涂 良 川

(華南師范大學(xué) 馬克思主義學(xué)院，廣州 510631)

深度學(xué)習(xí)被喻為人工智能的未來，這不僅是因?yàn)槠湟约夹g(shù)邏輯推動(dòng)了機(jī)器“自主”學(xué)習(xí)的發(fā)展，更因?yàn)樯疃葘W(xué)習(xí)的技術(shù)化學(xué)習(xí)過程、功能化學(xué)習(xí)成果、操作化學(xué)習(xí)改進(jìn)為理解生物智能“提供一個(gè)新的概念框架”[1]前言16。深度學(xué)習(xí)在神經(jīng)生理學(xué)、系統(tǒng)科學(xué)和統(tǒng)計(jì)學(xué)等學(xué)科的啟發(fā)下，嘗試性地實(shí)現(xiàn)了從對(duì)象化到非對(duì)象化的識(shí)別能力，在建構(gòu)理解概念的過程中，一方面更新了人工智能的知識(shí)庫(kù)，將數(shù)據(jù)的規(guī)律內(nèi)化成判定的原則、推理的規(guī)范、預(yù)測(cè)的根據(jù)；另一方面，則以數(shù)據(jù)感知的方式修正算法誤差、推進(jìn)算法進(jìn)化、實(shí)現(xiàn)算法泛化，使其具備了跨越專家系統(tǒng)的可能。雖然深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)特定類型，具有機(jī)器學(xué)習(xí)的一般規(guī)定性，但是其“可以讓計(jì)算機(jī)從經(jīng)驗(yàn)中學(xué)習(xí)，并根據(jù)層次化的概念體系來理解世界，而每個(gè)概念則通過與某些相對(duì)簡(jiǎn)單的概念之間的關(guān)系來定義”[2]1。深度學(xué)習(xí)以獲得嵌套性概念體系的方式超越了符號(hào)邏輯對(duì)對(duì)象世界的硬編碼，將人類學(xué)習(xí)能力注入到計(jì)算機(jī)系統(tǒng)中，使其兼具人類認(rèn)知的實(shí)踐靈活性與人工智能推演的精確嚴(yán)密性，使人工智能能夠在對(duì)基本學(xué)習(xí)模式的調(diào)用中獲得復(fù)雜的知識(shí)、形成科學(xué)的認(rèn)知、作出準(zhǔn)確的判斷。深度學(xué)習(xí)基于多層次組合的普遍原理，使“計(jì)算機(jī)通過較簡(jiǎn)單的概念構(gòu)建復(fù)雜的概念”[2]3，其類神經(jīng)的電子網(wǎng)絡(luò)通過參數(shù)的修正、結(jié)果的比對(duì)、成效的評(píng)價(jià)，形成了能夠在相互關(guān)系中定義對(duì)象的能力。雖然，深度學(xué)習(xí)并非以共相的一致性來保障判斷的準(zhǔn)確性，但其通過遞歸調(diào)用而形成和修正的模式卻使其獲得了由環(huán)境定義的“家族相似性”。在層次或深度的加持之下，一方面機(jī)器“感知”到的圖像、聲音等信息密度低的“感覺材料”被深度學(xué)習(xí)“嵌套的層次概念體系”抽象化成信息密度高、描述能力強(qiáng)、邏輯判斷準(zhǔn)的“概念”，使機(jī)器學(xué)習(xí)獲得的規(guī)律具有自然語(yǔ)言概念的抽象性、規(guī)范性與跨越性；另一方面，基于對(duì)神經(jīng)網(wǎng)絡(luò)與信息傳遞的模擬，深度學(xué)習(xí)“能以經(jīng)驗(yàn)為基礎(chǔ)進(jìn)行自我建構(gòu)”[3]29，既還原了智能形成于人與外界交流學(xué)習(xí)的歷史現(xiàn)象學(xué)，又使實(shí)踐經(jīng)驗(yàn)反向修正實(shí)踐前提的原則具體化為深度學(xué)習(xí)優(yōu)化模型的“梯度反向傳播”等算法，使其具有開放性與靈活性；再一方面，非線性操作的多層網(wǎng)絡(luò)“將無理變?yōu)榉蔷€性的有理”[4]42，賦予深度學(xué)習(xí)系統(tǒng)獲得類數(shù)學(xué)的邏輯自洽性，既能夠依據(jù)先驗(yàn)知識(shí)作出精確的預(yù)測(cè)，又能夠依據(jù)訓(xùn)練數(shù)據(jù)進(jìn)行泛化，使其具有超越先驗(yàn)知識(shí)的可能性。因此，深度學(xué)習(xí)提取規(guī)律、優(yōu)化模式和泛化預(yù)測(cè)的技術(shù)路徑，既是學(xué)習(xí)的技術(shù)實(shí)現(xiàn)，更是對(duì)學(xué)習(xí)本質(zhì)的哲學(xué)追問。這不僅使人工智能的技術(shù)范式以數(shù)據(jù)量的擴(kuò)張、計(jì)算力的提升等來提高智能的物理性原則進(jìn)展到了對(duì)學(xué)習(xí)能力獲得的探討，而且使人工智能在深度學(xué)習(xí)的加持之下，從傳統(tǒng)人工智能“大數(shù)據(jù)小任務(wù)”的模式正在向“大數(shù)據(jù)大任務(wù)”和“小數(shù)據(jù)小任務(wù)”方面發(fā)展與轉(zhuǎn)變。所以，呈現(xiàn)深度學(xué)習(xí)追問學(xué)習(xí)本質(zhì)的哲學(xué)敘事，既是對(duì)人工智能技術(shù)邏輯的哲學(xué)理解，又是對(duì)人工智能時(shí)代認(rèn)識(shí)論的哲學(xué)探討。

一、數(shù)據(jù)規(guī)律的提取與對(duì)象世界的概念化

深度學(xué)習(xí)得益于多層感知機(jī)的啟發(fā)，使其成為繼邏輯回歸“監(jiān)督學(xué)習(xí)”、表示學(xué)習(xí)“無監(jiān)督學(xué)習(xí)”之后的機(jī)器學(xué)習(xí)全新階段。雖然深度學(xué)習(xí)作為機(jī)器依然從數(shù)據(jù)中獲得知識(shí)，但是其卻可以在“概念化”數(shù)據(jù)中超越從知識(shí)庫(kù)中搜索規(guī)律、實(shí)例中提取聯(lián)系的機(jī)器學(xué)習(xí)方式。因?yàn)椋疃葘W(xué)習(xí)“通過其他較簡(jiǎn)單的表示來表達(dá)復(fù)雜表示”[2]3的學(xué)習(xí)邏輯，一方面是對(duì)表示學(xué)習(xí)核心難題的技術(shù)解決，另一方面則是對(duì)“人類智能的復(fù)雜性源于非常簡(jiǎn)單元素的組合”的技術(shù)肯認(rèn)。雖然我們很難說因?yàn)樯疃葘W(xué)習(xí)解決了表示學(xué)習(xí)難題、肯定了人類智能特質(zhì)就必然使其獲得類人的學(xué)習(xí)能力，但是深度學(xué)習(xí)以“層次化的概念”來簡(jiǎn)化學(xué)習(xí)的起點(diǎn)、以遞歸調(diào)用和反向傳遞等手段來實(shí)現(xiàn)從簡(jiǎn)單到復(fù)雜的建構(gòu)時(shí)，既是對(duì)人類概念化對(duì)象世界過程的技術(shù)性模擬，更是對(duì)人類通過概念化對(duì)象世界獲得智能的哲學(xué)性理解。

