戴益斌

(上海大學(xué) 哲學(xué)系， 上海 200444)

理智主義與反理智主義之間的爭論最早可以追溯至賴爾(Gilbert Ryle)。賴爾嚴格地區(qū)分了命題性知識(knowing that)與能力之知(knowing how)(1)參見郁振華：《論能力之知：為賴爾一辯》，《哲學(xué)研究》2010年第10期。。命題性知識即命題表達的知識，在寬泛的意義上，它可以被理解為關(guān)于“事實是如此這般”的知識。命題性知識既可以是陳述性的，也可以是假言式的，還可以是范導(dǎo)性的。在賴爾的意義上，只要是能夠用命題表達的，都可以稱之為命題性知識。能力之知則是實踐性的，總是體現(xiàn)在某種活動之中，比如知道如何騎車、下棋、游戲等等。因此，能力之知總是體現(xiàn)為知道做某事的知識。在這種區(qū)分的基礎(chǔ)上，賴爾指出了兩種理論立場，即理智主義(intellectualism)和反理智主義(anti-intellectualism)之間的對立。前者認為能力之知可以被還原為命題性知識；后者則反對這一做法。通過一系列討論，賴爾認為理智主義是站不住腳的。他的核心理由是，理智主義的觀點會導(dǎo)致無窮倒退(2)Cf. Gilbert Ryle，“Knowing How and Knowing That：The Presidential Address”，Proceedings of the Aristotelian Society，Vol.46,No.1，1946.。21世紀初，斯坦利和威廉姆森(J. Stanley and T. Williamson)的論文《知道如何做》批評了賴爾的論證，重新討論了命題性知識與能力之知之間的關(guān)系，并主張將能力之知還原為命題性知識(3)Cf. J. Stanley，T. Williamson，“Knowing How”，The Journal of Philosophy，Vol.98，No.8，2001.。這引發(fā)了新一輪對理智主義和反理智主義之間爭論的討論。

在理智主義與反理智主義的這場爭論中，本文主張為理智主義辯護，原因在于：首先，從直覺上說，反理智主義有可能會妨礙能力之知的迭代過程，而理智主義則有利于能力之知的積累；其次，在事實層面上，人工智能的發(fā)展過程可以證明理智主義的合理性。本文試圖在回應(yīng)反理智主義的基礎(chǔ)上，從人工智能的發(fā)展中獲得某些洞見，證明理智主義的合理性。

一、反理智主義的挑戰(zhàn)：關(guān)于無窮倒退的論證

在理論層面上，反理智主義者對理智主義立場的批評有很多，但最嚴肅的批評來自于賴爾的無窮倒退論證。在討論這個論證之前，有必要厘清賴爾的一些預(yù)備性工作。根據(jù)賴爾的觀點，能力之知與命題性知識之間的區(qū)別在語言層面上體現(xiàn)得更為明顯。對于能力之知而言，可以有一系列的形容詞來描述，比如，積極的語詞有聰明的、細心的等，否定的語詞有愚蠢的、粗心的等，賴爾將這些語詞統(tǒng)稱為智力(intelligence)的概念家族；與之相對，命題性知識所涉及的活動是構(gòu)成理論思維的活動，賴爾稱其為理智(intellect)活動，其中的典型代表是數(shù)學(xué)和各門已經(jīng)建立起來的自然科學(xué)。在賴爾看來，智力與理智之間的區(qū)分對應(yīng)著能力之知與命題性知識之間的區(qū)分。在一定程度上，理智主義者也承認智力與理智之間的區(qū)分，同時也認為能力之知與命題性知識有所不同。只是理智主義并不認為二者之間有種類上的區(qū)分，他們傾向于認為能力之知是命題性知識的一種，可以還原為命題性知識。正是在這一點上，賴爾給出了他反駁理智主義者的決定性意見，也即他的無窮倒退論證。

關(guān)于無窮倒退論證，賴爾說：“對于命題的考慮本身就是一種活動，這種活動的實施可以在某種程度上顯示智力，而在某種程度上又是愚蠢的。但是，如果要有智力地實施一項活動，必然先實施一項理論活動，而且要有智力地實施，那么，任何人要打破這種循環(huán)都是邏輯上不可能的事情。”(4)吉爾伯特·賴爾：《心的概念》，徐大建譯，北京：商務(wù)印書館，2011年，第28頁。譯文有改動，參見Gillert Ryle，The Concept of Mind，London：Hutchinson，1949，p.30。賴爾的這個論證比較簡短，但它的核心思路還是清楚的?？梢詫⑺恼撟C過程重構(gòu)如下：

前提1：任何對命題的思考活動都會體現(xiàn)出智力特征；

前提2：對理智活動智力特征的刻畫依賴于有智力地實施一種新的理論活動；

結(jié)論1：實施新的理論活動會體現(xiàn)智力特征；(由前提1得)

結(jié)論2：對新的理論活動的智力特征的刻畫依賴于有智力地實施另一種新的理論活動；(由前提2得)

……以至無窮。

前提3：無窮倒退不可能；(普遍共識)

