人工智能技術“獲取”智能的認識論敘事

摘要：人工智能不僅以物的力量實現了觀念的生成，并證明了認識的真理性，而且以其技術邏輯推進了“理解大腦行為”“揭示心靈奧秘”“優化認識論”的進展。人工智能通過遞歸的調用邏輯使整體的感知凝聚成為驅動的力量，通過群體試錯的選擇將共同學習的成果整合成優化的原則，通過抽象解釋的通用將社會進化的成就內化為改變的路徑。其所呈現的認識論敘事，既展示了人工智能“聰明”的由來，又拷問了整體感知、共同學習和社會進化的認識論功能。揭示人工智能獲取智能技術邏輯的認識論敘事，就是以“人工智能就是哲學”的理論視域來把握人工智能的本質，掌控人類認識的發展和探討人機融合的可能。關注人工智能獲取智能技術邏輯的認識論敘事，就是關注人工智能和認識論本身。

關鍵詞：人工智能；認識論；技術邏輯；遞歸調用

基金項目：國家社會科學基金一般項目“馬克思主義哲學視域中的人工智能奇點論研究”（項目編號：21BZX002）

中圖分類號：B842；B023.2 文獻標識碼：A 文章編號：1003-854X（2024）04-0070-07

人工智能技術“是未來的主導技術”（1），它使“許多不具備思維的微小部件可以組成思維”（2），借助“一種由無數默默無聞的‘零件通過永不停歇的工作而形成的緩慢而寬廣的創造力”（3），改變了只有生物進化、社會生成的主體才具有認識能力的面相。而且，人工智能在從“以機器為中心”向“群體在計算回路”的演化中有機地整合和深度互聯了人類群體、大數據、物聯網，使人工智能呈現出應用范圍的擴展、學習能力的獲得、通用智能的可能，并且正在挑戰著“能夠進行思維”這一人類引以為傲的特權。（4）因此，面對人工智能這一“以我們自身的形象創造的、具有智能的人工造物”（5），挖掘其獲取智能技術邏輯的認識論敘事，并以此來推動對人類智能的認知、提升人類的認識能力，應該是彰顯人工智能技術之社會歷史性的重要工作之一。因為，回答人工智能“做”與“是”一體化成就智能的技術邏輯到底表征認識何種特質，人工智能獲取智能的技術邏輯切入了人類認識的何種結構，人工智能獲取智能中簡單與復雜的相互構成、群體與個體的全面互動、邏輯與經驗的深度融合的技術成就能否推進對人類認知能力的認知與提升等重要問題，既是真正理解人工智能獲取智能的技術邏輯的重要工作，又是以此來追問認識本質、知識結構和智能獲得的基礎性工作。

一、遞歸調用的疊加邏輯與整體感知的積累

人工智能作為人造智能而非生物智能，是以算法遞歸調用前置性植入的基本認知原則、操作邏輯和修正機制等而形成的遠超個體智能或專家能力的智能體系。雖然我們很難簡單地斷言人工智能這種方式能否以及何時達到通用智能，但是其通過遞歸調用疊加而呈現出來的智能成效卻讓我們驚嘆不已。這不僅是因為今天諸如生成式人工智能、人工群體智能、生命器官智能等人工智能已經可以通過圖靈測試而具有與人類智能的同構性（6），而且是因為在人工智能生成的技術邏輯中完成了個體感知的積累與升華。顯然，人工智能的遞歸調用雖然是技術性的操作邏輯，但是卻遵循著遞歸的本質，它使人工智能系統“以回歸自身并決定自身的循環運動為特征，每一個都有偶然性，偶然性又決定了它的個別性”。（7）雖然我們很難確定地肯定深度學習和大數據能夠在遞歸調用中實現人工智能算法的自進化從而提升系統的智能水平，但是其卻以次智能的方式確定了整體感知的量和方式之于認識內容的豐富和認識能力提升的重要意義。