第一，雖然深度學(xué)習(xí)對(duì)數(shù)據(jù)規(guī)律的提取深受神經(jīng)生物學(xué)、腦科學(xué)等經(jīng)驗(yàn)研究與過程還原的影響和啟發(fā)，但是卻更注重對(duì)人類智能概念化對(duì)象世界過程的理解與實(shí)現(xiàn)。深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)興衰沉浮之后的全新范式，雖然其依然沿襲了機(jī)器學(xué)習(xí)從數(shù)據(jù)提取規(guī)律的基本邏輯，但是因?yàn)槠鋵?duì)獲取規(guī)律方式的創(chuàng)新，使其能夠基于數(shù)據(jù)相互的依賴性關(guān)系將數(shù)據(jù)規(guī)律轉(zhuǎn)化成判斷對(duì)象的原則，使其借用數(shù)據(jù)量與計(jì)算力但卻不依賴計(jì)算機(jī)的物理性能與數(shù)據(jù)的描述容量，獲得了“從對(duì)象化樣本(比如許多葉子圖像)學(xué)到非對(duì)象化的對(duì)象識(shí)別(比如辨認(rèn)出從未見過的或千變?nèi)f化的葉子)的能力”[4]43。與其說深度學(xué)習(xí)提取了數(shù)據(jù)的規(guī)律，倒不如說深度學(xué)習(xí)從數(shù)據(jù)中獲取了描述對(duì)象、區(qū)別對(duì)象、判斷對(duì)象的概念。而且，深度學(xué)習(xí)之所以具有如此能力，顯然不是因?yàn)槿斯ぶ悄芟到y(tǒng)獲得了事無巨細(xì)的記憶能力、強(qiáng)大無比的計(jì)算比對(duì)能力，而是因?yàn)樯疃葘W(xué)習(xí)的算法通過數(shù)據(jù)信息的提取，使得“信息積累成知識(shí)；知識(shí)深化成理解；理解演變?yōu)橹腔邸盵1]4。因?yàn)?，深度學(xué)習(xí)對(duì)數(shù)據(jù)規(guī)律的提取，不是單一按照某一知識(shí)門類或?qū)θ祟愃季S過程的經(jīng)驗(yàn)理解，而是綜合了人類認(rèn)知的重要成果，融合了數(shù)學(xué)、計(jì)算機(jī)科學(xué)、神經(jīng)科學(xué)等人類用以概念化對(duì)象世界的認(rèn)知理論與方法，使之既能夠在隨機(jī)的初始化網(wǎng)絡(luò)中以反向傳播的方式不斷地進(jìn)行全局調(diào)整，并能夠依據(jù)人類概念抽象的過程機(jī)理進(jìn)行迭代優(yōu)化。深度學(xué)習(xí)的這一邏輯，使之不再依賴于直觀的具體比對(duì)，而是形成了以概念的本質(zhì)作為肯定要素對(duì)對(duì)象進(jìn)行否定性識(shí)別與排除，從而真正改變了機(jī)器智能以絕對(duì)數(shù)量、檢索速度、對(duì)比精度取勝的描述邏輯。深度學(xué)習(xí)的有效性，既是對(duì)其技術(shù)范式的有效性，更是對(duì)概念化對(duì)象世界有效性的絕佳證明。

第二，深度學(xué)習(xí)是“從海量數(shù)據(jù)中‘抽象’出其中包含的信息”，而非還原出存在的既定的規(guī)律，是受“感知”、“推理”和“行動(dòng)”等目的推動(dòng)的抽象。深度學(xué)習(xí)不是要還原一個(gè)既定的對(duì)象，而是要獲得一套以效果有效性為標(biāo)準(zhǔn)的感覺、推理與行為原則。也就是說，深度學(xué)習(xí)提取數(shù)據(jù)規(guī)律，是以抽象為原則對(duì)數(shù)據(jù)本質(zhì)屬性的邏輯建構(gòu)，一方面使之能夠滿足行為主義判定的需要，另一方面能夠形成描述世界的結(jié)構(gòu)模型和知識(shí)邏輯。雖然深度學(xué)習(xí)的技術(shù)過程與物理模型來源于生物神經(jīng)網(wǎng)絡(luò)，但是其并不是在照搬生物神經(jīng)網(wǎng)絡(luò)物理結(jié)構(gòu)的前提下來獲得學(xué)習(xí)的能力，而是將人概念化對(duì)象世界的抽象能力轉(zhuǎn)換成了可計(jì)算實(shí)現(xiàn)的自我修正、自我進(jìn)化的算法。雖然深度學(xué)習(xí)在技術(shù)邏輯上特別關(guān)注實(shí)現(xiàn)這一抽象過程的人工神經(jīng)網(wǎng)絡(luò)的聯(lián)結(jié)，但是其抽象本身就已遠(yuǎn)遠(yuǎn)超越了人工智能依靠邏輯推理的傳統(tǒng)，而是真正將抽象作為突破機(jī)器智能以量取勝、以快致勝、以準(zhǔn)獲勝的核心機(jī)制。從今天最新的研究成果來看，如果深度學(xué)習(xí)能夠做到簡(jiǎn)約性與自治性,[5]那么人工智能就可以在抽象能力上更上一層樓。因?yàn)椋疃葘W(xué)習(xí)抽取數(shù)據(jù)的規(guī)律，并不是用已有的規(guī)律對(duì)數(shù)據(jù)事實(shí)進(jìn)行試錯(cuò)性的驗(yàn)證、選擇和應(yīng)用，而是要在抽象中獲得“緊湊性”和“結(jié)構(gòu)化”的具有判定實(shí)效的模式。一方面，基于簡(jiǎn)約與自治性的深度學(xué)習(xí)算法能夠?qū)崿F(xiàn)獲得規(guī)律的“閉環(huán)反饋”的自我修正，使機(jī)器學(xué)習(xí)既能夠運(yùn)用已有的規(guī)律，更能夠進(jìn)一步發(fā)現(xiàn)新的規(guī)律，這在邏輯上類似于“反思事物的‘整體’或者‘根基’的思維能力”[6]。另一方面，深度學(xué)習(xí)的抽象，顯然不是暴力訓(xùn)練的概括，而是從外部數(shù)據(jù)形成“低維”的結(jié)構(gòu)以適用于表征對(duì)象的簡(jiǎn)化原則，在數(shù)據(jù)結(jié)構(gòu)上表現(xiàn)為壓縮結(jié)合，在哲學(xué)上表現(xiàn)為“將低級(jí)特征進(jìn)一步抽象成高級(jí)特征”[7],從而真正使深度學(xué)習(xí)之“深度”在逐層抽象數(shù)據(jù)的過程中，既完成從部分到整體的表征，又完成從復(fù)雜到簡(jiǎn)單的抽象。