結(jié)論：理智主義方案有問題，能力之知無法被還原為命題性知識。(5)一個常見的重構(gòu)模式來自于斯坦利和威廉姆森，他們認為，賴爾的循環(huán)論證大致可以表述如下：“如果能力之知是命題性知識的一個種類，那么要實施一個行動，就必須思考一個命題，但對命題的思考本身就是一個行動，這需要另一個思考命題的行動。如果能力之知是命題性知識的一個種類的主張，要求能力之知的每一次展現(xiàn)都需要伴有另一個思考命題的行動，而這種思考本身就是能力之知的展現(xiàn)，那么能力之知將無從顯現(xiàn)?！?J. Stanley，T. Williamson，“Knowing How”)郁振華認為，這種重構(gòu)模式忽視了賴爾對能力之知的刻畫中所蘊含的智力因素(郁振華：《論能力之知：為賴爾一辯》)。筆者同意這一觀點。事實上，斯坦利后來也意識到了這一點，他在《知道如何做》(J. Stanley，Know How，Oxford：Oxford University Press，2011)一書中對循環(huán)論證進行了重新表述。

賴爾構(gòu)造的這個論證很巧妙。以上對賴爾論證過程的闡述表明，賴爾是通過利用“無窮倒退不可能”這樣一個普遍共識來反駁理智主義立場的，但是得到“無窮倒退”這一結(jié)論，是否就可以用來反駁理智主義呢？事實上，這里仍然有一些問題值得進一步探討。首先，在賴爾的論證過程中，除前提3這個普遍共識之外，賴爾至少還利用了另外兩個前提，其中前提2被賴爾視為理智主義的解決方案。因此，正常來說，賴爾通過無窮倒退否定的是前提1和前提2的合取，而并非前提2自身。其次，賴爾認為前提2是理智主義的方案，但他并沒有說明理智主義為什么會采用這種解釋方案；除此種解釋方案之外，理智主義是否還有其他的方案能夠解釋思考理智活動中的智力特征？如果不回答這些問題，賴爾對理智主義的反駁力度很有可能會比他想象中的要弱很多。

關(guān)于第一個問題，賴爾用無窮倒退論證否定的是兩個前提的合取。一般來說，只有當(dāng)賴爾論證前提1為真的情況下，他才可以認為前提2是有問題的。但根據(jù)賴爾對能力之知的刻畫，前提1似乎是真的。因為在賴爾那里，能力之知并不是“出于純粹的習(xí)慣、盲目的沖動或心不在焉地做出的行動”(6)吉爾伯特·賴爾：《心的概念》，第41頁。，而是有技巧地做出的行動，因而會體現(xiàn)出智力特征。然而，賴爾的這個命題實際上可以區(qū)分出兩種不同的解讀：1.在現(xiàn)實世界中，任何對命題的思考活動都會體現(xiàn)出智力特征；2.在所有可能世界中，任何對命題的思考活動都會體現(xiàn)出智力特征。第一種解讀方式很常見，是反理智主義者最為常見的解讀方式，也是學(xué)者最容易接受的理解方式；第二種解讀方式是一種帶有模態(tài)謂詞的解讀方式，它要求在所有可能世界中，對命題的思考活動都體現(xiàn)出智力特征。這兩種不同的解讀方式可能會導(dǎo)致不同的結(jié)論。

賴爾的描述表明，智力特征屬于一種價值上的判斷，比如聰慧或愚蠢、細心或粗心等，這些都屬于價值維度的語詞。換句話說，智力特征并不具備任何本體論意義，它其實是來自于人類從價值維度對某一活動所作的評價，真正具有本體論意義的是此活動本身。以人工智能產(chǎn)品AlphaGo圍棋機器人為例，AlphaGo之所以被認為具有智力特征，是因為評價者立足于人類現(xiàn)有的價值維度，驚嘆于它贏得了與人類頂尖棋手的對戰(zhàn)。如果是在一種可想象的可能世界中，比如由各種不同的人工智能圍棋機器人組成的世界中，AlphaGo即使贏得了所有的圍棋對弈，也不會引起這個世界中其他智能機器人的驚嘆。因為在這樣的世界里，不存在價值判斷，也不會有人認為AlphaGo會體現(xiàn)出任何智力特征。也就是說，在賴爾那里，雖然智力與能力之知具有對應(yīng)關(guān)系，但這種對應(yīng)關(guān)系并不具有必然性。只有當(dāng)一種類似于人類世界的價值判斷存在時，對命題的思考活動才會體現(xiàn)出一種智力特征。因此，如果堅持第一種解讀方式，那么前提1似乎是真的，因為在現(xiàn)實世界中，我們的確會從價值維度判斷事物；但如果堅持第二種解讀方式，那么前提1是有問題的，因為想象某個不涉及到價值維度的可能世界是可能的。因此，在存在這兩種不同解讀方式的意義上，前提1并不具有普遍有效性。

更進一步的考慮似乎可以表明，在前提1的這兩種解讀方式中，第二種解讀方式可能更為根本。首先，第一種解讀方式是基于現(xiàn)實的考慮，第二種解讀方式中的“可能世界”則為我們提供了更多的選擇，因為現(xiàn)實世界只是可能世界中的一種。而且，現(xiàn)實世界在不斷地發(fā)展變化。隨著人工智能技術(shù)的發(fā)展，我們有理由相信，尚未實現(xiàn)的可能世界有可能進一步變成現(xiàn)實世界。其次，即便在現(xiàn)實世界中，分離出不存在價值維度的“世界”仍然是可能的，需要利用的只是瓦雷拉(F.J.Varela)所提出的“微世界”概念。在瓦雷拉的視角中，微世界指的是，行動者處于其中的并且由它(可以)感知到的東西所決定的環(huán)境(7)Cf. F. J.Varela，Ethical Know-How：Action，Wisdom and Cognition，Stanford：Stanford University Press，1999，pp.9-10.。如果我們將不同解讀中的“世界”理解為微世界，那么在寬松的意義上，智能機器人在不依賴于人的環(huán)境中運作，也可以形成某種微世界，比如智能機器人群體基于它們的周遭環(huán)境所形成的微世界。這表明，雖然人工智能的發(fā)展不大可能會導(dǎo)致人類的消失，即不會導(dǎo)致價值維度在現(xiàn)實世界中的消失，但它的確表明，在微世界中，價值維度并非是一個必然選項。綜上考慮，第一種解讀方式可能略顯狹隘，第二種解讀方式更合理些，而這種解讀方式同時表明前提1并不成立。