第一，作為算法的遞歸調用，以“‘做而非‘是”（8）的方式程序化地實現了智能的獲取。我們知道，由哥德爾定義的遞歸函數為機械的邏輯推理提供了重要的方向，但是遞歸調用簡單生成復雜才是真正值得贊嘆之處。因為，如果我們反向地從結果生成過程來看遞歸，就會發現遞歸實質上是基于簡單而建構了獲取信息的復雜機制。一方面，遞歸調用的疊加邏輯綜合了邏輯、機械或模擬等簡單機制的方式，使其能夠在類有機體整合中有效地執行既定的任務或者獲取有效的信息。由此，人工智能實現了人類已有明確記述的認知成果的系統內化，并以成效有效性的方式呈現了智能的能力。特別是今天人工智能的深度學習、生成式范式等更使遞歸調用“做”的技術邏輯所具有的意義體現得淋漓盡致?；蛘哒f，遞歸調用的程序可行性使人工智能系統獲得了選擇、組合和明述知識的便利性，使明述知識的能力快速、便捷、可控和有效，呈現出超越人類習得與轉移明述知識的高超能力。因此，人工智能系統通過遞歸首先獲得了由人類社會歷史性所積累起來的智慧。由于其非人類生物制定性的特質，其高超的智能是以量的總體來呈現的。另一方面，遞歸作為有確定輸出的迭代過程，以技術成效表達了類反思的智能能力。遞歸調用作為人工智能系統“實現反饋機制的基本數學基礎”（9）的代表，意味著人工智能在技術的基本邏輯上就充分在意獲取智能的核心機制。我們知道，人工智能的算法不僅需要獲取數據中內涵的信息、知識和規律，而且還需要通過對獲取過程的改進和優化而達致對算法的提升。因此，遞歸調用一方面要完成無規律數據的規律化問題，表現為以明述知識為基礎，通過不斷調用簡單規律以“大數據”來完成“小任務”，另一方面則是在對調用過程的記錄及其評價中不斷優化調用的原則，使其以類人行為方式與數據進行交互。雖然遞歸調用是明述知識的產物，但是作為人類基于對自身行為的理解而形成的技術邏輯，卻表征著人類智能獲取智能的行為方式。而“行為就是一個實體相對它們的環境做出的任何變化”。（10）所以，當遞歸調用驅動電子的物理運用來實現思維的高級自動運動的時候，就呈現出了類人的獲取智慧的能力。遞歸調用用“做”而非“是”，實現了對信息的有效選擇、對明述知識的邏輯編碼與操作化轉化、對傳輸機制的建構、對解碼邏輯和程序的創制等的遞歸迭代（11），從而形成了人工智能系統的反饋機制。

第二，遞歸調用獨特的反饋修正機制，使人工智能系統從自動實現明述知識進展到了高階自動化的內化知識，在實現人工智能獲取智能功能的同時，更是以技術邏輯的方式強調了整體感知積累的認識論意義。從發生現象學上講，人工智能遞歸調用本質上是與人類實踐活動的邏輯和智能提升的歷史相一致的。而人類智能的發展史如同人類創造歷史一樣，都“不是隨心所欲地創造，并不是在他們自己選定的條件下創造，而是在直接碰到的、既定的、從過去承繼下來的條件下創造”。（12）顯然，人工智能系統以遞歸為代表的技術邏輯并不是無限回退的循環還原，而是“不斷調用自己直至達到停機狀態的函數”。（13）其一，遞歸調用的可結束性與輸出，既是對不必理解技術“黑箱”的后果主義的承諾，又是對既有認知成效的哲學肯定。從技術機理上講，圖靈機的可停機性是人工智能系統運行有效性的保障；從哲學上看，遞歸的可結束性其實就是對積累成果的實在性的認可。因為，利維的函數替代黑箱的觀點、邱奇的不動點理論和正規形理論、埃爾布朗—哥德爾—克萊尼的一般遞歸函數、邱奇的λ可定義函數、索阿雷的遞歸性可替代等（14），都從技術路徑上保障了遞歸的操作可行性。而且圖靈天才的預見，“可以把形態發生理解為模式生成的遞歸過程”（15），這也被當前人工智能的技術發展所證明。如此看來，遞歸調用以技術邏輯所推動的人工智能的成功充分說明一個問題：人類認識“實踐—認識—再實踐—再認識”的認知邏輯，既是由窮根究底的底層面創造，又有基于既定成果的遞歸升級。其二，遞歸調用強調反饋修正機制對于智能提升的認識論意義，從邏輯機制上強調了整體感知積累之于認知內容豐富和認知能力提升的奠基性意義。人工智能獲取智能是以人類智慧的積聚為前提的。人工智能遞歸調用的是表達人類與世界打交道所產生的數據，無論數據是描述對象，還是刻畫行為，抑或是記錄成果，都是由人類實踐感性積聚起來的。遞歸調用所產生的反饋本質上是人類整體感知積累的客觀成果與人工智能系統程序和算法的互動。因此，人工智能系統不僅獲得了修正具體內容的感性材料，而且還實現了經驗和算法的內在結合。通過遞歸內化整體感知的積累，與其說是人工智能系統獲得了對真理的敏感性，不如說是整體感知積聚的經驗被知識性地激活。這就能夠解釋為什么今天的人工智能訓練中特別依賴描述人類活動的大數據。人工智能通過遞歸表現了超強的能力——能夠將整體感知的積累轉化成塑造我們周遭世界和我們內在觀念的東西。顯然，這樣的實踐認知成果不同于傳統數學、物理、化學、生物等學科的知識，而是由人工智能系統解決問題所體現出來的能力。如此看來，高階自動化的人工智能獲取智能的方式，一方面是將明述知識轉化成運行知識，另一方面則是將感知整理和內化成系統的運行邏輯（即算法）。因此，人工智能以遞歸調用獲取智能的深度與廣度與人類實踐具有一致性。