第三，深度學(xué)習(xí)非線性網(wǎng)絡(luò)結(jié)構(gòu)，在功能上證明了經(jīng)驗(yàn)主義提煉數(shù)據(jù)規(guī)律的有效性，在規(guī)律生成上呈現(xiàn)了非線性迭代模型似概念的抽象性，在規(guī)律來源上表達(dá)了大數(shù)據(jù)揭示全樣本的可能性，在規(guī)律運(yùn)用上體現(xiàn)了概念的肯定與否定統(tǒng)一的辯證性。如果說深度學(xué)習(xí)是以數(shù)據(jù)為依據(jù)把對(duì)象世界移入到算法邏輯之中的話，那么這樣的移入就具有建構(gòu)的改造性。因?yàn)?，受人腦認(rèn)知邏輯啟發(fā)的深度學(xué)習(xí)，當(dāng)其從數(shù)據(jù)中學(xué)習(xí)時(shí)，不過是以基礎(chǔ)邏輯機(jī)制對(duì)數(shù)據(jù)進(jìn)行再加工。雖然深度學(xué)習(xí)的隱藏層具有不可解釋性，但是卻以技術(shù)現(xiàn)象學(xué)表明了觀念形成的過程復(fù)雜性、主體建構(gòu)性與社會(huì)歷史性，即“觀念的東西不外是移入人的頭腦并在人的頭腦中改造過的物質(zhì)的東西而已”[8]。其一，深度學(xué)習(xí)非線性網(wǎng)絡(luò)結(jié)構(gòu)的非線性一方面可以保障數(shù)據(jù)之間的最大的相關(guān)性，另一方面又能夠保護(hù)深度學(xué)習(xí)在遞歸調(diào)用基本規(guī)則中形成突變的可能性。這既是深度學(xué)習(xí)不可解釋性的存在基礎(chǔ)，又是深度學(xué)習(xí)保障數(shù)據(jù)規(guī)律完整性的技術(shù)支撐。其二，深度學(xué)習(xí)多層性(深度)的層層迭代，既運(yùn)用“特征提取器”[3]93對(duì)數(shù)據(jù)規(guī)律進(jìn)行不斷抽象，又以諸多“梯度”連續(xù)性等方式保持不斷抽象過程的平滑性。一方面，多層迭代使抽象過程具有更多可變性與可能性，保持?jǐn)?shù)據(jù)規(guī)律之于未來的開放性，雖然層數(shù)越多、可解釋性越弱、復(fù)雜性越高，但是卻能夠以層數(shù)的組合超越單一數(shù)字神經(jīng)元放大、或縮小、或保持權(quán)重來放大步長(zhǎng)和頻度的單一性，使之在組合的復(fù)雜中獲得抽象的有效性；另一方面，多層迭代作為嵌套迭代，通過選取最能保證計(jì)算連續(xù)可微的函數(shù)，既盡可能保存梯度平滑下降的每一種可能性，又不斷比對(duì)選取描述能力強(qiáng)、概括能力高的抽象路徑。其三，深度學(xué)習(xí)以技術(shù)的方式深入地挖掘了概念抽象的過程性，雖然不能將抽取數(shù)據(jù)規(guī)律如同人類概念化對(duì)象世界那樣物質(zhì)化地改變神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，但是卻能夠在輸入與輸出中以相關(guān)性的方式表現(xiàn)出對(duì)數(shù)據(jù)類概念的描述。深度學(xué)習(xí)以網(wǎng)絡(luò)的功能性實(shí)現(xiàn)了概念的肯定與否定的描述、區(qū)分和判定等。因此，深度學(xué)習(xí)抽取數(shù)據(jù)規(guī)律本身雖然不同于人類智慧的因果性，但是其相關(guān)性的描述卻在一定意義上實(shí)現(xiàn)了對(duì)人類智慧學(xué)習(xí)智能同質(zhì)化的表達(dá)，雖然目前深度學(xué)習(xí)離人類概念化對(duì)象世界的能力還很遠(yuǎn)，但是卻在以技術(shù)復(fù)刻學(xué)習(xí)過程中形成了以數(shù)字神經(jīng)網(wǎng)絡(luò)理解學(xué)習(xí)的技術(shù)路徑。

第四，深度學(xué)習(xí)“無上限自舉”[9]提取數(shù)據(jù)規(guī)律的過程，是以簡(jiǎn)單處理單元的并行網(wǎng)絡(luò)對(duì)樣本特征進(jìn)行的邏輯挖掘，從機(jī)理上契合了經(jīng)驗(yàn)概念化對(duì)象世界的過程，既將概念化對(duì)象世界達(dá)成模式識(shí)別的功能表現(xiàn)得淋漓盡致，又將深度學(xué)習(xí)網(wǎng)絡(luò)以概率論來描述規(guī)律的特質(zhì)體現(xiàn)得充分具體。深度學(xué)習(xí)不執(zhí)著于復(fù)原人類智能概念化對(duì)象世界的復(fù)雜生物機(jī)制，而是在對(duì)概念化對(duì)象世界的功能理解與實(shí)現(xiàn)一致的神經(jīng)網(wǎng)絡(luò)機(jī)制上開創(chuàng)出了挖掘數(shù)據(jù)規(guī)律的技術(shù)路徑。深度學(xué)習(xí)之所以能夠在數(shù)據(jù)規(guī)律的提取中以無上限自舉，其根本原因在于深度學(xué)習(xí)不是以“生物自然主義”的思維方式理解神經(jīng)元對(duì)對(duì)象世界的感知、抽象和概念化，而是以閾值的變化來表達(dá)、參數(shù)的調(diào)節(jié)來實(shí)現(xiàn)、網(wǎng)絡(luò)的連接來記憶、功能的一致來證明數(shù)字神經(jīng)網(wǎng)絡(luò)獲得了識(shí)別對(duì)象的模式，獲得了對(duì)對(duì)象世界的類概念表達(dá)。表面上看，深度學(xué)習(xí)用概率論、神經(jīng)網(wǎng)絡(luò)等方法證明了大腦就是計(jì)算機(jī)，實(shí)質(zhì)上卻是以“大腦式計(jì)算”的全新方法表明概念化對(duì)象世界與數(shù)據(jù)規(guī)律的深度學(xué)習(xí)提取之間具有同構(gòu)性。其一，深度學(xué)習(xí)以無上限自舉的自動(dòng)驅(qū)動(dòng)來修正規(guī)律，既是技術(shù)性調(diào)節(jié)規(guī)律有效性的方式，又是對(duì)概念化對(duì)象世界的不斷的歷史唯物主義修正。其二，雖然深度學(xué)習(xí)的并行網(wǎng)絡(luò)并不強(qiáng)調(diào)相關(guān)性向因果性的轉(zhuǎn)變，但是其無上限自舉本身就是一種內(nèi)化時(shí)間過程性的努力，這一方面意味著數(shù)據(jù)規(guī)律的可能性是多元的，另一方面意味著規(guī)律是開放生成的，再一方面則意味著規(guī)律本身是內(nèi)化時(shí)間經(jīng)驗(yàn)的。其三，深度學(xué)習(xí)提取數(shù)據(jù)規(guī)律的過程，是基于對(duì)感知的數(shù)字神經(jīng)網(wǎng)絡(luò)理解而展開的遞歸調(diào)用過程，這和概念化對(duì)象世界基于基礎(chǔ)概念的循環(huán)具有過程的同構(gòu)性。雖然不能因?yàn)檫^程一致而認(rèn)定結(jié)果相同，但深度學(xué)習(xí)的有效性卻充分證明了概念不斷發(fā)展與遞進(jìn)的有效性。

