主义人工智能不同于符号主义人工智能，它否认智能行为来自于在形式规则下对符号进行操作的观点，“符号主义人工智能中的信息处理包括明确的应用和形式规则，但是联结主义人工智能没有这样的规则”〔4〕1366-1367。与符号主义人工智能不同，联结主义人工智能的工作原理是寻找神经网络及其间的联结机制及学习算法。虽然联结主义与符号主义人工智能有区别，但联结主义人工智能与符号主义人工智能的共同假设都是把认知看作信息处理，且信息处理都具有可计算性。可见，毕达哥拉斯的“万物皆数，数之和谐”思想为符号主义人工智能与联结主义人工智能的发展奠定了基础。
二、演绎逻辑与分析哲学成为搭建人与机器联系的桥梁
除了毕达哥拉斯的数论思想，古希腊亚里士多德的演绎逻辑系统也是人工智能的哲学思想源泉。人工智能符號主义学派也称为逻辑主义学派，可见逻辑思想在人工智能发展中的重要地位与作用。即使是深受胡塞尔后期的现象学、海德格尔的存在现象学和梅洛-庞蒂的知觉现象学影响的人工智能专家德雷福斯，也肯定演绎逻辑以及形式系统在人工智能发展中的作用。在德雷福斯看来，符号主义人工智能的基础是逻辑学，是哲学中的理性主义。人工智能的主要设想是可以运用计算机的逻辑运算来模拟人类思考的过程。图灵尝试依靠逻辑发明通用机，“我希望数字计算机能够最终激起人们对符号逻辑的极大兴趣……人与这些机器进行交流的语言……构成一种符号逻辑”〔5〕288。马丁·戴维斯直接把符号主义学派的源头追溯到亚里士多德，“把逻辑推理简化为形式的努力可以追溯到亚里士多德”〔6〕200。亚里士多德是逻辑学的创始人，他认为逻辑学是获得真正知识的重要工具，逻辑学是哲学的基础。亚里士多德注重演绎推理，特别重视三段论推理，他认为三段论推理是一切思维运动的基本形式。三段论是一种典型的演绎推理模式，它由普遍性公理和推理规则经过严密的逻辑论证得出必然性结论。图灵的通用机以及符号主义人工智能的根本基础，都可以归结为逻辑或者演绎推理。
集逻辑分析方法与语言分析方法于一体的分析哲学也是人工智能的思想源泉，分析哲学把逻辑学看作一切学科的基础，数学的基础也是逻辑学，数学也要用逻辑符号来表示。分析哲学产生于20世纪初，代表人物是石里克与卡尔纳普等人，其理论来源于英国的经验论者休谟、法国的实证主义者孔德、英国的逻辑主义者密尔和哲学家与心理学家马赫等人的观点。弗雷格的《算术基础》、罗素与怀特海合著的《数学原理》、石里克的《普通认识论》以及维特根斯坦的《逻辑哲学论》是分析哲学的代表著作。分析哲学的基本观点是：哲学的任务是对知识进行分析，强调通过对语言的逻辑分析来消除形而上学问题，认为一切综合命题都以经验为基础等。分析哲学家认为一切科学研究必须从经验出发，哲学的主要任务是运用现代数理逻辑和语言分析把复杂的概念分析为简单的概念，分析哲学家想通过对语言的逻辑分析澄清语句、语词的意义，通过语义上升，抛弃含混、模糊、有歧义的自然语言，把自然语言的语句转换成逻辑命题，通过分析逻辑命题的意义清除伪哲学问题，达到拒斥形而上学的目的。分析哲学注重逻辑分析与语言分析，强调语言分析的重要性，分析哲学把科学的任务界定为发现真理，而逻辑的任务在于识别真理的规律。罗素立足于把哲学建成严密的科学，哲学像科学一样可以获得真理性的知识。在罗素看来，哲学和科学只有程度之分，没有本质区别。哲学问题都是逻辑问题，逻辑问题就是科学问题。对科学问题进行分析还原之后，如果这个问题是逻辑问题，则它是哲学问题，否则就不是哲学问题。因此，逻辑是哲学的基础。通过逻辑分析进行还原涉及语言，那么，所有哲学问题命题都是语言表达式，语言结构是逻辑结构，是科学命题的真正的逻辑形式。