第三，遞歸調用雖然有其直接的目的性，但是因為在調用中納入了整體感知的積累，所以這一邏輯使得人工智能在獲取智能的時候具有開放性與反思性。前述分析已充分表明遞歸是具有類反思性的反饋，因此，人工智能的遞歸不同于數學的遞歸函數，盡管其是由遞歸函數演化而來。因為當人工智能系統不斷運用遞歸調用的時候，實質上是實現了經驗的再輸入，福斯特將之稱為“本征形式（Eigenform）”。（16）遞歸調用的數學性質不是惡性循環的無終止的“抽象的具體”還原，而是能夠生成認知成果的創造性循環?！鞍颜J識論看作獲取知識的方式，我們可以看到，它必然是遞歸的?！保?7）因此，遞歸的實質是一種內在溝通，而且是能夠獲取知識的溝通。依此邏輯，遞歸不僅可以實現感知內容的交叉，而且還可以實現感知方式的互動。因為遞歸不僅“是一種能有效‘馴化偶然的機制”，而且“也是一種使新事物得以產生的機制，新事物不僅來自外部的，也是內部的轉變”。（18）也就是說，遞歸調用其實是感知的深度加工，而且是一個可以產生超越既有感知內容的加工。這無論是對于人，還是對于人工智能系統均是如此。對作為社會主體的人而言，遞歸調用表現為“接受所有這些不同的感性印象，對它們進行加工，從而把它們綜合為一個整體的始終是同一個我，而提供這各種不同印象的同樣也是同一個物，這些印象表現為這個物的共同的屬性，從而有助于我們認識它”。（19）對人工智能而言，則是通過包含遞歸性的深度學習的特征向量、神經網絡遞歸訓練調整誤差、引入隨機算法的遞歸等方式使遞歸“活”在處理信息過程之中，并成為提升所獲得的結果質量的方式。由此看來，面對整體感知的積累，遞歸調用本身既是處理的方式與手段，又是被改進和修正的對象?？梢圆豢鋸埖刂v，無論是對人，還是對人工智能，遞歸調用都具有認識論與本體論的雙重意義。當遞歸調用成為人工智能獲取智能的技術方式的時候，就使人工智能獲取智能的“活動”指向了改變遞歸本體性的整體感知問題。正是由于人工智能以遞歸調用開啟了整合而非分離的認知操作新思維和新方式，使得整體感知積累成為了重大的認識論問題，而這恰恰是今天諸多人工智能技術公司特別看重訓練數據的根本原因。

因此，人工智能系統以遞歸調用的疊加來整合算法、推進信息內容的智能化與知識化，雖然在技術上還存在認識過程和智識成果表達的黑箱問題，但是卻明確了人工智能時代認識論發展的根基性問題。所以，面對人工智能向通用智能邁進的奇點難題，與其躊躇不前地擔憂，不如認真而深入地思考如何開拓人類整體的感知，如何有效地提升感知成果的意義與價值，如何改進處理感知成果的途徑與手段等重要的認識論問題。