因此，深度學(xué)習(xí)目前雖然因其深度的不可解釋性很難被邏輯地解釋清楚，基于相關(guān)性的規(guī)律的類因果性與因果性之間也有差異，但卻是依據(jù)人類認(rèn)知能力的科學(xué)理論、認(rèn)知本質(zhì)的哲學(xué)判斷和對(duì)認(rèn)識(shí)效應(yīng)的社會(huì)認(rèn)可，創(chuàng)造出來的一種實(shí)質(zhì)提取規(guī)律自動(dòng)化的技術(shù)機(jī)制。這一技術(shù)機(jī)制的科學(xué)性和有效性，雖然目前尚不能和概念化對(duì)象世界的人類智能同日而言，但是其以技術(shù)隱喻的方式再一次證明概念化之于認(rèn)識(shí)的重要意義，同時(shí)也敞開了理解概念化發(fā)展的重要問題，以及概念化與提出問題的存在論一致的關(guān)系問題等。

二、模型誤差的優(yōu)化與實(shí)踐干預(yù)的原則化

優(yōu)化模型誤差，既是深度解決學(xué)習(xí)成果有效性的技術(shù)手段，又是改進(jìn)學(xué)習(xí)基本向度的學(xué)習(xí)方式。這意味著深度學(xué)習(xí)不僅向正確和有效學(xué)習(xí)，而且還向錯(cuò)誤和無效學(xué)習(xí)。優(yōu)化是一種技術(shù)性的反思路徑，既是對(duì)模型既定結(jié)構(gòu)的修補(bǔ)與完善，又是對(duì)基本模型的改變與反思。因此，模型誤差的優(yōu)化雖然在技術(shù)的層面表現(xiàn)為網(wǎng)絡(luò)結(jié)構(gòu)的修改，但在本質(zhì)上卻是將模型效應(yīng)與功能內(nèi)化成模型的要素，是類實(shí)踐反思的自優(yōu)化原則。特別是反向傳播算法在深度學(xué)習(xí)中的廣泛應(yīng)用，一方面解決了模型修正的技術(shù)與邏輯問題，另一方面又提供了一條以經(jīng)驗(yàn)修正和改進(jìn)先驗(yàn)哲學(xué)理路的技術(shù)路徑。優(yōu)化，特別是基于效果衡量、數(shù)據(jù)規(guī)律再發(fā)現(xiàn)和操作成效再運(yùn)用的優(yōu)化，一方面使模型誤差得以控制、功效得以提升、“能力”得以加強(qiáng)，體現(xiàn)出機(jī)器學(xué)習(xí)邏輯推定的精準(zhǔn)性和數(shù)據(jù)擴(kuò)展的開放性；另一方面則充分表明深度學(xué)習(xí)獲取了基于經(jīng)驗(yàn)來改進(jìn)先驗(yàn)的技術(shù)機(jī)制，體現(xiàn)出深度學(xué)習(xí)算法進(jìn)化的高階自動(dòng)性與類人智能的獨(dú)立性和自主性；再一方面既在技術(shù)上用實(shí)踐經(jīng)驗(yàn)原則化的方式規(guī)避了“大力出奇跡”的成本與穩(wěn)定問題，又以技術(shù)有效性的方式證明了實(shí)踐經(jīng)驗(yàn)原則化的存在論與認(rèn)識(shí)論意義。

第一，深度學(xué)習(xí)各種優(yōu)化模型誤差的算法都是基于樣本數(shù)據(jù)學(xué)習(xí)與工作成效的優(yōu)化，既繼承了認(rèn)知的成果，又開放了認(rèn)知的修正，使機(jī)器采獲規(guī)律、運(yùn)用規(guī)律具有了類人學(xué)習(xí)的反思性。深度學(xué)習(xí)之所以堅(jiān)持模型的優(yōu)化，不僅因?yàn)槟Ｐ凸πУ木窒扌允强芍模腋且驗(yàn)橄嘈拍Ｐ蛻?yīng)該以及可能被反思修正。深度學(xué)習(xí)的優(yōu)化不僅考慮模型的有效性問題，而且是確證實(shí)踐經(jīng)驗(yàn)的形而上學(xué)性的問題。其一，訓(xùn)練作為深度學(xué)習(xí)常用的優(yōu)化模型的手段，其目的在于“減少機(jī)器在學(xué)習(xí)階段所犯錯(cuò)誤”[3]148,在使得目標(biāo)函數(shù)最優(yōu)的過程中，提高模型的精度、拓展應(yīng)用的廣度、強(qiáng)化學(xué)習(xí)的深度和升華規(guī)律的信度。訓(xùn)練不是先驗(yàn)輸入，而是反向傳播，既是對(duì)貝葉斯網(wǎng)絡(luò)的算法實(shí)現(xiàn)，又是經(jīng)驗(yàn)修正先驗(yàn)的技術(shù)模型，更是對(duì)實(shí)踐干預(yù)的技術(shù)吸納。其二，優(yōu)化雖然在其技術(shù)路徑上表現(xiàn)為調(diào)節(jié)參數(shù)、建立或斷開邏輯聯(lián)結(jié)，但是在其形而上學(xué)方面卻是以模型工作的適應(yīng)性與有效性來現(xiàn)實(shí)地證明模型算法的客觀性。從表面上看，深度學(xué)習(xí)的優(yōu)化是基于大數(shù)據(jù)對(duì)模型進(jìn)行的經(jīng)驗(yàn)主義的修正；從實(shí)質(zhì)上講，深度學(xué)習(xí)的優(yōu)化是基于數(shù)據(jù)表征的偶然性對(duì)模型算法的實(shí)踐豐富。因此，深度學(xué)習(xí)的優(yōu)化既以技術(shù)的方式表達(dá)了新經(jīng)驗(yàn)主義認(rèn)識(shí)論的主張，[10]46又將歸納的有效性奠基在經(jīng)驗(yàn)的內(nèi)化上。因?yàn)?，“人的思維是否具有客觀的[gegenst?ndliche]真理性，這不是一個(gè)理論的問題，而是一個(gè)實(shí)踐的問題”[11]503-504。其三，優(yōu)化是對(duì)形式化模型的基礎(chǔ)、結(jié)構(gòu)和效果的一種綜合性評(píng)價(jià)，并且是基于系統(tǒng)內(nèi)部的評(píng)價(jià)。雖然這里沒有技術(shù)性地回復(fù)哥德爾不完全定理的問題，但是卻內(nèi)涵了類反事實(shí)反思的機(jī)制。因?yàn)椋谏疃葘W(xué)習(xí)的優(yōu)化中，系統(tǒng)不過是在不斷執(zhí)行一個(gè)判斷，并提出一種要求：“這是我想要提供的輸出，到目前為止，你還沒有向我傳輸能夠使我給出正確答案的輸出，所以我希望你生成這樣的輸出?！盵3]150所以，在層次結(jié)構(gòu)的深度之上，深度學(xué)習(xí)一方面為優(yōu)化提供了一種物理的邏輯機(jī)制，使其輸出在不同的層級(jí)被權(quán)衡、賦值與改進(jìn)；另一方面為優(yōu)化提供一種非線性的傳播路徑，使被納入到算法的修正因素具有可能性與開放性的全局影響；再一方面為優(yōu)化從技術(shù)的歸納邏輯上升到認(rèn)知的感知邏輯提供了現(xiàn)實(shí)通道，既能夠及時(shí)地處理新進(jìn)入系統(tǒng)的數(shù)據(jù)，又能夠在自主學(xué)習(xí)中客觀地參照監(jiān)督學(xué)習(xí)的進(jìn)程。