關(guān)于前提2，賴爾認為，理智主義為了解釋對命題的思考活動體現(xiàn)出來的智力特征，需要借助另一種思考命題的活動，但這很可能不是理智主義者的主張。理智主義者主張能力之知可以被還原為命題性知識這種立場并沒有強調(diào)，對能力之知智力特征的刻畫依賴于另一種思考命題的活動。斯坦利就認為，賴爾的這種要求對理智主義者而言，是不可接受的，因為人類經(jīng)常明智地行動，但并不需要首先公開承認任何格言或規(guī)則，比如現(xiàn)象學(xué)家利用現(xiàn)象學(xué)方法思考某些經(jīng)驗對象時，并不需要有任何在先的對命題的思考活動(8)Cf. J.Stanley，Know How，p.14.。反理智主義者可能會選擇的一種回復(fù)是，用在先的理智活動理解某一活動的智力特征，是賴爾對理智主義的一種定義。但問題在于，賴爾對理智主義的定義很可能是站不住腳的。因為理智主義者只是強調(diào)，能力之知能夠被還原為命題性知識，它們之間不存在種類上的區(qū)分。除此之外，理智主義者并不需要用另一種理智活動解釋某一活動的智力特征。理由有以下幾點：

首先，認為能力之知能夠被還原為命題性知識，與認為需要用另一種理智活動解釋某一活動的智力特征是兩回事，二者之間并不等價。承認前一點與否定后一點，在邏輯上并不沖突。如果堅持用后一點定義理智主義，那么賴爾的無窮倒退論證，即便在現(xiàn)實世界中，也只能用來反駁需要用另一種理智活動解釋某一活動的智力特征這一觀點。但是，這一論據(jù)并不能證明能力之知不能被還原為命題性知識。

其次，前面已然澄清，智力特征來自于人類從價值維度對某一活動所作的評價，但在一種可能世界里，如果不存在類似于人類這樣的存在物，那么活動本身可能就不會體現(xiàn)出智力特征，因而也就不需要用關(guān)于其他命題的理智活動進一步解釋此種活動。事實上，在現(xiàn)實世界中，出現(xiàn)這種情況的可能性也在逐漸提高，相互協(xié)作的群體機器人其實就是一個典型案例，它們之間既相互獨立，又構(gòu)成一個整體，但不需要任何價值性的評價。

以上論證表明，賴爾反駁理智主義的核心論證所依賴的兩個前提或多或少都是有問題的。他的第一個前提并不具有必然性，在一種可能世界中，能力之知不會體現(xiàn)出智力特征；他的第二個前提是他自己構(gòu)造的一個假設(shè)，對于理智主義者而言，這個假設(shè)并不合適。因此，無窮倒退論證并不成立，賴爾試圖通過無窮倒退的論證來反駁理智主義是無效的。

二、人工智能具備能知之知：理智主義的證成

相對于反理智主義而言，理智主義似乎更具有合理性。這種合理性來源于我們的一項觀察，即人工智能相關(guān)成果至少已經(jīng)證明，那些通常被認為無法還原的能力之知，實際上可以被還原為命題性知識。以AlphaGo圍棋機器人為例，我們可以說明這個問題。

2016年，AlphaGo圍棋機器人打敗了人類圍棋高手李世石。這是人工智能領(lǐng)域內(nèi)的一個標(biāo)志性事件。它在一定程度上突破了人類對機器的認識。因為很多人傾向于認為，圍棋是計算機最難攻克的領(lǐng)域之一。他們的理由大致有兩點：1.圍棋需要計算的內(nèi)容超出了現(xiàn)有任何計算機的能力；2.圍棋中涉及到的“局”、“勢”被認為是計算機無法刻畫的。如果因為AlphaGo在自我學(xué)習(xí)過程中參考了人類棋盤，因而不能被認為在圍棋智力上超出了人類水平，那么AlphaGo Zero的出現(xiàn)則打破了這一認識。AlphaGo Zero自始自終并未借助任何人類經(jīng)驗，它在空白狀態(tài)下通過自我學(xué)習(xí)，在40天之內(nèi)就打敗了AlphaGo的升級版。這表明，人工智能在某一領(lǐng)域內(nèi)，通過自我學(xué)習(xí)，可以完全實現(xiàn)對人類相關(guān)領(lǐng)域的超越。事實上，這一結(jié)論在被不斷地證實。比如，清華大學(xué)薇薇作詩機器人已經(jīng)通過了圖靈測試，人臉識別技術(shù)已經(jīng)被廣泛地應(yīng)用于各種場景，波士頓動力公司推出的Atlas機器人可以實現(xiàn)奔跑與跳躍，等等。完全可以設(shè)想的是，隨著技術(shù)的進一步發(fā)展，人類有能力將人工智能在這些不同領(lǐng)域中所獲得的成果綜合在一起，實現(xiàn)更大的突破。比如說，在圍棋領(lǐng)域中，AlphaGo Zero下棋時不再需要借助人類輔助落子，而是真正以類人的形態(tài)出現(xiàn)，自主讀棋盤、拿棋子、落棋子等。這意味著，在人工智能領(lǐng)域內(nèi)，智能機器人可以像人類一樣實現(xiàn)知道如何下棋、如何奔跑、如何騎車等一系列活動。在賴爾的意義上，似乎不得不承認智能機器人具備能力之知。