二、群體試錯的選擇邏輯與共同學習的升華

人工智能以其高階自動化所具有的從數據對象獲取智能的“能力”，改變了自工業革命以來自動化體系的面相，其類人的學習能力，不僅以驅動物體系運行的方式激活了人類明述的知識，而且以不斷挖掘數據內涵信息的方式使物體系獲得了智能。雖然人工智能系統沒有生物種群的自治能力，但卻能夠基于數據對“內部規則以及其所處的局部環境狀態而各自做出反應”（20）；雖然人工智能系統是具有社會歷史性的人的對象化產物，卻具有不以人的命令為根據，而是以系統的判斷為基礎作出“選擇”的能力，表現出可適應性、可進化性、彈性、無限性、新穎性等特質；雖然人工智能系統未必最優，也未必可控和可知，還很難預測和即刻有效，但是其通過推進經驗的吸納、知識的學習與轉化、認知對象和領域的拓展，提升了認知功能的有效性。因為人工智能利用充滿活動的網絡，一方面有效地集聚不同的終端，既為數據的分析、信息的獲取和算法的改進提供了事實性的根據，又節省了其試錯選擇的成本；另一方面系統獲得了強大的學習能力，推動著“名詞向動詞的轉移”（21），使人工智能整體表現為形式的群體思維超越了個體的認知能力。由此，人工智能系統以運行的高效、邏輯的穩定和標準的齊一等實現了眾愚成智、聚單獲慧，使分布式群體試錯的非理智性功能成為了選擇的基礎，確證了共同學習之于經驗積累的認識論意義。

第一，人工智能自下而上的試錯選擇，雖然是對智能的機械與邏輯實現，但卻真實地表征了選擇之于智能的核心意義，更是提出了通過學習培養選擇能力的重要性。無論是從發生學上講，還是從應用實際上看，分布式構成是人工智能系統重要的特征。這一方面是由其物理建構的實際使然，另一方面則是技術實現便利的需要。就前者來說，人工智能系統通過群體試錯的方式有效地集中了個體認知的經驗。不可否認的是，人工智能無論多復雜都是由簡單的器件構成的。簡單器件雖然功能與任務是單一的，但是對于具體對象的描述和操控卻高效而純粹。因此，面對新的認識對象，人工智能以低廉的成本通過試錯做好簡單的事，然后通過集成而非集權命令組合成處理簡單事情的原則與方法，再通過前文所述的遞歸不斷調用這一過程，就能夠形成系統化的邏輯自洽、成效穩定和規則可移的智能。比如人工智能常用的“煙花算法”就能夠很好地通過試錯形成“排他策略和反思算子的協同”。（22）就后者來說，群體試錯既體現人工智能獲取智能的技術性特質，又表征了心智社會錘煉選擇能力的一般特征。人工智能提升系統能力的技術邏輯使松散的系統完美地組合，使心智社會錘煉選擇的能力內化為物體系的能力成為可能。群體試錯所得到的客觀知識，既有認知功能的社會化問題，又有認知功能的社會組合問題。索恩—雷特爾給出了社會心智形成的存在論結構，雖然表征智能的知識是綜合的，但是被認知成果刻畫的“質料的綜合則沒有發生，因為這種綜合是作為社會綜合而發生的，并且涉及人的定在關聯”。（23）而無論是人類智能的有機體結構，還是今天人工智能所遵循的分布式設計，都呈現這樣的邏輯，即“每個思維智能體本身只能做一些低級智慧的事情，這些事情完全不需要思維或思考，但我們會以一些非常特別的方式把這些智能體匯聚到社群中，從而產生真正的智能”。（24）或者說，基于系統整體來匯聚群體試錯成果的時候，顯然就不是一個直接加總的問題，而是聯動的社會性組合問題，這就是人工智能能夠涌現出智慧的根本原因之所在，也是解釋智能發生邏輯的困難所在。因此，群體試錯雖然對于個體而言是耗時費力，但是對群體而言卻具有無比重要的意義，因為群體之深度交流與互動，既與人類認識論發展的歷史同構，又體現人工智能的系統性特質。此外，社會性的群體是由發展著的個體組成，而這些個體試錯的認知成果必然會“在改變自己的這個現實的同時也改變著自己的思維和思維的產物”。（25）所以，群體試錯既有利于人工智能技術明晰地作出正確的選擇，體現出其智能性，又印證了不同系統之間的交互本質上就是一種共同性的學習。通過共同學習，人工智能匯集的試錯結論就不是分散性的判斷，而是規定性思維，并能夠轉化為進行正確選擇的能力。

