適應性表征是人工智能發展的關鍵

【摘要】人工智能的表征方式應該是適應性的，這是通過生物特別是人類適應環境到人造的機器適應環境的一個類比邏輯地推出的。如果我們承認生物是進化適應性的，那么就應當承認其認知表征能力也是適應性的，進而作為人造物的人工智能包括機器人，其認知表征也自然是適應性的，即適應性的主體會創造或產生適應性的結果。這一適應性轉換的過程是通過人為設置語境實現的，語境的設置是通過建構語料庫進行的，人工智能的適應性表征正是基于人為設置的語境進行的。因此，適應性表征就成為智能機器人能否像人那樣行動的一個重要判據。

【關鍵詞】人工智能? 語境設置? 適應性表征

【中圖分類號】TP18? ? ? ? ? ? ? ? ? ? ? ? ? ? 【文獻標識碼】A

【DOI】10.16619/j.cnki.rmltxsqy.2019.21.004

人工智能發展到今天，對現代社會產生了異乎尋常的影響，滲透到幾乎所有領域，諸如工業、農業、服務業、科研、醫療、教育等，就連日常生活也不例外，如智能手機、掃地機器人的廣泛使用。然而，人工智能特別是它的應用領域機器人學的發展卻遇到了極大挑戰，即智能機器人如何能夠像人那樣思維和行動。

這個棘手的問題實際上有兩個層次：一個是認知層次，另一個是運動層次。關于第一個層次的認知問題，認知科學、計算機科學包括人工智能及其哲學討論得非常多了，具體說就是計算機能否像人那樣思維或認知，或者說計算機是否有思維能力。在計算主義的語境中，由于思維被定義為計算，所以計算機不僅能像人那樣思維，而且事實上已經超過了人類，如大型計算機的運算速度遠遠超過人類;而在“具身認知科學”的語境中，思維被認為僅僅是與我們生物的身體以及基于身體的情感、自由意志相關的，計算機包括智能機由于沒有身體，缺乏情感和心靈，因而被認為不可能像人那樣思維。這種爭論仍然在繼續著。這里的重點不是要討論認知層次的問題，而是著重探討運動層次的問題，即智能機器人如何能夠像人那樣靈活地行動，也就是如何進行適應性表征的問題。

適應性通過設置語境嵌入人工智能

進化生物學已經表明，所有生物包括我們人類都是自然進化的產物，進化意味著生物在適應變化的環境。凡是不適應環境變化的生物，都會遭到淘汰。人類之所以能夠生存至今且越來越發達，與其擁有超強的適應性能力密不可分。適應性能力不僅表現在生理層次上的適應，更表現在認知層次的適應，這反映在我們不斷探索未知世界，也就是不斷嘗試認知地適應自然世界的方方面面。這意味著，我們的心智和智能是適應性的，我稱之為“適應性心智”或“適應性智能”。正是有了這種適應能力，我們才能持久生存下去，才能不斷創造出新東西，如計算機、各種機器人。這表明人類的所有創造物，包括知識形態和實體形態，都是適應性表征的結果。由此推知，適應性能力特別是認知和表征能力是人之為人的標志。

之所以這樣說，是因為動物雖然也有適應環境的能力，也可能有一些認知能力（靈長類動物有一定智力，比如會使用簡單工具），但沒有使用語言特別是抽象符號進行表征的能力。這是顯而易見的事實。人不僅具備這種抽象符號表征能力，而且制造出了人工智能這種符號表征的物理系統，它是人類智力高度發達的體現。數學和邏輯學之所以高度抽象、推理嚴密，就是運用了符號思維和符號表征能力。自然科學特別是現代物理學如量子力學也是運用符號表征（數學的、邏輯的）的科學。人工智能的表征系統基本上使用的就是數學和邏輯的表征方法，比如計算機編程就是用符號語言編寫的，而不是使用純自然語言（日常語言）。計算機能夠處理符號語言（操作符號），而難以處理自然語言（不能用于編程，也難以給出其意義），這就是計算機和人工智能中的自然語言處理難題。