罗素的逻辑原子论从本体论角度坚持奥卡姆剃刀的最小化原则，从语言角度上坚持思维经济原则，语言表述坚持最小词汇量原则。“如无必要，勿增实体”。罗素从逻辑学角度坚持逻辑前提或者公理最小化原则，“宁可构造，勿要推论”。根据公理与推理规则建构的逻辑学公理系统影响了图灵、冯·诺依曼及其以后的人工智能专家。冯·诺依曼致力于为新机器设计逻辑方案，戈德斯坦把冯·诺依曼看成将逻辑应用于计算机的第一人，“据我所知，冯·诺依曼是一个清楚地懂得计算机本质上执行的是逻辑功能的人”〔7〕69。冯·诺依曼在EDVAC的报告中也提到，不但从数学的观点，而且从工程史和逻辑学家的观点来探讨大规模计算的机器。在人工智能哲学先驱德雷福斯看来，自从古希腊人发明了逻辑与几何，就把一切推理归结为计算。人工智能中符号主义的基础是逻辑学，是哲学中的理性主义、还原论传统。他们把计算机看成操作思想符号的系统，试图用计算机来表达对世界的形式表述。心灵与计算机都是物理符号系统。在德雷福斯看来，“伽利略发现人们可以忽略的品质和技术上的考虑，从而能找到一种用来描写物质运动的纯形式化系统，同样我们可以设想，一位研究人类行为的伽利略可能会把所有语义上的考虑（对意义的依赖），变成为句法（形式化）操作技巧”〔8〕76。人工智能的代表人物数理逻辑学家皮茨与生理学家麦卡洛克撰写了《神经活动中内在观念的逻辑运算》，他们的思想受到罗素与怀特海《数学原理》的启发，坚持把一切数学还原为逻辑，甚至神经网络也可以用逻辑来表达。德雷福斯认为人工智能的发展建立在四种假设之上，即生物学假设、心理学假设、本体论假设以及认识论假设。其中认识论假设指的是一切知识都可被形式化，可以被编码成数字形式;本体论假设指的是存在一组在逻辑上相互独立的事实，知识可以被编入计算机程序。纽维尔认为：“人工智能科学家把计算机看成操作符号的机器，他们认为，重要的是每一样东西都可以经编码成为符号，数字也不例外。”〔9〕196 在符号主义者看来，符号是人类认识外部世界的基本单元。人工智能的逻辑学派将人的认识对象通过数学逻辑的方式抽象为符号，利用计算机的程序符号来模拟人认知世界的过程。符号主义学派主要依靠计算机的逻辑符号来模拟人的认知过程。人工智能的重量级人物纽维尔与西蒙构造了第一个真正意义的人工智能程序，称之为“逻辑专家”，可见人工智能专家受逻辑学思想影响之深，“任何表现出一般智能的系统，都可以证明是一个物理符号系统” 〔10 〕41。西蒙与纽维尔认为，作为一般的智能行为，物理符号系统具有的计算手段既是必要的也是充分的。纽维尔与西蒙把其理论来源追溯到分析哲学家弗雷格、罗素与怀特海，“该假设的起源要追溯到弗雷格、怀特海与罗素就形式化逻辑提出的方案：以逻辑方式获取基本的概念式数学观念，把证明和演绎观念置于可靠的根基上”〔11〕。德雷福斯认为，真正的专家解决问题是诉诸直觉与整体性，在此基础上对人工智能的认识论假设与本体论假设进行批判，但他同意专家系统必须使用某种类型的概论度量的逻辑标准，“认知模拟的先驱者们——已经继承了霍布斯推理就是计算的主张，笛卡尔的心理表述、莱布尼兹的‘普遍文字’的思想——所有知识都可以在一组初始概念中得到表示”〔11〕。正如德雷福斯所言，“人工智能就是试图找到主体（人或计算机）中的哲学本原元素和逻辑关系”〔12〕
三、简单性哲学原则为人工智能提供方法论基础