第二，人工智能以算法的方式引入群體試錯，使機器學習對認知的優化與改變進入了獲取智能的過程。人工智能系統借助快速的計算、海量的存儲和完備的分析，盡可能充分地尋求對象的關系、判定事實的順序和預測發生的可能。人工智能如此的技術邏輯，一方面能夠超越人在有限時間里事無巨細地研究對象的能力，使處理問題更加全面和完備；另一方面也能夠充分檢視其中可能存在問題，使其對于錯誤的認知更加細致和準確。并且，人工智能借助各種基于人類智能認知的算法，使自身呈現出在雜亂對象中獲得規律的能力。比如，當代的深度學習就是重要的例子。（26）因此，人工智能雖然不能如同人一樣在主體意志要求下學習，但是卻在數據訓練的過程中實現了學習的技術再現。比如人工智能系統在神經網絡、回歸算法、關系聯結、數目窮舉等邏輯分析的加持之下，能夠從數據中獲得人類尚未發現的新知識。但是如果我們分析其本質就會發現所有的人工智能算法都是以各種不同的方式選擇數據、組合數據、分析數據和歸納數據等，然后以行為有效性、邏輯可行性和反饋及時性來評價試錯得出的結果。當然，算法驅動的群體試錯本身與有意識的創造還是有區別的，因為其主要是通過速度的快與量的全來解決“偶然或隨機的聯想或組合”（27），雖然其具有時間與精力的經濟性，但卻很難具有社會的靈活性。不過這并不意味著人工智能技術獲取智能只是一個推理自動化的過程。因為人工智能通過群體試錯表達的學習，雖然和人類的學習有所差別，但其“通過特殊的認識方式所獲得和積累的知識”（28）正在挑戰人類的認知能力。人工智能通過群體試錯表現出在不可預測的環境中做出適當行為的能力（29），表明人工智能系統通過系統的運行獲得了智能的選擇與建構能力，具有了類人的學習能力?；蛘哒f，人工智能把機械和邏輯的群體試錯的成果結構化成了系統的運行原則。這一原則既可以是被人類智識解釋明晰的邏輯，又可以是不能破解的黑箱，但是卻與人類智能具有同構性、同效性與同理性。因此，人工智能以其獨特的技術邏輯把群體試錯的機械操作、邏輯分析與事態組合整合成了表征對象的機器學習。對此，與其說是人工智能技術邏輯分解出學習的另一條途徑，不如說是以事實有效性的方式強調了共同學習及升華之于認識論的意義。從其機理上講，人工智能以群體試錯的選擇表明了共同學習之于認識的構成性意義，雖然其是以可能的窮盡、聯結的組合和偶然的模擬等來表達“實踐出真知”的認識論真理，但是卻充分表明“學習就是構造或改進對經驗的表征，就是通過已有的內在條件對外部實在作出適當的表征”。（30）

第三，人工智能通過群體試錯不僅給出對新狀態的判定，而且還深度融合了明述知識，使其獲取智能具有了從模擬到獨立的邏輯可能。人工智能通過遞歸調用能夠用前置性的知識對未知的狀態進行試錯性的分析與歸納，使系統獲得適應性的識別、選擇和決策能力，在運行成效方面與人類智能方面具有同構性。通過群體試錯，人工智能使設計之初“自上而下”的系統具有了直面對象獲得智能的“自下而上”的能力。雖然目前我們很難肯定人工智能一定能夠獲得通用智能，但是人工智能基于群體試錯來提升系統“選擇”能力的過程，本身就嵌入了人類智能與對象世界打交道，即“利用現實世界的反饋實現交流”的機理。（31）這既為人工智能之智能內容增添了新的元素，又為人工智能試錯提供了新的方式。雖然人工智能獲取的智能難于處理人類由生物進化與社會進化雙重推進的智能所擅長之事，但卻充分印證了人工智能群體試錯獲得的知識本身是易于邏輯化、形式化和操作化的知識，而非基于常識與經驗的無意識智能?；蛘哒f，從人工智能群體試錯所獲取的選擇能力來看，人工智能之智能的通用性本身不在于以常識的靈活應對偶然性事件，而在于以程序的移植性、形式的變化性和成效的可驗性跨領域地處理不同數據類型表達的事實本身。也正是這個意義上，我們可以看到在人類認知能力的培養中，共同學習所升華出來的知識性內容恰恰就是那些易于確定的固定性內容。因此，人工智能系統以線性模型、非線性模型、神經網絡、深度學習、強化學習、窮盡搜索、改進搜索等算法來實現群體試錯，就是以時間和效率來換取認知的內容和空間，然后在分而治之的基礎上進行整合判斷。這顯然就是共同學習升華認知內容和提升認知能力的方式。因此，雖然人工智能依然存在著默會知識的難題，但是其以群體試錯所表現出來的獲取知識的類生物性使其超越了自動化的一般邏輯，在高階自動化的意義上正在逼近主體獲取智能的能力。盡管這并非表明人工智能必然具有通用智能（32），但卻從根本上證明了共同學習之于認識發生與發展的實踐意義。