為什么計算機難以處理自然語言呢？在我看來，原因并不復雜，因為計算機缺乏人類靈活的適應能力和自主融入語境的能力，也就是適應性表征能力。這意味著適應性表征是計算機科學包括人工智能和機器人學發展的關鍵。如果讓計算機系統和人工智能裝置擁有了這種能力，那它們就應該能夠處理自然語言了，比如智能機器人寫文章、作詩、譜曲，與人類對話。目前雖然這方面已有所進展，如智能機器人給歌手評分，但它仍然不能理解它所處理的自然語言的含義，如不理解歌手所唱歌詞的意義，它所作的只是機械地測量和評估，如聲調高低、音域大小等。也就是說，智能機器人只“知其然”，而不知“其所以然”。這就是機器人與人類在適應性表征方面的差距。

然而，問題來了。計算機和人工智能如何才能擁有適應性表征能力呢？這是個非常重要的問題，也是個極其棘手的問題。目前，人工智能在技術實踐上還沒有太大突破，理論或哲學上僅限于假設和思辨。我曾經在哲學層次提出過計算機像人那樣思維的“自語境化”假設，[1]即智能機要像人那樣思維，就應該像人那樣能夠自動融入新的語境中，也就是從一個它所處的語境（情境）進入一個新的語境中仍能夠應對自如，就像我們與不同的人打交道那樣。當然，這只是一種理想化的設想，因為我們知道智能機是沒有語感的，不像我們人類從小受過教育，有在不同環境中成長的經歷等。這種潛移默化的背景因素是機器人無法習得的。但是，我們別忘了一個基本的前提：智能機器人是人設計的。人類設計者可以給智能機設置語境，比如建立知識庫和語料庫，智能體（agent）可以使用各種搜索方法從庫里尋找所需的數據，從而完成特定的認知任務，如下棋、爬山。

從適應性表征角度看，自語境化過程實質上就是適應性過程，也就是適應新語境或環境的過程。如果說自語境化假設還停留在哲學層次，那么適應性表征則處于科學和技術層次，或者說，前者是理論的，后者是實踐的。科學表征如各種科學理論，就是實實在在的適應性表征（通過假設、試錯、檢驗、修正），人工智能的各種表征（數學的、邏輯的、概率的），也是適應性的（完成認知任務的嘗試過程），只是適應的程度比人的適應性要弱許多。比如科學理論的修正，可能需要較長的時間，而人適應環境的時間則相對較短。事實上，我們遇到的新語境也不是我們刻意設計的，而是隨機遇到的，比如偶遇幾個只會講英語的外國人就形成一個講英語的語境，與之交流時最好使用英語，假如不懂英語，也可通過肢體語言如眼神、手勢溝通。在這種情形下，智能機器人可通過語言切換進行交流，比不懂英語的人還有優勢，因為它的語料庫中可被嵌入多種語言。

這個例子告訴我們，在機器人學中，我們可以“頂層設計”，根據目標任務想到機器人可能遇到的所有可能境遇。比如掃地機器人，是在平滑的地面清掃，而不是崎嶇不平的環境。這就是人為設置的“有限語境”。由于設計者可以給智能機設置語境，所以智能機適應性地表征就不僅是可能的，而且已經基本實現，比如現在的各種實用機器人，只是這種適應性是受限于被設置的語境的。總之，智能機的適應性是人類設計者通過設置語境讓其盡可能適應不同境遇或環境的。正如德雷福斯對海德格爾的“技能應對”的解讀所認為的那樣，我們有必要設定使特定局部實踐得以可能的背景（語境），即使特殊的應對活動在當下世界的顯現成為可能的背景，而且這種背景應對通過讓行動者（人或機器）施展使用特定器具的熟練能力，使其在特定環境中對任何通常情況下可能出現的事態作出恰當的回應。[2]設置的語境的范圍、復雜程度不同，其適應性能力就不同，這與要完成的目標任務相關。事實上，人在不同環境或語境中執行特定任務的情形也是如此。