简单性原则作为一种方法论原则，指的是科学理论前提的简单性、科学定律的简单性、思维经济性以及逻辑简单性原则。简单性原则在科学中占有重要地位。欧几里得几何学只有五个公设和几个推理规则就建构其整个立体几何学体系。这就是简单性应用的典范。简单性哲学原则认为，某一给定实体是由更为简单或更为基础的实体所构成的集合或组合。爱因斯坦指出：“从古希腊哲学到现代物理学的整个科学史中，不断有人力图把表面极为复杂的自然现象归结为几个简单的基本观念和关系。”〔13〕39
古希腊先哲用简单的物质元素探索世界的本原。例如，泰勒斯把世界的本原归结为水，赫拉克利特把世界的本原归结为火，德谟克利特把世界的本原归结为原子，认为世界由不可分的原子构成。他认为，万事万物都可以还原为不可分最小微粒——原子，世界是由原子构成的。复杂的事物由简单的事物构成，万事万物都由不可分的基本粒子构成。世界由最基本的粒子构成，复杂对象由基本粒子构成，基本粒子决定了宇宙的性质。
简单性哲学原则不但用简单元素追溯世界的本原，还致力于用力学解释自然现象。不管是物理规律、化学规律、生物规律，甚至是社会规律都可以用力学解释。哥白尼的日心说体系之所以取得科学界的支持也不是因为其解释力强，而是因为其遵循了简单性原则，从而取代了托勒密繁琐的本轮-均轮模型。牛顿的力学三定律就立足于简单性原则，用力来解释所有运动。按照简单性哲学原则，人与动物都是由简单的粒子构成，人与动物没有根本区别，人与机器也没有本质区别，甚至可以说“人就是机器”。1747年，拉·梅特里发表了《人是机器》这一哲学巨著，提出“人是动物，因而也是机器，不过是更复杂的机器罢了”〔14〕69。笛卡尔把人体看作是与机械相类似，用机械的旋涡来解释天体运动问题，他认为宇宙是一架机器，机械运动是唯一的运动规律。牛顿、开普勒、伽利略等都力图建立严密的力学体系来正确描述宏观物理运动，甚至是天体运动。爱因斯坦试图用公理化方法把自然界描绘成物质在时空中运动的统一体，德国物理学家海森堡也认为简单性原则可以作为科学假说可接受性的标准。
不仅自然界的规律可以用力学表示，而且社会关系也可以用力学表示。孔德提出社会动力学和社会静力学概念，社会动力学又称为社会物理学，立足于运用力学规律分析社会关系。1950年，斯宾塞出版《社会静力学》，把事物的基本规律看作“力的恒久性规律”（thelawofpersistenceofforce）。“人是机器”的观点启发人工智能先驱开始了构造具有人类智能机器的探索。
简单性哲学原则在人工智能发展中发挥了重要作用，影响了人工智能的出现与发展。人工智能是使用数字计算机模拟智能行为的活动。在纽维尔与西蒙看来，人工智能系统中把数据看作“1”与“0”的数字串，其他复杂的数量关系可以由“1”和“0”两个数字来构建，这是计算向物理过程的还原。人工智能需要把任何种类的智能活动变成一套指令。在人工智能的计算主义看来，一切推理都可以归结为计算，人工智能机器可以复制人类智能行为。人类的认知与计算机器是一样的。一切人类实践与技能在头脑中都表现为一个信念系统，由与上下文环境无关的初始行为与事实所构成。人与计算机都是物理系统或者可以简单归结为物理系统，这种思想深受简单性原则影响。不但如此，人工智能中的问题求解也是由难问题还原为简单问题来讨论。明斯基（MarvinLeeMinsky）认为：“解决困难问题的能力，随着把难题分成或者转换成难度较低问题的能力而改变，为了做到这点，需要对局势的理解，但不是全靠运气。人们必须能够对问题的表达作充分的推理或猜测，才能为问题的局势建立更简单的模型。这些模型具有的结构，应足以使人觉得可以把从模型得到的解，扩展到原有的问题上。”