因此，人工智能以技術邏輯來實現認知的否定、選擇和組合，從而提升系統的智能，其實就是以技術的方式表征了學習之于獲取智能的意義與價值。雖然人工智能的技術邏輯目前在操作結構上只是有限地實現了群體試錯這一群體學習方式，但卻構成了對推算認知、學習認知和行為認知融合與整合的探索?；蛘哒f，在“人工智能就是認識論”（33）的意義上，人工智能群體試錯的選擇印證了共同學習升華認識能力的可能性，也提出了人工智能時代人類學習如何在與人工智能融合的意義上提高與發展的重要問題。

三、抽象解釋的通用邏輯與社會進化的超越

從第一代知識驅動，到第二代的數據驅動，到第三代神經網絡與高維統計結合，再到第四代的生成式技術，人工智能獲取智能的技術范式一直在不斷發展和進化。這不僅建構了高效運行、精確描述和精準預知對象的人工智能系統，使其表現出通用智能的諸多特性，而且產生了一系列推動認識論發展的社會效應。諸如，將人工智能嵌入決策、演繹、歸納中使其“成為人認識自然、探索自然的有機組成”（34）；以“‘深度學習的提煉”“‘自然學習的反思”“‘強化學習的交互”（35）實現人機認知的表征融合；將強化學習、計算機視覺和自然語言處理融合成逼近通用的認知路徑；將發現與解釋邏輯融入算法推進認知方法變革和認知能力的拓展等。如此看來，人工智能獲取智能技術邏輯的進展，既以技術的有效性充分地展示了抽象解釋邏輯的通用性，更深入地探問了技術獲取智能所表征的認識能力社會進化的一般路徑。因為“在很大程度上，人工智能就是哲學”。（36）因此，當前人工智能以社會—技術系統為基礎打造出人工智能結構化、程序化、操作化的能用性，并非是對認識論基本結構和認識發展一般邏輯的否定，而是具體地表明人工智能的通用性“只有超級計算機遠遠不夠”（37），自治系統及其相互聯合形成的整體進化才是問題的關鍵。

人工智能發現拓撲學新定理、解決蛋白質折疊、戰勝人類圍棋冠軍等能力，表明以社會進化為基礎的算法在高階自動化的運行中能夠表現出發現的通用性。今天，人工智能在大型神經網絡、因果規則性引入和生成式范式等共同驅動下，集成了理論驅動與數據驅動，表現出與人類發現實踐的邏輯同構性。人工智能內置的邏輯結構提供了構想的前提，“啟發”著系統精煉數據，系統面對的數據則構成了發現的事實性前提和偶然性可能。當數據規導和程序啟發共同作用于發現本身時，所呈現的效果就是，人工智能系統既能以數據為依據對發現事實給予自洽性的說明，又能給予發現以邏輯的嚴整性推導，還能以應用的可行性呈現衍生的一致性等。盡管我們目前無法避免人工智能“一本正經”地胡說八道的可能，但是其所呈現出來的抽象解釋的通用性特質卻是人類夢寐以求的認知境界。對人而言，“人的思維是否具有客觀的［gegenst?ndiche］真理性，這不是一個理論的問題，而是一個實踐的問題。人應該在實踐中證明自己思想的真理性，即自己思維的現實性和力量，自己思維的此岸性”。（38）人的社會性發現是在人的社會性實踐中完成的。類比地看，人的實踐規則就是人工智能的啟發性搜索程序，人的實踐對象及其偶然性就是人工智能精練的數據。而且，人工智能在改進其獲取智能的技術范式中，還不斷借用和模擬人類發現的啟發性邏輯、規劃性技巧、邏輯性簡化、數學化表達，將自然語言處理的機制、視覺感知抽象、強化學習過程集成于算法之中，從而獲得跨領域的通用性。比如，DeepMind開發的Gato就“有效地將強化學習、計算機視覺和自然語言處理這三個領域功能融合，將CV、NLP和RL這三個不同模態映射到同一個空間，用一套參數表達，初步實現了認知路徑的通用融合”。（39）當然，人工智能抽象解釋的通用性需要基于對認識機制與認知進化的技術性重構，以致于驅動系統的算法也需要遵從這一邏輯。如果我們從人工智能技術創制的發生現象學看就會發現：算法的基本規定性是受人類的認識本質、認識邏輯和認識實踐的社會歷史性制約的。如果我們從人工智能的實際影響看，其基于深度學習的預測驅動（prediction-driven），“具有從一種大數據到另一種大數據的強大的映射學習能力，再從被映射的大數據來反推前一大數據中的一些個體的結構，并能產生經驗科學通常所無法企及的思維和洞見”。（40）因此，如果我們暫時擱置通用智能的主體性難題，那么就會發現“將機器比喻為生物，將生物比喻為機器”（41）的古老隱喻正在預告人工智能獲得通用智能的路徑，以及人類智能借用人工智能推進認識進化的文明路徑。