第二，深度學(xué)習(xí)的優(yōu)化不是直接地判斷模型的對(duì)錯(cuò)與功效，而是自下而上地修改權(quán)重、修正聯(lián)結(jié)，將前置性判斷與經(jīng)驗(yàn)性修正有機(jī)地結(jié)合起來。在某種意義上說，深度學(xué)習(xí)優(yōu)化模型本身表征了事實(shí)與價(jià)值二分體系在實(shí)踐中的崩塌。其一，深度學(xué)習(xí)基于技術(shù)與邏輯可行性的考慮，優(yōu)化將新增數(shù)據(jù)和效能判斷直接指向獨(dú)立分量的權(quán)重和聯(lián)結(jié)。這一方面是使線性判斷能力提升為非線性的判斷能力，另一方面又肯定了人類思維通過降維來認(rèn)知對(duì)象的準(zhǔn)確性。其二，優(yōu)化作為深度學(xué)習(xí)改進(jìn)自身的必要手段，是基于無監(jiān)督學(xué)習(xí)在深度學(xué)習(xí)之內(nèi)運(yùn)用而進(jìn)行的改變。優(yōu)化模型的誤差，不是完全解決誤差，只是“表明找到了一條較好的路徑，雖然不一定是最佳路徑”[1]114。優(yōu)化雖然期待全局最小值，但卻總是通過局部最小值的方式來逼近，而非得到最小值。這就從根本上尊重了自下而上的認(rèn)知現(xiàn)象學(xué)，使之獲得了類人類思維的反思性，而且深度學(xué)習(xí)優(yōu)化誤差的操作邏輯又從根本上肯定了前置形式的客觀性。面對(duì)這種雙重客觀性，深度學(xué)習(xí)的優(yōu)化策略表面上看解決的是誤差問題，其實(shí)際在功能上實(shí)現(xiàn)的是系統(tǒng)的穩(wěn)定性，在認(rèn)知上保障的是知識(shí)科學(xué)性，在哲學(xué)上表征的是經(jīng)驗(yàn)形上性與形式先驗(yàn)以及先驗(yàn)可改進(jìn)性。其三，在自下而上的優(yōu)化中，雖然深度學(xué)習(xí)是受生物神經(jīng)網(wǎng)絡(luò)的啟發(fā)，但卻不是還原論地重復(fù)了生物神經(jīng)網(wǎng)絡(luò)增強(qiáng)與減弱的生活獎(jiǎng)勵(lì)機(jī)制，而是一種“理性主義和經(jīng)驗(yàn)主義的相融互補(bǔ)，整體論與還原論的協(xié)同互動(dòng)”[10]49的系統(tǒng)“進(jìn)化”機(jī)制。深度學(xué)習(xí)優(yōu)化誤差本身就意味著人工智能是可塑性的數(shù)字神經(jīng)網(wǎng)絡(luò)，而系統(tǒng)高階自動(dòng)化的優(yōu)化既是表達(dá)深度學(xué)習(xí)具有以形式為前提采集經(jīng)驗(yàn)并使之原則化與價(jià)值化的能力，又表明深度學(xué)習(xí)是基于系統(tǒng)自身來優(yōu)化的。這既符合深度學(xué)習(xí)的數(shù)學(xué)原理，又體現(xiàn)深度學(xué)習(xí)的非線性特質(zhì)。

第三，優(yōu)化模型的誤差對(duì)于深度學(xué)習(xí)而言雖然是保證其效能的技術(shù)手段，但卻從本質(zhì)上表達(dá)了智能學(xué)習(xí)的基本特征。因?yàn)?，深度學(xué)習(xí)的優(yōu)化以技術(shù)現(xiàn)象學(xué)的方式表征了學(xué)習(xí)不僅可以描述對(duì)象、表征對(duì)象和還原對(duì)象，而且能夠原則化經(jīng)驗(yàn)、先驗(yàn)化表象和價(jià)值化實(shí)踐。深度學(xué)習(xí)作為學(xué)習(xí)，優(yōu)化是“改進(jìn)對(duì)經(jīng)驗(yàn)的表征，就是通過已有的內(nèi)在條件對(duì)外部實(shí)在作出適當(dāng)?shù)谋碚鳌盵12]，而且是基于“實(shí)踐出真知”的原則性改進(jìn)。其一，優(yōu)化是深度學(xué)習(xí)通過消解誤差而不斷改進(jìn)系統(tǒng)的過程。誤差非錯(cuò)誤，是對(duì)系統(tǒng)內(nèi)部特質(zhì)與外部結(jié)果雙重判斷的結(jié)果。所以，深度學(xué)習(xí)類實(shí)踐的新經(jīng)驗(yàn)主義，雖然有著將數(shù)據(jù)絕對(duì)化的面向，但卻因?yàn)閮?yōu)化誤差技術(shù)方法的引入，隱喻性地表達(dá)了通過數(shù)據(jù)規(guī)律、判斷數(shù)據(jù)狀態(tài)、預(yù)測(cè)數(shù)據(jù)未來等來實(shí)現(xiàn)對(duì)操作數(shù)據(jù)活動(dòng)過程、經(jīng)驗(yàn)和結(jié)果的形上化和先驗(yàn)化。優(yōu)化使操作數(shù)據(jù)的經(jīng)驗(yàn)不斷上升為原則，并不是形成絕對(duì)的演繹邏輯，而是納入歸納特質(zhì)，并表征系統(tǒng)意識(shí)到系統(tǒng)自身能力的可修正性原則。也正是在這個(gè)意義上，我們可以依照馬克思的邏輯[11]162這樣講，深度學(xué)習(xí)通過優(yōu)化“意識(shí)”到了模型自身，有意識(shí)的優(yōu)化把深度學(xué)習(xí)同人工智能的其他學(xué)習(xí)直接區(qū)別開來。其二，優(yōu)化是深度學(xué)習(xí)行為認(rèn)知的有機(jī)組成，其修正性的調(diào)節(jié)不僅使系統(tǒng)更加有效與精準(zhǔn)，而且使系統(tǒng)與數(shù)據(jù)真正形成深度互動(dòng)，是深度學(xué)習(xí)實(shí)現(xiàn)“干中學(xué)”和“學(xué)中干”的統(tǒng)一。雖然當(dāng)前人工智能系統(tǒng)并沒有具身學(xué)習(xí)的能力與條件，但是深度學(xué)習(xí)卻在修正誤差的過程中力圖以技術(shù)簡(jiǎn)化的方式實(shí)現(xiàn)具身學(xué)習(xí)，并在高階自動(dòng)化的系統(tǒng)完善中不斷與環(huán)境進(jìn)行深度交互。這一方面表明深度學(xué)習(xí)極度地尊重環(huán)境的客觀性，以修正模型誤差的方式技術(shù)地表明“環(huán)境的改變和人的活動(dòng)的一致，只能被看做是并合理地理解為變革的實(shí)踐”[11]504，并將實(shí)踐過程和經(jīng)驗(yàn)內(nèi)化系統(tǒng)構(gòu)成要素；另一方面則表明深度學(xué)習(xí)高階自動(dòng)化的學(xué)習(xí)是基于環(huán)境、提取規(guī)律、內(nèi)化操作和升華經(jīng)驗(yàn)的系統(tǒng)性學(xué)習(xí)，是系統(tǒng)自動(dòng)開始的“本能”與系統(tǒng)遭遇數(shù)據(jù)的“直覺”的合一。其三，單一的修正雖然掛一漏萬(wàn)，但是人工智能算力和存貯力加持的數(shù)據(jù)泛化的修正、系統(tǒng)無監(jiān)督的修正等又以類實(shí)踐的過程積累不斷地校正修正本身，使模型的誤差可控、能力可行、判斷可信。這既可以使科學(xué)規(guī)律的獲得“按幾何級(jí)數(shù)發(fā)展”[11]82，又推動(dòng)人工智能算法進(jìn)化的不斷加速。當(dāng)然，修正模型誤差首先是深度學(xué)習(xí)的技術(shù)機(jī)制，但是修正本身所呈現(xiàn)出來的對(duì)實(shí)踐過程的遞歸調(diào)用，一方面使被實(shí)踐所認(rèn)知的偶然性內(nèi)化成系統(tǒng)的必然性；另一方面則使系統(tǒng)的學(xué)習(xí)能力始終保持開放性與未完成性，修正系統(tǒng)誤差使深度學(xué)習(xí)能夠自由葆有系統(tǒng)與環(huán)境對(duì)系統(tǒng)自身的修正與改進(jìn)的能力，從而真正表現(xiàn)深度學(xué)習(xí)系統(tǒng)的自由性。(1)馬克思明確提出，“由于具有表現(xiàn)本身的真正個(gè)性的積極力量才是自由的”。馬克思，恩格斯.馬克思恩格斯文集:第1卷[M].人民出版社，2009:335.