人工智能通過建構語料庫設置語境

雖然人工智能缺乏語感，也不擁有語境，但是人類設計者可以給它設置并嵌入語境。比如計算機的編程語言是符號的，但其在視屏上的呈現幾乎都是自然語言的，否則就難以普及應用了。具體來說，智能機沒有我們擁有的語境，但人類設計者可以通過人為設置語境讓智能機有作為近似人類語境的知識庫或語料庫，然后通過文本分類、信息檢索和信息提取等方法從中獲得所需的信息。這類似于我們查詞典，詞典就是我們的語料庫。需要指出的是，這種顯在的語料庫與潛在的知識構成的語境因素還是有區別的，由于人和機器存在質的差異，其語境也必然有所區別，因為人是通過自然習得語言才逐漸有了語感進而形成語境，而機器是人為其嵌入語言，只是儲存而不會產生語感，因而不會自發形成并擁有語境，或者說，人有發生語境，而機器沒有。這就是為什么塞爾將語境看作背景（background）的原因（人有背景，機器沒有）。[3]

就人為機器設置的語境來說，比如我們可將各種百科全書和各類詞典作為語料庫，而且這種語料庫隨著時間的推移會不斷增大。這種不斷增大的語料庫，使得信息提取越來越精確。例如機器翻譯，雖然它的翻譯總是直譯，并不準確，但它提供的信息，如我們不認識的單詞，機器會給出基本意義，省去我們查找詞典的許多時間。目前常見的翻譯軟件如金山詞霸、有道詞典、谷歌翻譯等，均有巨大的語料庫，幾乎囊括了主要語種諸如英語、法語、德語、漢語等的幾乎所有詞匯。凡是使用過這些軟件的人都知道，這比查找相關紙質詞典方便多了。語料庫或知識庫，就是人類設計者為智能機設置的“語境”。這種人為設置的語境無論多大，也是有限的、可描述和可表征的。與人類的語境作為意向性的一個關鍵且無法消除的方面相比，還是有區別的。因為人的語境“類似于某種終極語境……，甚至是更廣泛的情境，我們稱之為人類的生活世界”。[4]顯然，人工智能壓根就沒有這個“生活世界”，更談不上體驗這個“生活世界”了。

如果說語料庫是人為智能機設置的一個背景語境，那么具體到一個問題或任務，人工智能就是問題或任務導向的，此時就需要有具體的問題語境或當下目標語境。在人工智能中，智能體被認為是最大化其性能測量的人工主體。這一過程是目標取向的并盡可能達到目標，這與生物體是相似的。在適應環境的意義上，意識主體達到目標的表征一定是適應性的。我們設想一個主體（人或智能體）在北京旅游，它享受美麗的景觀，如天安門廣場。主體的性能測量可能包括許多因素，諸如交通便利、陽光充足、景色迷人、夜生活，以及避免宿醉等。去哪些景點，這個決策問題也是復雜的，因為它涉及諸多權衡，要閱讀旅游指南等。進一步假設這個主體購買了第二天去上海的機票，而且該機票是不能退的，在這種情形下，主體只能確定去上海的目標（沒有選擇余地），不能及時達到上海的行動計劃會被拒絕，這樣，主體的決策問題就被大大地簡化了。這表明是目標約束了主體的行動，所以基于當下境遇和主體的性能測量的目標規劃，就是問題-解決語境下的關鍵第一步。

在真實世界中，一個目標就是一組世界狀態，準確說就是目標被滿足的那些狀態。主體的任務就是發現現在和將來如何行動，以便實現目標。在采取行動前，我們需要確定哪類行動和狀態要考慮，因為在細節上存在許多不確定因素，具體行動步驟也會有許多。比如去上海前我們需要考慮以什么方式、哪一天的什么時刻等，甚至還要考慮天氣因素。這就是說，在給定目標的情形下，我們需要考慮基于目標的相關行動和狀態，這是問題規劃的過程。對一個已知的或可觀察的環境，主體可以采取一系列確定的行動來達到目標。如果環境是不可觀察的或不確定的，也就是未知的，主體達到目的的行動序列就會復雜得多，這就是關于不確定性的探索問題。這兩種情形都涉及問題—解決的語境設置問題。