根據(jù)目前學(xué)界的共識，人工智能之所以在最近幾年有顯著的提升，主要來源于算法的精進。而在這些算法中，應(yīng)用最廣的算法有五大類：規(guī)則和決策樹、神經(jīng)網(wǎng)絡(luò)、遺傳算法、概率推理、類比推理。規(guī)則和決策樹背后的核心理念是所有和智力相關(guān)的工作都可以被歸結(jié)為對符號的操控；神經(jīng)網(wǎng)絡(luò)則試圖通過改變神經(jīng)元之間的聯(lián)結(jié)方式獲得自己想要的輸出；遺傳算法的核心是適應(yīng)度函數(shù)，通過此函數(shù)給程序打分，反映它與目標(biāo)的契合度；概率推理是以貝葉斯定理為基礎(chǔ)進行概率計算或者為證據(jù)尋找最可信的解釋方法；類比推理的基礎(chǔ)是對于作為學(xué)習(xí)基礎(chǔ)的相似判斷的信任，包括最近鄰算法以及支持向量機(9)參見佩德羅·多明戈斯：《終極算法：機器學(xué)習(xí)和人工智能如何重塑世界》，黃芳萍譯，北京：中信出版集團，2017年，第65-70頁。。

通過分析，可以推知這些算法都是通過命題的方式顯現(xiàn)的。規(guī)則和決策樹依賴于對符號的操控，而符號可以用命題表達；神經(jīng)網(wǎng)絡(luò)的關(guān)鍵在于它學(xué)習(xí)的主題以及其中蘊含的獎懲機制，這些同樣可以用命題來表達；遺傳算法中的適應(yīng)度函數(shù)是一個有待填充的命題；概率推理的核心即貝葉斯定理本身就是一個命題；而類比推理所依據(jù)的相似判斷也是一個命題。事實上，如果考慮這一事實，即AlphaGo采用的是神經(jīng)網(wǎng)絡(luò)算法，并且它之所以成功的原理與機制已經(jīng)用命題形式發(fā)表在《自然》雜志之上，那么我們就能夠更加確信，人工智能的實質(zhì)是由一系列命題構(gòu)成的。

基于以上討論，大致可以得出兩個結(jié)論：1.人工智能產(chǎn)品可以展現(xiàn)出它具備某種能力之知，知道如何做某事；2.人工智能產(chǎn)品本身是由一系列命題性知識構(gòu)成的。綜合這兩個結(jié)論，可以進一步推知，原則上，某些能力之知可以被還原為命題性知識。因為人工智能產(chǎn)品之所以具備能力之知是因為它擁有命題性知識，除此之外，它并沒有其他知識來源。而這恰恰是理智主義立場的核心主張。這表明，在理智主義與反理智主義的爭論中，人工智能技術(shù)的發(fā)展成果可以證明，理智主義立場似乎更合理些。因為至少某些曾經(jīng)被認為不能還原的能力之知被證明是可以還原的。

然而，德雷福斯(H. Dreyfus)的觀點對這兩個結(jié)論提出了挑戰(zhàn)，在他看來：“所有形式的智能行為中都包含著不可程序化的人類能力。”(10)參見休伯特·德雷福斯：《計算機不能做什么——人工智能的極限》，寧春巖譯，北京：生活·讀書·新知三聯(lián)書店，1986年，第293頁。如果這一觀點成立，那理智主義是不可能的，因為德雷福斯的觀點表明，總是存在某種能力之知不能被還原為命題性知識。根據(jù)德雷福斯的分析，他同時代的人工智能樂觀主義者，比如赫伯特·西蒙(Herbert Simon)、艾論·紐維爾(Allen Newell)、約翰·麥肯錫(John McCarthy)等人，他們的人工智能工作中存在四個基本假設(shè)，即生物學(xué)上的假設(shè)、心理學(xué)上的假設(shè)、認識論上的假設(shè)和本體論上的假設(shè)。生物學(xué)上的假設(shè)指的是，在某一運算水平上，大腦以離散的運算方式加工信息，采用某種生物學(xué)的辦法，等價于開關(guān)閉合與斷開的辦法；心理學(xué)上的假設(shè)指的是，大腦可以被看作是一種裝置，它按照形式規(guī)則加工信息單位；認識論上的假設(shè)闡述的是，一切知識都可以被形式化；本體論上的假設(shè)指的是，存在一組在邏輯上完全互相獨立的事實(11)參見休伯特·德雷福斯：《計算機不能做什么——人工智能的極限》，第166頁。。在這四個假設(shè)中，后三個假設(shè)存在一個共同點，即它們都認為，“人一定是一種可按規(guī)則對取原子事實形式的數(shù)據(jù)做計算的裝置”(12)休伯特·德雷福斯：《計算機不能做什么——人工智能的極限》，第239頁。。德雷福斯認為，這四個假設(shè)都是站不住腳的。其中，生物學(xué)上的假設(shè)與當(dāng)時已發(fā)現(xiàn)的證據(jù)不相符；而后三個假設(shè)則存在一些概念上的問題，與哲學(xué)上已獲得的認識相沖突。