〔15〕421在人工智能先驱纽维尔与西蒙看来，人工智能与人脑都是同样的信息处理工具，具有功能相似性，“可以看出这种方法并未假设计算机和大脑在‘硬件’上的相似会超出这样一個范围，即认为两者都是通用的符号处理装置，而且能为计算机编程程序来进行一些基本的信息处理，使它们的功能与大脑十分相似”〔16〕。既然人脑可以还原为物理属性，那么，人工智能同样可以还原成简单的形式化规律。智能行为原则上可以理解为确定的独立元素的本体论假设。不但如此，人工智能的四个假设都建立在简单性原则之上，“心理学假设、认识论假设与本体论假设的共同之处是：它们都认为，人一定是一种按照规则对原子事实形式的数据作计算的装置”〔17〕9。智能行为可以还原为计算。哲学传统一直认为，凡是有序的东西都可以形式化为规则。明斯基认为所有的规律都受规则支配。“每当（在我们的行动中）观察到一种定律时，便转交给确定性规则来表达”〔18〕431。按照明斯基、纽维尔与西蒙等人工智能专家的观点，人与机器都是对原子事实形式化数据的装置，都可以还原为数量关系与物理学关系。 四、哲学核心问题决定了人工智能的研究进路
主体与客体的关系在哲学史上占居重要地位，是哲学研究中的核心問题，也是哲学史上诸多学派的思想源头。古希腊米利都学派的泰勒斯探索万物本源的时候就开始关注主体如何认识客体，关注主体与客体的关系，普罗泰戈拉提出的命题“人是万物的尺度”包括了主客二分思维的萌芽，笛卡尔的精神和物质相互独立的二元论思想暗含着主体和客体截然二分的思想。人们一般认为，只有人类才能成为主体，人之外的世界是客体。那主客二分的标准是什么呢？人之所以为主体的标准又是什么呢？有的学者认为只有主体才具有意向性，客体不具有意向性，客体只是主体认识的对象。主体一般具有独立意识或者个体经验。哲学意义的认识论指的是个体对知识和知识获得所持有的信念，主要包括知识结构、知识本质、知识来源和知识判断的信念等内容，主体与客体的关系问题是哲学的核心问题。认识论中的可知论与不可知论是研究主体之外的客体是否可知，唯心主义与唯物主义的区分以及各种不同的哲学流派的分野都基于主体与客体截然二分的哲学基础，哲学史上，各大流派都曾经把主客关系作为研究的切入点。
人工智能是赋予机器智能，让机器可以模拟或者代替人类的某种智能。人工智能基于不同的哲学理念有不同的研究进路，人工智能发展史上不同思想的对立也是基于对于主体与客体关系的哲学思考。一般来讲，人工智能可分为三种进路，即符号主义进路、联结主义进路以及行为主义进路。人工智能符号主义进路把人类的认知过程看成符号计算过程，人类认知是物理符号系统，人工智能先驱德雷福斯（H.Dreyfus）认为，人工智能研究者其实与炼金术师一样，也是对一些符号进行不同的处理。因此，在人工智能的符号主义看来，人与机器没有本质区别，人类的心智同样可以还原成符号计算。德雷福斯在《计算机不能做什么：人工智能的极限》中提出，人工智能机器是基于生物学假设、心理学假设、认识论假设以及本体论假设基础之上的。“生物学假设：在某一运算水平上，大脑与计算机一样，以离散的运算方式加工信息;心理学假设：大脑被看作一种按照形式规则加工信息单位的装置;认识论假设：一切知识都可被形式化，可以被编码成数字形式;本体论假设：存在是一组在逻辑上相互独立的事实，知识可以被编入计算机程序”〔17〕156。从德雷福斯关于人工智能的四个假设中我们可以看出，人工智能与人类一样都是对信息加工和处理的工具，从这个意义上讲，主体与客体之间没有本质的区别。主体与客体不能截然二分，之所以对主体和客体进行区分，表明人类对于自身的认知规律和智能结构没有真正揭示。