在人工智能中，一個明確定義的問題語境一般包括五個方面。

（1）初始狀態（主體開始行動的起點），比如我們在北京可表達為In（Beijing）。[5]

（2）關于主體可用的可能行動的一個描述，已知一個狀態s，一個在該狀態中可執行的行動就是Action（s），比如狀態In（Beijing），可采取的行動{Go（Yiheyuan），Go（Changcheng），Go（Tiantan）}（去（頤和園），去（長城），去（天壇））。

（3）關于每個行動做什么的一個描述，也就是轉換模型，由結果函數Result（s， a）詳細說明，比如Result（In（Beijing），Go（Yiheyuan））=In（Yiheyuan）。這樣一來，初始狀態、行動和轉換模型一起隱含地定義了問題的狀態空間，也就是通過任何行動序列從初始狀態達到所有狀態的組合語境。這個狀態空間形成一個定向網，其中的節點表示狀態，狀態之間的連接表示行動。

（4）目標測試，它決定一個給定的狀態是否是一個目標。比如在下中國象棋的情形中，目標是達到一個“將死”的狀態，在那個狀態對手的“帥”不能再移動了。

（5）一個路徑代價函數，它評估每個路徑的數值。問題-解決的主體選擇一個代價函數來反映它自己的性能測量。比如趕飛機去上海的人，時間是其實質，路徑數值是公里長度，如太原到上海的距離是1200公里。我們一般能夠根據地圖上的比例計算出兩個城市之間的直線距離。一般來說，一個問題的求解就是從初始狀態到目標狀態的一個行動序列。求解質量由路徑代價函數來測量，而最優解是所有解中的最低值。

可以看出，這五個成分構成一個問題或任務語境，其表征嚴格說是一種抽象的數學描述，還不是真實發生的事情，比如我們從北京到上海的實際旅行，如果是乘高鐵，還可以觀看一路的風景。抽象模型抽去了表征的一些細節，留下最顯著的特性。這個抽象過程也是規劃問題的過程。除抽象化狀態描述外，我們還必須抽象化行動本身。比如開車的行動包括許多結果，除了改變車的地點，還有時間花費、汽油消耗、尾氣排放、環境污染等。我們的規劃只考慮了地點的改變，忽略了許多其他行動，比如打開收音機、向窗外看、減速等，因為這些行動對于我們從一個地方到達另一個地方（完成目標）沒有多少幫助。這就是說，執行從一地到另一地的行動是主體要完成的任務，其他行動與完成這個目標幾乎沒有關系，所以可以不予考慮。這就是語境的聚焦或過濾作用。語境的存在，使得某些與認知目標關系不大的因素被排除掉，從而起到簡化、集中的作用。在這種問題語境下，智能體才能解決具體問題。

上述例子是人工智能中的“路徑發現問題”。現代小車上的導航系統就是解決路徑發現問題的系統，它是一個適應性系統，即必須隨著路徑和路況的不同及時做出調整。上述從北京到上海的航空旅行就是一個具體的路徑發現例子。根據上述的五個方面或步驟，這個例子的一個旅行計劃網（語境）的構成包括以下六部分。

（1）歷史狀態：每個狀態包括一個地點，如首都國際機場，當前時間，如具體起飛時間，以及歷史因素，如機場狀況、機場設施，甚至還可能包括國內還是國際航班等信息。

（2）初始狀態：這要根據使用者的問題來說明，如晚上8點北京到上海的航班的情況。

（3）行動：乘坐當前機場的飛機、選擇任何等級的座位、留下足夠轉機的時間等。

（4）轉換模型：產生乘機的狀態將擁有航班的目的地作為當下地點，航班到達時間作為當下時間。

（5）目標測試：使用者是否詳細說明了最終的目的地。

（6）路徑代價：這依賴于貨幣值、等待時間、航行時間、座位等級、飛機類型，以及乘機頻次獎勵等因素。經常乘飛機的人都知道，并不是所有航行都能夠按照計劃進行，改變原計劃的情形時不時會發生，或者是天氣的原因，或者是飛機的故障，或者是出行者自己的原因，等等。