德雷福斯所利用的哲學(xué)上的認識有很多。這些認識至少有以下幾種思想來源：1.胡塞爾對意識問題的思考；2.格式塔心理學(xué)對整體結(jié)構(gòu)的認識；3.海德格爾對意義的理解；4.梅洛·龐蒂對身體的現(xiàn)象學(xué)分析；5.維特根斯坦對規(guī)則的分析。這些思想資源都指向一點，即人類行為并非是可形式化的。這似乎可以證明，人工智能專家試圖通過將人類行為形式化以模仿人類智能的做法可能是行不通的。然而，在評論這個結(jié)論之前，有必要弄清一個問題，即德雷福斯所說的“形式化”是什么意思。

通常認為，形式化指的是，通過將研究對象轉(zhuǎn)變成符號來考察的方法。但是，在德雷福斯的討論中，他所說的“形式化”指的是一種特定的人工智能進路，即符號主義進路。符號主義進路的代表人物有很多，比如德雷福斯提到的西蒙和紐維爾，他們認為，“物理符號系統(tǒng)具有實現(xiàn)通用智能行為的必要和充分手段”(13)Allen Newell，Herbert A.Simon，“Computer Science as Empirical Inquiry：Symbols and Search”，Communications of the ACM，Vol.19，No.3，1976.。也就是說，符號主義者往往認為，符號系統(tǒng)可以實現(xiàn)對智能行為的刻畫。雖然符號主義的代表人物之間可能存在某些細微的差別，但還是可以將符號主義的基本思想概括如下：在人為定義知識的前提下，通過符號的邏輯演算解決人工智能期待解決的問題，其中，人為定義的規(guī)則是其中的核心要素。從德雷福斯對形式化的理解中，可以得出這樣的結(jié)論，即德雷福斯對人工智能的批評實際上是對人工智能研究過程中符號主義進路的批評。因此，面對德雷福斯的批評，至少有兩個問題可供思考：1.德雷福斯對符號主義的批評是否恰當(dāng)；2.德雷福斯對符號主義的批評是否可以擴展到人工智能的其他研究進路之上。

關(guān)于第一個問題，有些符號主義者，比如麥肯錫認為，德雷福斯對人工智能的批評過時了，因為在德雷福斯的論述中，沒有看到他關(guān)于最新文獻的論斷，比如符號主義者對非單調(diào)邏輯的使用(14)John McCarthy，“Book Review：Hubert Dreyfus，What Computers Still Can’t Do”，Artificial Intelligence，Vol.80，No.1，1996.。從人工智能的工作原理來看，麥肯錫的回應(yīng)在某種意義上是恰當(dāng)?shù)?。因為很長一段時間以來，符號主義使用的是演繹推理，它是一種根據(jù)已有知識基于邏輯規(guī)則推導(dǎo)出新知識的推理過程，但非單調(diào)邏輯與之不同。非單調(diào)邏輯強調(diào)新知識的加入對原有系統(tǒng)的改變。不過，麥肯錫的反駁似乎不足以回應(yīng)德雷福斯的批評。因為無論是符號主義中的演繹推理，還是非單調(diào)推理，都是一種基于規(guī)則的思路，都試圖通過規(guī)則把握智能行為。但德雷福斯告訴我們，通過對人類行為的反思，哲學(xué)家們發(fā)現(xiàn)，人類的智能行為不是遵循規(guī)則的，而是依賴于背景知識、依賴于上下文的。為此，德雷福斯給出了人類智能行為的三個特征：1.人類的智能行為是情境式，依賴于知識背景和上下文；2.身體在智能行為中起著至關(guān)重要的作用；3.智能行為并非規(guī)則性的行為?；谶@些特征，我們可以發(fā)現(xiàn)，即便符號主義在研究人工智能的過程中添加了非單調(diào)推理，只要這種研究思路不放棄規(guī)則的主導(dǎo)地位，那么它仍然無法避免德雷福斯的指責(zé)。事實上，德雷福斯對人工智能的批評真正出問題的地方在于，他無法將這種批評擴展到人工智能的所有研究進路之上，特別是目前流行的以深度學(xué)習(xí)技術(shù)為代表的聯(lián)結(jié)主義進路和行為主義進路。

首先，當(dāng)今最流行的人工智能技術(shù)即深度學(xué)習(xí)包括兩個部分：知識與經(jīng)驗。知識是人類預(yù)先給予智能機器的，比如數(shù)學(xué)公式等。在人工智能領(lǐng)域，它們也被稱為“先驗知識”。經(jīng)驗是智能機器在運行過程中得到的反饋，這與人類的經(jīng)驗類似。就像人類在生活中發(fā)現(xiàn)不能用手碰觸燃燒的火焰是一種經(jīng)驗一樣，人工智能的經(jīng)驗也是后天的。將知識與經(jīng)驗融為一體是深度學(xué)習(xí)技術(shù)的一個典型特征。這一特征表明，人工智能可以避免德雷福斯的第一個批評。因為人工智能中的知識成分等同于德雷福斯所強調(diào)的知識背景，而經(jīng)驗則相當(dāng)于他所說的上下文。