總之，優(yōu)化作為解決模型誤差的技術(shù)性手段，雖然直接源于深度學(xué)習(xí)對(duì)系統(tǒng)可行性、有效性和擴(kuò)展性的現(xiàn)實(shí)考量，但卻遠(yuǎn)遠(yuǎn)超越了技術(shù)設(shè)計(jì)本身，是一種對(duì)智能學(xué)習(xí)本性的追問。表面上看，優(yōu)化是不斷用檢驗(yàn)的方式來功能性地改進(jìn)系統(tǒng)參數(shù)與聯(lián)結(jié)；本質(zhì)上講，優(yōu)化是對(duì)學(xué)習(xí)基于實(shí)踐經(jīng)驗(yàn)反向傳遞形上性的哲學(xué)表征。因?yàn)橥ㄟ^優(yōu)化，不僅強(qiáng)化了深度學(xué)習(xí)系統(tǒng)直接的功效，更為其智能預(yù)測(cè)的泛化留下了足夠的可能性。

三、智能預(yù)測(cè)的泛化與感性經(jīng)驗(yàn)的科學(xué)化

深度學(xué)習(xí)以學(xué)習(xí)來解決算法的通用性問題，既變革了傳統(tǒng)人工智能的方法論，又使人工智能技術(shù)進(jìn)入到全新的時(shí)代。因?yàn)?，學(xué)習(xí)作為智能體重要的能力，不僅能夠模仿其學(xué)習(xí)對(duì)象的行為，而且能夠深入理解學(xué)習(xí)對(duì)象的本質(zhì)，更能夠以學(xué)習(xí)對(duì)象為基礎(chǔ)創(chuàng)造性地構(gòu)造出全新的對(duì)象。因此，智能預(yù)測(cè)的泛化問題不僅是深度學(xué)習(xí)關(guān)注的核心問題，更是以技術(shù)使“生成模型可以為AI系統(tǒng)提供它們所要理解的、各種不同的概念框架，讓它們有能力在面對(duì)不確定性的情況下推理這些概念”[2]438。如此看來，深度學(xué)習(xí)嵌套式的概念化對(duì)象世界，一方面賦予算法靈活性，奠定智能預(yù)測(cè)泛化的基礎(chǔ)；另一方面又形成具有普遍化的科學(xué)邏輯，既統(tǒng)合感性經(jīng)驗(yàn)的體驗(yàn)性與獨(dú)特性，又形成科學(xué)邏輯的規(guī)范性與預(yù)測(cè)性。