因此，一個真正好的系統應該包括臨時計劃，比如備份預定下一趟航班，以防原計劃失效。出于這些原因，人類設計者在設置語境時要盡可能考慮到各種可能性。

人工智能基于設置的語境適應性地表征

這里我以人工智能的應用領域——機器人學的適應性表征為例來說明。在機器人學中，通過感知系統是機器人能夠適應性表征的主要方法。感知是機器人將感應器的測量映射到其環境的內在表征過程。由于感應器本身存在噪音，加之環境具有部分可觀察性、不可預測性和動態性，這種人工感知很困難，因為它會遇到不確定環境中狀態評估的所有問題。這就需要人類設計者為其設置特定語境。

一般來說，機器人的可靠內在表征有三個屬性：一是包含足夠的信息讓機器人做決定;二是被結構化，以便能夠被有效更新;三是內在變量對應于物理世界中的自然狀態變量[6]。在我看來，這三個屬性就是人為給予的三個語境因素。我們可以使用動態貝葉斯網絡表征部分可觀察環境的轉換和感應器模型。從表征視角看，我們將機器人自己的過去行動作為已觀察變量，具體說，機器人感知能夠被視為根據行動和環境序列的動態貝葉斯網絡的時序推理。我們假設Xt是在時間t包括機器人在內的環境的狀態，如足球場，At是在時間t接收到的觀察信息，At是觀察信息被接收后采取的行動。我們可以根據動態貝葉斯網絡模型從當下信念狀態的概率P（Xt）計算新信念狀態的概率P（X（t+1））和新觀察信息Z（t+1）。比如我們要建構一個踢足球的機器人，X（t+1）可能是與足球相關的機器人的位置，后驗概率是捕捉我們從過去的感應器測量和控制所知道的所有狀態的一個概率分布。

對于機器人來說，如何發現包括它自己在內的物體的位置是一個重要問題。這就是定位和映射問題，涉及物體在何處的先驗知識，這種先驗知識是任何與環境相互作用成功的人工主體包括邏輯主體、搜索主體、機器人操縱器的核心，它們必須“知道”它們要尋找的物體的位置。比如無人駕駛飛機必須知道去哪里發現目標。這就是說，機器人這種人工主體的行動是基于先驗知識的。這種先驗知識就屬于語境范疇，人類設計者要預先考慮到并將其嵌入智能體的程序或算法中。

問題是，基于先驗知識的機器人的內在表征是否是適應性的呢？我們以移動機器人在二維平面移動為例來說明這個問題。給定機器人一幅精確的環境地圖（先驗知識），機器人的姿態可由它的兩個具有x和y值的笛卡爾坐標定義，它的頭部轉動方向可由三角函數θ值定義。這種計算在數學上不難做到，一般的人工智能和機器人學書籍或教材都有介紹，這里不做詳細討論。由于機器人的內在表征是基于知識和計算的，所接收的信息是通過感應器獲得的，感知系統的表征就應該是適應性的。由此我們可推知，基于感知系統的移動機器人的內在表征是依據其語境進行的，因而其表征就是適應其環境的，否則它就不能完成任務。

這里我們特別要關注的一個哲學問題是，如果沒有先驗知識這種語境知識可用，比如沒有機器人所需要的地圖，在這種情形下，機器人如何行動呢？顯然，這里存在一個“雞和蛋的問題”——機器人對于它不知道的一幅地圖，卻必須確定它的位置，同時建構這幅地圖而又不知道它確切的位置。這個問題對于機器人的應用非常重要，因為機器人在被使用前并不知道它將要處于的環境。比如掃地機器人，在理想的平坦環境中執行任務比較順利，但是在凹凸不平的地面就不那么順手了，可能被卡住了。這就是同時定位與映射問題，它已經得到廣泛而深入的研究，比如使用概率方法，只需要增加狀態矢量來包括環境中地標的位置。不過，這種方法仍然需要機器人感知。感知的實質就是機器人如何學習的問題，即機器學習。顯然，機器學習在機器人感知中起重要作用，特別是當最優內在表征是未知的時候。一個簡單的方法就是使用無監督機器學習方法將高維感應器流動映射到低維空間中。這種方法被稱為低維嵌入方法。機器學習使機器人從數據學習感應器和運動模型成為可能，而同時發現一個適當的內在表征。