其次，強調(diào)身體在智能行為中的作用，也不足以反駁人工智能。因為人工智能技術(shù)并不排除利用其他材料和技術(shù)實現(xiàn)人工智能產(chǎn)品的“身體”構(gòu)造，比如生物材料技術(shù)、多傳感器信息融合技術(shù)、導(dǎo)航與定位技術(shù)等等。雖然這些技術(shù)本身很復(fù)雜，但是都可以用命題的形式表達出來，它們以文字形式呈現(xiàn)在教科書、論文、專著之中即是例證。比如多傳感器信息融合技術(shù)，其基本原理是利用多傳感器資源，將傳感器獲取的信息進行整合，形成關(guān)于外部環(huán)境或被測對象某一特征的描述。這并沒有超出命題所能表達的范圍。因此，試圖通過“具身性”概念否認人工智能具備模仿人類智能的可能性(15)類似的批評參見何靜：《具身性與默會表征：人工智能能走多遠？》，《華東師范大學(xué)學(xué)報》(哲學(xué)社會科學(xué)版)2018年第5期。，很可能是不恰當(dāng)?shù)?。人工智能可以利用其他材料與技術(shù)實現(xiàn)人工智能產(chǎn)品的“身體”構(gòu)造，從而以具有“身體”的形態(tài)實現(xiàn)人工智能與外在世界之間的“耦合”。人工智能技術(shù)中的行為主義進路典型地體現(xiàn)了這一點。

最后，智能行為并非規(guī)則性行為，這一結(jié)論是恰當(dāng)?shù)?，我們的確可以在智能行為中找到很多證據(jù)，但這并不意味著人工智能會失敗。因為人工智能的發(fā)展現(xiàn)狀表明，人工智能在聯(lián)結(jié)主義思路的影響下，并沒有強調(diào)規(guī)則在智能行為中的作用，而是主張人工智能在數(shù)據(jù)中學(xué)習(xí)，即通過給定的數(shù)據(jù)統(tǒng)計出某些近似的規(guī)律，以解決人工智能期望解決的問題。也就是說，人工智能并不強調(diào)規(guī)則的使用，而是強調(diào)概率的使用。在這種思路的影響下，人工智能已經(jīng)取得了很多令人意想不到的成果。從這個角度來看，德雷福斯對規(guī)則的批評也不適用人工智能領(lǐng)域所使用的最新技術(shù)。

基于以上討論，可以發(fā)現(xiàn)，當(dāng)前的人工智能技術(shù)的發(fā)展并沒有像德雷福斯所說的那樣，蘊含了四個基本假設(shè)。因為研究者們在這一研究過程中并沒有假設(shè)大腦是以離散的方式處理信息的，也沒有假設(shè)人類的智能行為一定可以按照符號的形式將其形式化，而是主張將每一種智能行為看作是一個系統(tǒng)。這個系統(tǒng)蘊含了很多成分，它既與先驗知識有關(guān)，也與經(jīng)驗反饋相聯(lián)。而且，德雷福斯對人類智能行為特征的描述并不會妨礙人工智能對人類智能的模仿，人工智能中的聯(lián)結(jié)主義進路與行為主義進路可以適配人類智能行為的這些特征。這些結(jié)論表明，德雷福斯對人工智能的考察并不成立。

事實上，德雷福斯對人類智能行為特征的概括可以看作是能力之知的某種共性。因為能力之知恰好體現(xiàn)在人類的智能行為之中。如果這個判斷成立，以上論述可以確定，在實踐領(lǐng)域內(nèi)，人類并沒有什么特殊的能力之知是人工智能無法實現(xiàn)的。從這個角度來說，理智主義的觀點是合理的，能力之知可以還原為命題性知識。

三、理解能力之知：整體論視域下的理智主義解釋

能力之知是可還原的，但應(yīng)如何理解能力之知呢？在理智主義的框架下，人工智能的發(fā)展現(xiàn)狀或許能為我們澄清能力之知給出某些啟示。人工智能的相關(guān)成果表明，學(xué)會一件事情，或者說具備某種能力之知，并不是簡單地可以用一句話如“某人會做某事”來概括的。它涉及到的內(nèi)容非常多。這些內(nèi)容構(gòu)成了一個整體，而實現(xiàn)某種能力之知即是在這種整體的意義上完成的。無論是從人工智能的一般工作原理還是從某個特定的人工智能產(chǎn)品出發(fā)，都可以證明這一點。

從人工智能的一般工作原理來看，目前人工智能的靈魂即“機器學(xué)習(xí)”實際上包括四個部分：學(xué)習(xí)目標(biāo)、學(xué)習(xí)結(jié)構(gòu)、訓(xùn)練數(shù)據(jù)和學(xué)習(xí)算法。這四個部分構(gòu)成一個整體，任何一個部分的缺乏都會導(dǎo)致人工智能無法完成它所設(shè)定的任務(wù)，無法展現(xiàn)出它所具有的特定的能力之知。

從特定的人工智能產(chǎn)品比如AlphaGo出發(fā)，AlphaGo的算法里結(jié)合了樹搜索技術(shù)以及大量的經(jīng)驗訓(xùn)練，并且內(nèi)置了快速落子網(wǎng)絡(luò)和策略網(wǎng)絡(luò)，它們之間相互關(guān)聯(lián)，構(gòu)成了一個系統(tǒng)，去掉其中的任何一個環(huán)節(jié)都可能無法完成對人類圍棋冠軍的挑戰(zhàn)。人工智能領(lǐng)域內(nèi)的這些事實表明，在理解能力之知的問題上，整體論的視角是一種合適的選擇(16)需要簡單澄清的是，“整體論”一詞應(yīng)用在不同領(lǐng)域之中會有不同的含義。比如在語言哲學(xué)中，整體論意指，一門語言中所有語詞的意義相互依賴；而在認識論中，整體論意指，一個陳述的認知意義反應(yīng)在它與其他陳述之間的邏輯關(guān)系的全體之上。本文在寬松的意義上使用“整體論”一詞，其要點在于將各式各樣內(nèi)部相互關(guān)聯(lián)的系統(tǒng)看成是一個整體。。