第一，智能預(yù)測(cè)的泛化是基于對(duì)差異性實(shí)例的學(xué)習(xí)而形成的超越既定數(shù)據(jù)的能力。雖然目前深度學(xué)習(xí)獲得的泛化能力有限，只能識(shí)別“與所學(xué)習(xí)過的示例差別不是太大”[3]88的對(duì)象，但是卻提出了判斷不同對(duì)象的能力的要求。這既肯定了我們前述深度學(xué)習(xí)嵌套性概念所具有的肯定與否定能力，又意味著通過對(duì)感性經(jīng)驗(yàn)的抽象獲得一種發(fā)現(xiàn)原理的泛化能力。或者說，泛化本身不是求助于對(duì)各種規(guī)律和模型的窮盡列舉與海量比對(duì)，而是通過對(duì)感性經(jīng)驗(yàn)原理的表達(dá)來實(shí)現(xiàn)對(duì)對(duì)象的識(shí)別、預(yù)測(cè)和判斷。其一，智能預(yù)測(cè)的泛化在技術(shù)上雖然以特征提取為邏輯，但在執(zhí)行上卻是“在人所設(shè)置的環(huán)境中適應(yīng)性地進(jìn)行識(shí)別和決策，所以比起符號(hào)人工智能顯得更加智能化，也更接近人的日常認(rèn)識(shí)活動(dòng)”[13]。數(shù)據(jù)表達(dá)的感性經(jīng)驗(yàn)既是系統(tǒng)知識(shí)的來源，又是系統(tǒng)要超越的對(duì)象。這一方面使感性經(jīng)驗(yàn)不再是作為零散的表象而被先定的規(guī)律剪裁或拋棄，另一方面又使系統(tǒng)獲得感性的規(guī)定與限制，不是無根據(jù)地邏輯推演。也正因?yàn)槿绱耍疃葘W(xué)習(xí)在發(fā)展中雖然極度依賴數(shù)據(jù)，但卻又不受制于數(shù)據(jù)。泛化是系統(tǒng)發(fā)展從“大數(shù)據(jù)小任務(wù)”機(jī)械推理、符號(hào)表示演進(jìn)到“小數(shù)據(jù)大任務(wù)”通用智能的重要步驟。所以，泛化是對(duì)感性經(jīng)驗(yàn)形成的感性活動(dòng)的哲學(xué)肯認(rèn)與技術(shù)表征。其二，泛化是基于學(xué)習(xí)而獲得的對(duì)感性經(jīng)驗(yàn)的超越，既表現(xiàn)為智能預(yù)測(cè)的“離身性”，又表達(dá)為智能預(yù)測(cè)的“具身性”。泛化意味著深度學(xué)習(xí)不再?gòu)?qiáng)調(diào)前置程序的完滿性，而是借助于數(shù)據(jù)在自主學(xué)習(xí)與監(jiān)督學(xué)習(xí)中實(shí)現(xiàn)對(duì)系統(tǒng)知識(shí)單元、邏輯判定和效果評(píng)價(jià)的逆向修正、特征添加、聯(lián)結(jié)再建等。訓(xùn)練完成的系統(tǒng)本身具有某種固定性，但是一旦將系統(tǒng)置于預(yù)測(cè)與判斷之中，系統(tǒng)在學(xué)習(xí)機(jī)制的作用之下又開始對(duì)自身能力再次豐富，類似于人類智能在感性經(jīng)驗(yàn)中“活到老，學(xué)到老”一樣。雖然按照“莫拉維克悖論”來說，感性經(jīng)驗(yàn)是人工智能的短板，但是深度學(xué)習(xí)的泛化卻不失為解決這種短板的技術(shù)嘗試。因?yàn)?，智能預(yù)測(cè)的泛化既以唯物主義的方式強(qiáng)調(diào)了感性經(jīng)驗(yàn)存在的基礎(chǔ)性，使學(xué)習(xí)本身必須基于數(shù)據(jù)，又以建構(gòu)主義與功能主義強(qiáng)調(diào)了感性經(jīng)驗(yàn)知識(shí)化、邏輯化與概念化，形成了功能模擬、結(jié)構(gòu)模擬和行為模擬的技術(shù)性統(tǒng)一。[14]

第二，深度學(xué)習(xí)智能預(yù)測(cè)的泛化，是“從觀察到的現(xiàn)象中總結(jié)出定律，并用定律預(yù)測(cè)現(xiàn)象”[3]78自主學(xué)習(xí)的技術(shù)實(shí)現(xiàn)，既完成了深度學(xué)習(xí)系統(tǒng)功能的建構(gòu)，更是以技術(shù)的方式表征感性經(jīng)驗(yàn)的形上性與科學(xué)性。智能預(yù)測(cè)的泛化能力，既是深度學(xué)習(xí)充分挖掘?qū)W習(xí)之為智能生物特性的結(jié)果，又是泛化數(shù)據(jù)、科學(xué)化感性經(jīng)驗(yàn)的必然。深度學(xué)習(xí)強(qiáng)化智能預(yù)測(cè)的泛化，使其超越了基于先驗(yàn)認(rèn)知的推理，進(jìn)展到了科學(xué)化的行為認(rèn)知。其一，感性經(jīng)驗(yàn)作為人以感性活動(dòng)與對(duì)象世界打交道的歷史性體驗(yàn)，不僅以生物的應(yīng)激性對(duì)世界作出了反應(yīng)，還將學(xué)習(xí)獲得的方式內(nèi)化成神經(jīng)的結(jié)構(gòu)、生成行為的能力，更是以發(fā)生機(jī)理啟發(fā)了智能預(yù)測(cè)的泛化。深度學(xué)習(xí)從存在基礎(chǔ)上重釋了感性經(jīng)驗(yàn)，既使這種學(xué)習(xí)本身有了更具體的對(duì)象指向性，又以行動(dòng)的方式重述了學(xué)習(xí)之于智能的建構(gòu)性。因此，深度學(xué)習(xí)智能預(yù)測(cè)從生成邏輯上就具有以感性經(jīng)驗(yàn)面對(duì)整全對(duì)象的可能性。其二，深度學(xué)習(xí)注重對(duì)學(xué)習(xí)的理解，而非執(zhí)著于機(jī)械唯物主義的逆向工程學(xué)，使得其從行為、功能和因果等方面探索了數(shù)據(jù)表達(dá)的感性經(jīng)驗(yàn)上升為科學(xué)化概念的技術(shù)路徑，使預(yù)測(cè)的有效性“更依賴對(duì)觀察得到的數(shù)據(jù)進(jìn)行泛化，而不是依賴先驗(yàn)知識(shí)”[3]126。這一方面符合智能生物學(xué)習(xí)升華感性經(jīng)驗(yàn)，而不是記憶感性經(jīng)驗(yàn)的事實(shí)；另一方面又形而上學(xué)地確證了基于感性活動(dòng)的感性經(jīng)驗(yàn)雖然是實(shí)際的、偶然的、零散的，但是卻真實(shí)地表征著邏輯和事實(shí)，可以而且應(yīng)該被概念化成預(yù)測(cè)的前提、推理的規(guī)律與評(píng)價(jià)的準(zhǔn)則。也就是說，智能預(yù)測(cè)的泛化作為深度學(xué)習(xí)權(quán)衡系統(tǒng)優(yōu)劣和通用性的原則，并不是從系統(tǒng)內(nèi)在的邏輯結(jié)構(gòu)、前置規(guī)定和功能區(qū)化來評(píng)價(jià)系統(tǒng)本身，而是從其學(xué)習(xí)方式、學(xué)習(xí)能力和學(xué)習(xí)效果方式來考慮。雖然深度學(xué)習(xí)系統(tǒng)在設(shè)計(jì)時(shí)離不開最基礎(chǔ)的處理數(shù)據(jù)、分析規(guī)律、改進(jìn)系統(tǒng)的簡(jiǎn)單規(guī)定，但是卻能夠形成感性經(jīng)驗(yàn)科學(xué)化的技術(shù)邏輯，在提升智能預(yù)測(cè)、泛化智能預(yù)測(cè)中確證了感性經(jīng)驗(yàn)上升為科學(xué)規(guī)律的必要性與可能性。其三，智能預(yù)測(cè)的泛化，不僅具有系統(tǒng)解決問題的跨越性，而且具有系統(tǒng)處理問題的靈活性與系統(tǒng)自身的通用性。因此，科學(xué)的感性經(jīng)驗(yàn)既構(gòu)成系統(tǒng)解釋觀察對(duì)象、操作對(duì)象、干預(yù)對(duì)象和建構(gòu)對(duì)象的極簡(jiǎn)原則，使系統(tǒng)處理問題簡(jiǎn)潔化，從而使學(xué)習(xí)成為替代暴力計(jì)算與海量存貯的智能途徑；又使預(yù)測(cè)而非解釋能力成為衡量學(xué)習(xí)有效性的標(biāo)準(zhǔn)，使現(xiàn)代哲學(xué)關(guān)于學(xué)習(xí)與智能、智能與預(yù)測(cè)、預(yù)測(cè)與實(shí)踐等觀念獲得了技術(shù)證明。智能預(yù)測(cè)的泛化，本身就不是事無巨細(xì)地還原生物智能體的生物機(jī)制與感性經(jīng)驗(yàn)的具體細(xì)節(jié)，而是讓系統(tǒng)“停止記錄學(xué)習(xí)數(shù)據(jù)，開始學(xué)習(xí)發(fā)現(xiàn)數(shù)據(jù)蘊(yùn)含的基本規(guī)律”[3]129。