人工智能獲取智能追求通用的抽象化解釋，感性科學地呈現了認識論的核心邏輯，是對認識論社會超越的技術推進。

其一，抽象的解釋邏輯其實是人類智能轉化成人工智能所形成的基本路向。在自然主義路徑之下，人類的明述知識通過語言轉化而成為便于操作、能夠表征的符號，通過邏輯化、形式化和程序化使其能夠描述既成事實、規范現實事實、預測未來事實，從而有效地解釋對象本身。所以人工智能也以此追問“計算、感知、推理、學習、語言、行動、互動、意識、人類、生活等性質非?；镜膯栴}，同時對于回答這些總是做出了顯著的貢獻（事實上，它有時被視為一種實證研究）”。（42）

其二，人工智能抽象解釋的通用邏輯把虛擬實在的“形而上學實驗室”（43）之認識機制揭示得充分而具體，探索了既有認識成果、認識方式和認識主體的融合與進化問題。人工智能本身就是集成信息、存儲、運算和采集等功能的綜合性系統，其在網絡和大數據的加持之下，既可以通過系統的運行“檢驗出一些認識論觀點的合理性與局限性”（44），又可以借助于虛擬的實在性來探索系統融合的認識能力進化問題。雖然抽象解釋的通用性是“人們在將自然邏輯輸入機器”（45）的時候所并沒有完全生成的，但卻隨著人工智能充分借用社會進化常用的思想實驗得到實質性推動，并在不斷推動人類認識的社會進化中加速人工智能通用化這一過程。因為，在人工智能通用性不斷進化中，人類智能也不斷創新理解生物認知的范式，并開創了全新的理論觀念。所以，人工智能在使人類不斷接受新理念的過程中創新觀念、提升能力和豐富認知，使感知新理論、心靈本質新理論等不僅成為推進社會進化的超越性的歷史語境，也成為人工智能邁向通用化的理論支撐。

其三，雖然人工智能抽象解釋的通用智能是力圖使人工智能像人類智能那樣做所有的事（46），但在技術邏輯上它卻是還原與重構認識的社會進化超越性的一種嘗試。按照對人類技術發展邏輯的一般判定，有學者明確提出“未來的強人工智能（尤其是當人工智能有自我意識和意向性等屬性后）中，當它們的技術載體從功能上具有生成智能的條件后，當這樣的技術可以相當甚至超越人的身體時，‘具技智能或‘具技認知（以機器為認識主體、機器也可以‘用心思考）就成為不能被忽視的認識論現象，此時人工智能作為一種技術認識論不僅對認識論研究具有輔助的價值，甚至具有主導的意義，這也是人類認識日趨技術化的一種必然走向”。（47）這意味著人工智能的通用化并不是把人類智能和認知能力解析透徹后直接移植到技術系統之中，而是首先真實地認識到智能社會進化的超越性才是其通用化的根源，然后才有可能在深入地理解認識論的前提下推進人工智能的通用化本身。

因此，人工智能當前的加速發展，與其說以其通用的可能性打開了“潘多拉”的盒子，倒不如說其正在以技術邏輯實現的描述對象的合理性、組合對象的有效性、預測可能的精確性倒逼我們直面和深入研究生成智慧的基本機制和現實要素。因此，在可以預見的將來，我們既可能因為認識論的發展而變革人工智能的技術范式，也可能因為人工智能智能的獲得而建構起全新的認知邏輯和認識論。

注釋：

（1） ［英］斯圖爾特·羅素：《AI新生：破解人機共存密碼：人類最后一個大問題》，張羿譯，中信出版社2020年版，第XI頁。

（2）（24） ［美］馬文·明斯基：《心智社會：從細胞到人工智能，人類思維的優雅解讀》，任楠譯，機械工業出版社2016年版，第2、2頁。

（3）（13）（20）（21）（31）（41）（45） ［美］凱文·凱利：《失控》，陳新武、王欽等譯，新星出版社2011年版，第7、138、34、40、69、3、5頁。