而且更重要的是，從理論上看，整體論的視角更符合人類對知識整體的認知。哲學(xué)家們對知識的探索似乎越來越清楚地表明，知識之間并不是獨立的，而是相互關(guān)聯(lián)的。對一個概念的把握，依賴于是否已經(jīng)把握與它相關(guān)的其他概念；為了理解一個命題，需要理解與之相關(guān)的其他命題。在某種意義上，離散性的知識體系很可能并不存在。在涉及到能力之知的相關(guān)問題時，可能也是如此情形。獲得一種能力之知，意味著對該能力之知涉及到的所有內(nèi)容都有所認識。當(dāng)然，需要強調(diào)的是，這種認識過程并不是即時性地瞬間完成的，而是漸進式的。行動者一步一步完成對某類知識的把握，逐漸加深對該類知識的理解。隨著對能力之知相關(guān)內(nèi)容認識的增加，行動者對能力之知的理解和操作也更會加清晰與熟練。

基于整體論的理論視角，可以推知，原則上能力之知最終可以還原為一系列命題性知識。需要注意的是，這種還原與理智主義的代表人物斯坦利和威廉姆森所采用的還原模式不一樣。斯坦利和威廉姆森通過分析“漢娜知道如何騎車”這樣的事例試圖闡明，某人S具有某種能力之知KH可以還原為，在某一特定語境C中，存在某種方法W，并且S知道W是KH的方法，且在實踐的呈現(xiàn)模式下，擁有此命題(17)Cf. J. Stanley，T. Williamson，“Knowing How”.。很明顯，這樣的還原模式基本上是一一對應(yīng)的，即將一種能力之知還原為一個命題。但這種還原模式很可能是行不通的。其中的關(guān)鍵因素在于，實現(xiàn)一種能力之知，并不是一種命題性知識可以完成的。整體論的視角表明，一種能力之知涉及到相當(dāng)多數(shù)量的命題性知識。在AlphaGo的案例中，數(shù)量眾多的代碼綜合在一起才體現(xiàn)出AlphaGo具備下圍棋的能力。這也就是說，當(dāng)我們試圖還原某種能力之知時，應(yīng)該將其還原為一系列命題的組合，而不是某個單個命題。

能力之知往往體現(xiàn)在做某件事情的行動之中，這種行動可以進一步分解，而分解后的行動大多都可以用適當(dāng)?shù)拿}來表達。比如說，在“漢娜知道如何騎車”這個事例中，漢娜知道如何騎車可以進一步分解為：漢娜知道在開始騎車前，應(yīng)保持身體平衡，坐在車座上；漢娜知道，準(zhǔn)備騎車時，雙手應(yīng)握住車把；漢娜知道，雙手握住車把后，用雙腳踩蹬；等等。當(dāng)然，在這種分解過程中，仍然可能會有某些命題隱含了某種能力之知。比如漢娜知道雙手握住車把后用腳踩蹬，實際上就隱含了漢娜知道如何用腳踩蹬這種知識，而這恰恰是一種能力之知。在這種情況下，我們可以做進一步的還原，即繼續(xù)將這種用腳踩蹬的能力之知，進一步分解為更為基礎(chǔ)的知識，比如知道把腳平穩(wěn)地放到腳蹬上，知道用腳發(fā)力，等等。當(dāng)然，這種程序可以繼續(xù)下去，但不會無限進行下去。因為在對能力之知進行分解的過程中，它所蘊含的能力之知，如果看成一個集合的話，是真包含于它自身的。這意味著分解的次數(shù)越多，其中所蘊含的能力之知越基礎(chǔ)。而對于這個最為基礎(chǔ)的能力之知，一定會有某種命題系統(tǒng)與之相互等價。否則的話，不但AlphaGo不可能，任何一種能體現(xiàn)出有某種能力之知的智能機器都是不可能的。

需要澄清的是，將能力之知還原為某個命題系統(tǒng)，命題系統(tǒng)中所包含的命題不僅有陳述性的，還有很多是范導(dǎo)性的和假言式的。而且，范導(dǎo)性的命題和假言式的命題在這種命題系統(tǒng)中很可能是必不可少的，尤其是假言式的命題。通常情況下，在一個命題系統(tǒng)中，陳述性的命題往往表達的是對事物的認識，比如雪是白的；范導(dǎo)式的命題呈現(xiàn)出一種規(guī)則或指令，指引著行動者在某種情況下做出某種相應(yīng)的回應(yīng)，比如靠右行走；而假言式的命題則通過前件與后件之間的關(guān)系，表達了一種普遍性，比如如果a是植物，那么a會光合作用。對于能力之知而言，普遍性大概是一個必要屬性，因為主體擁有某種能力之知，意味著他可以在不同場合中使用這種能力之知。這也是假言命題在命題系統(tǒng)中不可或缺的原因。

如果以上對能力之知的考察是合理的，那么這將證明，能力之知原則上可以還原為命題性知識。能力之知與命題性知識之間并沒有種類上的區(qū)分。只不過，將能力之知還原為命題性知識，不是將一種能力之知還原為某一命題所表達的命題性知識，而是將能力之知還原為由一系列不同類型的眾多命題構(gòu)成的命題系統(tǒng)。這一結(jié)論表明，無論在事實上，還是在理論上，相比反理智主義而言，理智主義更為合理。進一步的思考表明，從整體論的視角為理智主義辯護，會有很多優(yōu)勢。