人工智能的联结主义进路，又称为仿生学派或生理学派，认为人工智能源于仿生学，特别是对人脑模型的研究，其主要原理为神经网络及神经网络间的连接机制与学习算法。联结主义起初是用软件模拟神经网络，后来发展到用硬件模拟神经网络。其理论假设是人与机器如果具有同样的结构应该具有同样的功能，可以通过研究人脑的物理结构从而制造出类似人脑的机器。在联结主义看来，人与机器结构相同，人脑与计算机程序运行模式相同，则功能相同。纽维尔（AllenNewell）认为，智能的计算机程序可以被用来模拟人类的思维过程。联结主义失败的原因是人脑的结构并不像人工智能研究者们在电脑上模拟一样，人类的大脑是将物理事实与知觉过程所连接的客观事实，而不只是对信息进行加工的一台机器。人与机器不同，机器不具有人类的精神状态和意识。人类的精神状态和意识是否由人脑结构决定呢？人类精神状态和意识是先验存在还是后天习得仍然是认知科学研究的难题。因此，通过神经网络让机器模拟人类智能行不通。通过对人工智能的符号主义和联结主义的分析我们发现，主体与客体区别的必要性得以彰显，人的主体性地位不能动摇。
人工智能的行为主义进路，又称为人工智能的进化主义或控制论学派，其原理为维纳和麦克洛克等学者的控制论思想及感知-动作型控制系统。研究重点是模拟人在控制过程中的智能行为和作用，如对自适应、自组织和自学习等的研究。人工智能行为主义学派的代表布鲁克斯（RodneyBrooks）研制的“六足机器人”实质上是一个基于感知-动作模式模拟昆虫行为的控制系统，能够适应外界的环境，但这样的机器人也不具有人类的感知与认知能力，主体与客体之间还是可以严格区分。人工智能的目标从技术层面来讲是制造出对人类有益的智能机器，从哲学层面来讲，就是利用人工智能概念和模型，通过机器模拟人类智能来推动哲学核心思想主客二分问题的研究，借此解决哲学上的身心问题、意识难题等问题。哲学的核心问题与人工智能的研究是相互促进的。
综上所述，人工智能技术的发展有其哲学根源，根源于数是万物本源思想、万物皆数思想以及数的简单、和谐思想，还根源于亚里士多德的逻辑思想以及分析哲学的逻辑分析研究方法。在众多哲学思想中，简单性原则是人工智能的哲学思想源泉。人工智能就是计算机用逻辑方法把思维还原为简单数字来模拟人脑的过程。人工智能发展是思维的革命，人工智能涉及信息与计算的本体地位和方法论问题，人工智能的发展迫使哲学家们对思维的存在形式进行深入研究，从而把形而上的论证变成可操作的过程。人工智能的目标是通过计算机实现机器模仿人类智能，人工智能的发展直接指向哲学的中心问题。例如，意向性问题、形式化问题、身心问题等。对于人工智能的哲学基础溯源有利于推动哲学的进步与发展，也可以拓展对于传统哲学问题的研究。只有对人工智能的哲学思想基础进行追溯与探源，才能为人工智能工作者提供思想源泉，从而更好地理解与把握人工智能的理论基础、发现人工智能的发展规律以及预测人工智能的发展趋势、把握人工智能的发展方向。
参考文献：
〔1〕玛格丽特·博登.人工智能哲学〔M〕.刘西瑞，王汉琦，译.上海：上海译文出版社，2001.
〔2〕汪子嵩，等.希腊哲学史〔M〕.北京：人民出版社，2004.
〔3〕亚里士多德.形而上学〔M〕.李真，译.上海：上海人民出版社，1995. 〔4〕安东尼·梅耶斯.爱思唯尔科学哲学手册〔M〕.张培富，等译.北京：北京師范大学出版社，2015.