（4） ［英］ 羅杰·彭羅斯：《皇帝新腦》， 許明賢、吳忠超譯，湖南科學技術出版社2007年版，第2頁。

（5） ［英］喬治·扎卡達基斯：《人類的終極命運》，陳朝譯，中信出版社2017年版，第288頁。

（6） 呂其鎂、涂良川：《“圖靈測試”技術敘事的哲學追問》，《哲學動態》2023年第3期。

（7）（9）（14）（15）（16）（17）（18） 許煜：《遞歸與偶然》，蘇子瀅譯，華東師范大學出版社2020年版，第5、135、141—142、143、158、159、174頁。

（8） Robin K. Hill， What an Algorithm Is， Philosophy and Technology， 2016， 29（1）， p.44.

（10） A. Rosenblueth， N. Wiener & J. Bigelow， Behaviour， Purpose and Techology， Philosophy of Science， 1943， 10（1）， p.18.

（11） W·R·艾什比：《控制論導論》，張理京譯，科學出版社1965年版，第281—282頁。

（12） 《馬克思恩格斯選集》 第1卷，人民出版社2012年版，第669頁。

（19） 《馬克思恩格斯文集》 第9卷，人民出版社2009年版，第498頁。

（22） 李克文、吳雪鋒、王曉輝：《基于排他策略和反思算子的協同煙花算法》， 《計算機工程與設計》 2023年第7期。

（23） ［德］阿爾弗雷德·索思-雷特爾：《腦力勞動與體力勞動：西方歷史的認識論》，謝永康、侯振武譯，南京大學出版社2015年版，第120頁。

（25）（38） 《馬克思恩格斯文集》第1卷，人民出版社2009年版，第525、500頁。

（26） 涂良川：《深度學習追問學習本質的哲學敘事》，《學術交流》2022年第11期。

（27） 趙汀陽：《人工智能的神話或悲歌》，商務印書館2023年版，第50頁。

（28） 董春雨、薛永紅：《機器認識論何以可能》，《自然辯證法研究》2019年第8期。

（29） ［美］本·戈策爾：《創建互聯網智能》，戴潘譯，上海譯文出版社2018年版，第30頁。

（30） 高新民、付東鵬：《意向性與人工智能》，中國社會科學出版社2014年版，第457頁。

（32） 涂良川、喬良：《人工智能“高階自動化”的主體可能性——兼論人工智能奇點論的存在論追問》，《現代哲學》2021年第6期。

（33） 肖峰：《人工智能與認識論的哲學互釋：從認知分型到演進邏輯》，《中國社會科學》2020年第6期。

（34） 黃時進：《人工智能驅動科學發現何以可能：基于認識論的追問》，《國外社會科學前沿》2023年第5期。

（35） 涂良川：《“生成式人工智能”逼近通用智能的哲學敘事——ChatGPT追問智能本質的哲學分析》，《東北師大學報》（哲學社會科學版）2023年第4期。

（36） C. Daniel Dennett， Brainchildren： Essayson Designing Minds， Cambridge： MIT Press， 1998， p.165-266.

（37） ［英］瑪格麗特·博登：《人工智能的本質與未來》，孫詩慧譯，中國人民大學出版社2017年版，第28頁。

（39） 黃時進：《人工智能驅動科學發現何以可能：基于認識論的追問》，《國外社會科學前沿》2023年第5期。

（40） 吳畏：《算法的認識論邏輯》，《哲學動態》2023年第3期。

（42） Vincent C. Mu?ller （ed.）， Philosophy and Theory of Artifcial Intelligence， Minds & machines， 2012，“Introductory Note”.

（43） ［美］邁克爾·海姆：《從界面到網絡空間——虛擬實在的形而上學》，金吾侖、劉鋼譯，上?？萍冀逃霭嫔?000年版，第86頁。

（44）（47） 肖峰：《人工智能就是認識論》，《云南社會科學》2021年第5期。

（46） Hubert L. Dreyfus， Cognitivism Abandoned，in P. Baumgartner and S. Payr （eds.）， Speaking Minds： Interviews with Twenty Eminent Cognitive Scientists， Princeton： Princeton University Press， 1995， p.73.

作者簡介：涂良川，華南師范大學馬克思主義學院教授、博士生導師，廣東省習近平新時代中國特色社會主義思想研究中心特約研究員，廣東廣州，510631。

（責任編輯 胡 靜）