首先，整體論的思路不但可以證明能力之知可以被還原為命題性知識，而且可以證明能力之知和命題性知識之間的確存在某種差別。一方面，能力之知可以被還原為命題性知識，因而二者之間，并沒有種類上的差別；另一方面，能力之知與單個命題表達的知識之間的確存在差別，這種差別體現(xiàn)為一種樣式上的差別。因為能力之知往往是由命題系統(tǒng)構(gòu)成的，而學(xué)界通常所說的命題性知識，往往都是由單個命題表達的知識。前者是系統(tǒng)性的，而后者是個體性的。當(dāng)然，這種樣式上的差別，從認識論的視角來看，也會體現(xiàn)出一些差異。比如在存在價值判斷的現(xiàn)實世界中，一個命題系統(tǒng)，尤其是當(dāng)它包含有很多范導(dǎo)性命題和假言命題的時候，往往會體現(xiàn)出一些智力特征，但單個命題幾乎不會表現(xiàn)出這種智力特征。此外，應(yīng)用單個命題也會出現(xiàn)意想不到的情況，比如將單個命題表達的信念指派給行動者時，往往可能會出現(xiàn)一些蓋梯爾反例的情形，但應(yīng)用一個命題系統(tǒng)在一般情況下不會出現(xiàn)這種情形。事實上，這一點也可以用來說明，為什么理智主義者可以解釋能力之知的智力特征，而不需要依賴在先的對某一命題的理智活動。

其次，從整體論出發(fā)，可以解釋以往理智主義和反理智主義之間的爭論可能存在的問題。理智主義者通常認為，能力之知并非知識的一種特類，它和命題性知識并無區(qū)分；反理智主義者則傾向于在能力之知與命題性知識之間劃出一條嚴格的界限。但是他們的討論往往是原子式的。斯坦利和威廉姆森的解釋方案很明顯，他們用一種命題性知識解釋一種能力之知；賴爾對理智主義的反駁也蘊含了這種思維方式，因為他似乎想當(dāng)然地認為，“要有智力地實施一項活動，必然先實施一項理論活動”(18)吉爾伯特·賴爾：《心的概念》，第28頁。譯文有改動，參見Gillert Ryle,The Concept of Mind,p.30.。問題在于，他們并沒有為這種思維方式給出任何辯護。我們并不清楚，為什么只能用一種命題性知識解釋一種能力之知，為什么有智力地實施一項活動，只會涉及到一項理論活動。與之不同的是，整體論的思考方式不僅在理論上有很多說明，而且在某種意義上，它在經(jīng)驗領(lǐng)域也得到了一些證明，知識的學(xué)習(xí)過程是一種明證。當(dāng)然，最重要的是，以整體論的思考方式思考能力之知與人工智能的發(fā)展現(xiàn)狀在事實層面上相契合。

最后，從整體論上證明能力之知可以被還原為命題性知識，這一結(jié)論對于知識的積累而言，具有重要意義。反理智主義者認為，能力之知不能還原為命題性知識。如果這是合理的，那么這將意味著能力之知只能通過個體行為呈現(xiàn)出來，行動者也只能通過自己的領(lǐng)悟力學(xué)習(xí)能力之知。在這種情況下，能力之知的傳播和積累會面臨巨大的障礙。但事實上，這樣一種觀點在很大程度是成問題的，因為已有證據(jù)表明，從AlphaGo到AlphaGo Zero，人工智能棋藝的精進相當(dāng)迅速。理智主義者認為能力之知可以被還原為命題性知識，通過命題形式學(xué)習(xí)能力之知，這為能力之知的積累提供了保障。

當(dāng)然，以上從整體論角度思考能力之知的各種優(yōu)勢并沒有要求我們必然在現(xiàn)實社會中將各種能力之知還原為命題性知識。因為事實上，將能力之知還原為命題性知識系統(tǒng)，這一過程并不容易，甚至在一定程度上可能超出了有限個體的認識。比如說，AlphaGo的研發(fā)并非是集一人之力完成的。這很可能是眾多學(xué)者在直覺上傾向于認為能力之知與命題性知識屬于不同類型的知識的原因。但是，這并不意味著在原則上，我們不能將能力之知還原為命題性知識。這也就是說，在理論上，能力之知可以還原為命題性知識，但在現(xiàn)實生活中，是否應(yīng)該將能力之知還原為命題性知識可能還要考慮其他方面的問題，比如經(jīng)濟問題、還原效率問題等等。而在語言層面上，由于使用“能力之知”這樣的語詞比使用它可能被還原的一個命題系統(tǒng)要簡單得多、方便得多，因此，基于實用精神，在語言層面保留“能力之知”這一語詞是可以接受的。

綜上所述，理智主義與反理智主義之間的這場爭論，無論是在事實層面上，還是在理論層面上，理智主義都更具有優(yōu)勢。在事實層面上，人工智能的相關(guān)成果可以證明，能力之知可以被還原為命題性知識，二者之間并沒有種類上的差別。在理論層面上，反理智主義者通過無窮倒退論證反駁理智主義的核心主張并不成立。因為它所利用的兩個前提都不是必然有效的。在一種可能世界中，能力之知并不會體現(xiàn)出智力特征；并且，理智主義不需要求助于在先的對命題的思考活動就可以說明能力之知可能體現(xiàn)出的智力特征。從整體論的視角出發(fā)，能力之知被證明可以還原為一系列命題性知識的組合。能力之知與命題性知識之間的差別是命題系統(tǒng)和單個命題之間性質(zhì)上的差別。我們之所以在語言層面上使用“能力之知”這個語詞，也只是因為相比較而言，它在使用上更加方便。