第三，立足于感覺材料、提升感性經(jīng)驗(yàn)，通過建構(gòu)理解概念的概念，深度學(xué)習(xí)實(shí)現(xiàn)了智能預(yù)測(cè)的泛化，既證明感性經(jīng)驗(yàn)存在著“家族相似性”，更表明智能學(xué)習(xí)能夠?qū)⒏行越?jīng)驗(yàn)科學(xué)化成普適性的判斷能力、操作邏輯和評(píng)價(jià)標(biāo)準(zhǔn)。智能預(yù)測(cè)的泛化，不是增加系統(tǒng)的知識(shí)庫(kù)，而是提升系統(tǒng)的感性語(yǔ)境。這既表明感性經(jīng)驗(yàn)的不可預(yù)測(cè)性應(yīng)該是智能預(yù)測(cè)的存在論語(yǔ)境，又表明智能學(xué)習(xí)具有獲得預(yù)測(cè)非預(yù)測(cè)性事實(shí)的能力。正如有學(xué)者提出的那樣，人工智能其實(shí)缺少的不是知識(shí)，缺少的是感性實(shí)在。其一，感性經(jīng)驗(yàn)內(nèi)涵著關(guān)于對(duì)象的知識(shí)與改造對(duì)象的實(shí)踐，對(duì)其科學(xué)化，既是以抽取規(guī)律的方式表達(dá)之，又是以直面全新偶然表達(dá)之。因此，在解決智能預(yù)測(cè)泛化的問題中，深度學(xué)習(xí)將感性經(jīng)驗(yàn)科學(xué)化成系統(tǒng)的構(gòu)成要素，其將感性經(jīng)驗(yàn)內(nèi)蘊(yùn)的空間維度與時(shí)間維度轉(zhuǎn)化成系統(tǒng)的跨越能力。深度學(xué)習(xí)不僅直接提取了感性經(jīng)驗(yàn)直接表征的科學(xué)規(guī)律，而且還在對(duì)感性經(jīng)驗(yàn)進(jìn)行嵌套層次的分解中獲得了類人智能的辨別力。這充分表明感性經(jīng)驗(yàn)的獨(dú)特性、時(shí)效性、社會(huì)歷史性等非連續(xù)的“裂隙”既是智能學(xué)習(xí)獲得認(rèn)知的障礙，又是智能學(xué)習(xí)泛化與遷移的基礎(chǔ)。其二，以深度學(xué)習(xí)的方式科學(xué)化感性經(jīng)驗(yàn)來獲得智能預(yù)測(cè)泛化的技術(shù)路徑，并不是在模擬大腦生物與生理結(jié)構(gòu)上來實(shí)現(xiàn)結(jié)構(gòu)主義還原，而是在深入把握學(xué)習(xí)過程、學(xué)習(xí)方式和學(xué)習(xí)功效中實(shí)現(xiàn)人類智能能力的表征。雖然深度學(xué)習(xí)在規(guī)律存貯機(jī)制上存在著擦除與重寫的“災(zāi)難性遺忘”，但是因?yàn)閷?duì)感性經(jīng)驗(yàn)的歷史唯物主義肯定使得深度學(xué)習(xí)不斷在技術(shù)上尋求葆有感性經(jīng)驗(yàn)實(shí)在性的方式與途徑，運(yùn)用持續(xù)學(xué)習(xí)新系統(tǒng)來保證感性經(jīng)驗(yàn)的科學(xué)性。[15]這雖然是一種技術(shù)性的嘗試，但是其葆有感性經(jīng)驗(yàn)客觀性的形上性本身卻顯示出深度學(xué)習(xí)智能預(yù)測(cè)泛化“不可替代的構(gòu)造功能，或雖然初步但比較真實(shí)的學(xué)習(xí)功能”[4]45，這實(shí)現(xiàn)了感性經(jīng)驗(yàn)的知識(shí)化與能力化。這是人工智能以深度學(xué)習(xí)的路徑來追問學(xué)習(xí)本質(zhì)所期待的。

結(jié)論

深度學(xué)習(xí)以技術(shù)邏輯實(shí)踐生物智能的學(xué)習(xí)，使其超越了以樣本量大、搜索力強(qiáng)、對(duì)比力準(zhǔn)等“大數(shù)據(jù)小任務(wù)”實(shí)現(xiàn)人工智能“聰明”的傳統(tǒng)路徑，通過對(duì)學(xué)習(xí)本質(zhì)的追問實(shí)現(xiàn)了人工智能技術(shù)范式的變革，以哲學(xué)敘事的方式表明了概念化對(duì)象世界、原則化實(shí)踐干預(yù)和科學(xué)化感性經(jīng)驗(yàn)之于智能的根基性意義，以及智能學(xué)習(xí)的現(xiàn)象學(xué)過程。深度學(xué)習(xí)雖然是以技術(shù)的邏輯來實(shí)現(xiàn)學(xué)習(xí)的過程、以功能的效應(yīng)來判定學(xué)習(xí)的效果和以修正結(jié)果的手段來改進(jìn)學(xué)習(xí)的積累，但是卻以技術(shù)現(xiàn)象學(xué)的方式揭示學(xué)習(xí)如何在遞歸調(diào)用肯定、否定和組合等基本操作的實(shí)踐中不斷地提出全新問題，實(shí)現(xiàn)了概念、原則和邏輯的建構(gòu)；更以行為的有效性、過程的開放性、系統(tǒng)的進(jìn)化性證明了學(xué)習(xí)的可能性。因此，深度學(xué)習(xí)雖然是受神經(jīng)元交流方式啟發(fā)而對(duì)學(xué)習(xí)進(jìn)行的一種技術(shù)性建構(gòu)，但是卻以技術(shù)的方式直接指向了智能體獲得智能的活動(dòng)特質(zhì)以及智能活動(dòng)成果的特性。一方面，深度學(xué)習(xí)雖然依然存在著黑箱和可解釋性等難題，但是卻以技術(shù)現(xiàn)象學(xué)表征了智能獲取的歷史現(xiàn)象學(xué)：“智力的獲得是人與外界交流學(xué)習(xí)的結(jié)果”[3]28。另一方面，深度學(xué)習(xí)不斷優(yōu)化的邏輯表明，學(xué)習(xí)不是重復(fù)地接受既定的認(rèn)知成果，而是以經(jīng)驗(yàn)為基礎(chǔ)的自我建構(gòu)與自我發(fā)展；再一方面，深度學(xué)習(xí)不以量大而以泛化數(shù)據(jù)來擴(kuò)展其行為能力的事實(shí)表明，智能體的學(xué)習(xí)既是對(duì)感性經(jīng)驗(yàn)的唯物主義肯定，又是對(duì)對(duì)象世界的概念性建構(gòu)，更是對(duì)自我能力的反思性改進(jìn)。