〔5〕KrausePJ.CollectedworksofA.M.Turing〔M〕.NorthHolland，Amsterdam：MacmillanmagazinesLtd，1992.
〔6〕Davis，Martin.Enginesoflogic：mathematiciansandtheoriginofthecomputer〔M〕.NewYork：W.W.Norton&Co.Inc，2001.
人工智能论文3000字【摘要】STEM教育已经成为世界发达国家基础教育研究的热点，通过加强科学、技术、工程、数学等学科之间的联系，打通学科壁垒，采取更加灵活的学习方式，让学习者在真实情景下开展深度学习，有利于创新人才和高水平技术人才的培养。
【关键词】STEM教育;人工智能;机器人;编程创新
随着现代信息技术的迅猛发展，人工智能这个“技术英豪”已在全世界如火如荼地“跑马圈地”，迅速跻身技术创新的第一梯队。未来十年，我们将进入不可想象的智能化社会。智能机器人是信息技术发展的前沿领域，智能机器人教育具有实践性强、探索性强和综合性强的特点，有利于学生迅速接触前沿研究，打开思路，拓宽视野，开展智能机器人教学研究活动，让小学生从小触摸人工智能，感受它的非凡魅力，是小学阶段实现STEM教育理念、提高学生动手能力、培养学生创新精神的最好途径。
一、开展人工智能教育的背景
国务院在2017年印发的《新一代人工智能发展规划》宣布：举全国之力，在2030年一定要抢占人工智能全球制高点！人工智能正式上升为国家战略。2018年7月，中国第二届STEM大会在深圳福田召开，大会邀请了国内外著名的专家学者开设主题讲座，介绍最新的STEM教学理论和实践成果，掀起了福田STEM教育的热潮。在新一轮的教育规划中，福田区加快教育综合改革，以“智能教育”作为未来的发展方向，建立与中心区匹配的智能教育服务体系。STEM是用科学、数学知识和先进技术，以工程思维解决现实世界的问题。其教育的核心是：发现问题—设计解决方法—利用科学、技术、数学知识实施解决方法—将解决方法传达给大家。基于学校学科融合的办学理念，我校积极探索STEM教育的模式，开设机器人STEM课程，开展教师的课题研究和学生的探究性小课题研究、积极组织学生参与区、市级机器人创客比赛活动，积极投身人工智能的教学研究行列，培养学生的STEM素养。
二、以课程建设为核心，提升学生的STEM素养
机器人STEM课程是一门激发学生学习人工智能知识兴趣、培养学生综合能力、挖掘学生潜能为统领，以设计、组装、编程、运行机器人为主要学习内容，以培养学生观察能力、分析能力、想象力、逻辑思维能力、动手能力和提升学生的信息技术核心素养为主要目标的课程。机器人配备了各种功能的零件：如砖、轴、轮子等机械部分，大型电机、中型电机等动力部分，光电、触碰、红外等传感器，还有机器人的核心部件——控制器。学生通过动手创作，发挥自己的想象力和创造力，将零件组装整合，搭建各种具有实用功能的机器人。在搭建各种主题作品的过程中，锻炼了学生的动手能力，培养了学生的逻辑思维和解决问题的能力。他们在做中学、在玩中学、在学中玩，享受人工智能带来的无穷乐趣。
如果没有给机器人赋予运行的程序，机器人就是一堆塑料。因此，编程是机器人STEM课程的核心。在编写程序的过程中，学生需要把一个复杂的大问题，分解成一个个可以解决的小问题，循序渐进，逐步解决整个问题。在编写程序的过程中，学生首先要要清楚机器人的搭建结构和运行原理，其次还要清楚各种传感器的功能，通过编写程序来控制各种传感器，使机器人感知外界的环境信息，并对感知到的信息做出决策和响应，以使机器人能够顺利完成指定的任务。
以笔者执教的《走进人工智能》一课为例，该课伊始，笔者激趣导入，播放了特奥机器人飞速弹奏《野蜂飞舞》的精彩视频，勾起了学生学习人工智能知识的好奇心，产生探究科学的勇气，让学生对机器人技术有强烈求知的欲望。接着，采用任务驱动法教学，让学生通过微课程学习EV3编程技术，循序渐进地完成两个任务：1.让乐高机器人沿直线匀速运动;2.让乐高机器人沿直线匀速运动并且到达指定地点;最后的终极挑战环节，笔者让学生用乐高的配件搭建机械臂，编写程序，让乐高机器人模拟宇航员调整太阳能电池板，学生在設计、编程、调试中学得开心，玩得快乐，创意飞扬。
三、以课题研究为引领，推动师生专业化成长
课题研究是学校发展的源动力，是促进师生专业成长的重要途径。机器人教育作为一门具有高度综合渗透性、前瞻未来性、创新实践性的学科，如何为学生学习的“思维体操”提供了一个崭新的“表演舞台”，使教学取得“效率高、印象深、氛围雅、感受新”的明显效应，一直是我们在进行机器人教学研究中最为关注的问题。为此，我校信息技术教师申请了福田区教育科学“十三五”规划课题《基于STEM教育理念下的机器人搭建与编程教学研究》，学生申请了2018年深圳市中小学生探究性小课题《乐高机器人的搭建与编程》，师生在研究中努力学习，敢于实践，勇于创新，取得了很大的进步。
以学生的探究性小课题为例，学生采用PBL项目式学习方式开展小课题研究，学生的学习方式由过去的像容器一样被“满堂灌”转变为学生间“合作、交流、探究”式学习，掌握了隐含在问题背后的科学知识，形成解决问题的技能和自主学习的能力。在研究的过程中，学生保持开放的心态，敢于尝试新鲜事物，从失败和成功中汲取经验教训，养成追求真理、锲而不舍的科学态度，在课题研究中不断优化算法和改进搭建模型，设计实用的机械臂，进一步提升机器人的稳定性和完成任务的数量和质量。团队成员在研究中不断碰撞出智慧的火花，通过小组合作解决一个个课题研究过程中遇到的困难，掌握了科研活动的过程与方法，在探究中催生宝贵的创新意识。
四、以参加机器人赛事为驱动，搭建学生个性成长的平台
雄鹰只有经过千百次的历练，才能够在蔚蓝的天空中展翅翱翔。机器人比赛让学生接轨前沿科技，开阔眼界，培养学生综合素养，让其在同龄人中迅速脱颖而出。通过参加机器人比赛活动，为学生搭建个性成长的平台，创设真实的解决问题的情景，让学生严格按照规则进行实战对抗比赛，不断修改机器人的设计，并对机器人重新进行编程，以期在合乎规则的情况下，取得尽可能好的成绩，品尝成功的快乐。
通过参与各级各类机器人比赛，挖掘了学生的潜能，张扬了学生的个性，丰富了学生的学习生活，培养了学生的核心素养，促进学生人格的健全发展。队员贾壹方谈到参加机器人创意赛时，感触良多：参加了机器人创意赛后，我受益无穷。我学到了许多关于编程、搭建的知识，更重要的是：我认识到了团体合作的重要性，一开始我们总是各执己见，可是，在陈秀老师的带领下，我们认真地听取他人意见，齐心协力地克服了一个又一个困难，感谢福民小学为我们提供了这样一个学习和进步的机会。
未来，我们将继续带领学生行走在人工智能校本课程的探索和实践道路上，完善课程内容，认真参与课题实验，带领学生参与各种展示活动，为学生探索科技搭建更完美的平台，培养人工智能时代的信息技术精英。
参考文献：
[1]中国STEM教育白皮书.中国教育科学研究院，2017，6，20.
[2]戴玉梅，王健潼，彭青青等.基于核心素养的小学机器人创客课程实践研究[J].中国教育信息化，2018，1.
【人工智能论文3000字】
上一篇：电 池
下一篇：看完《拇指姑娘》的感受
发表评论