還有一種機器學習方法能夠使機器人在感應器測量中不斷地適應廣泛的變化，那就是適應性感知方法，如適應性視覺。假如我們從一個陽光照射的空間進入一個黑暗無陽光的房間，顯然房間的物體更黑，但光源的變化也會影響所有色彩，比如霓虹燈具有比陽光更強的綠光成分。然而，我們可能并沒有注意到這種變化。我們的感知系統很快適應了新光環境，我們的大腦忽視了這種差異。人工感知系統也是如此。比如掃地機器人能根據其“可驅動表面”概念的分類器適應新地面。這種無人操縱地面裝置使用激光器為機器人正前方的小區域提供分類，當整個小區域在激光掃描范圍被發現是平坦的時候，它就被作為“可驅動表面”概念的一個積極訓練例子使用。這表明，適應性感知方法能夠讓機器人適應變化的環境。

當然，不是所有機器人感知是關于定位和映射的。機器人也感知溫度、氣味、聲信號等。這些屬性都可以使用動態貝葉斯網絡來評估，這些評估就是刻畫狀態變量時刻在演化的條件概率分布，以及描述狀態變量測量關系的感應器模型。可以看出，機器人學的一個顯著趨向是選擇定義明確的語義學的表征。這一趨向有力地說明，缺乏表征的機器人學是難以發展的。而表征是需要語境的，因而缺乏語境的機器人學幾乎不可能發展到靈活行動的水平。理論上，我們可以通過人為設置的語境讓機器人不斷去適應新的環境，從而達到我們意圖的目標。因此如何根據特定任務目標給機器人設置語境，是機器人學發展中的一個重要問題。

進一步的討論

智能體作為人工主體（相對于主體人），其行動是依據規則進行的。在確定的、可觀察的、靜態的或完全知曉的環境中，智能體所選擇的行動的方法有多種，依據這些方法它們能夠發現其目標。這種僅僅按照某些理性規則尋找目標的過程就是“搜索”。盡管這種搜索是無意識的過程，但它們卻是適應性的，只是這種適應性不是基于生物基質的，而是基于理性規則的。所以說，人工智能是完全理性的事業，完全按照規則如邏輯規則、概率規則行事。這就排除了情感、意志等非理性因素。在這種意義上，因機器人沒有情感沒有意識而否認其能認知、有智能的觀點就有失偏頗了。畢竟，心靈、意識、意圖、意志這些傳統哲學或大眾心理學的概念是難以按照規則操作的。人工智能將這些非理性概念排除在其研究領域之外，不僅是可理解的，事實上也是一種研究策略。

如果將人的適應性搜索看作是“完全適應性”，那么人工主體的適應性就是介于完全與不完全之間的一種中間狀態，我將這種中間適應性稱為“擬適應性”或“準適應性”，以便區別于人的這種適應性。畢竟人的適應性是基于生物學的，而人工主體（智能體）的適應性是基于物理學和計算機科學的，前者是碳基構造的（碳水化合物），后者是硅基構造的（物理硬件加軟件）。在認知科學中，這個問題就是“硬件要緊不要緊”的問題，即意識特征是否與構成物質相關。比如塞爾就堅持認為意識是一種生物學現象，智能機不可能有意識，不可能有思維能力，它只不過是處理符號的物理裝置，根本不理解所操作符號的意義。[7]根據塞爾的看法，生物的適應性是基于有意識物體的，如我們人類，人工主體由于沒有意識，當然不可能是適應性的。這個結論與智能體也能適應性地搜索和表征的事實不符。[8]

在我看來，意識和智能是兩個層次的東西或概念。有意識一定會有某種程度的智能，而有智能則不一定需要意識，如機器人。這里存在一個生物學和人工智能包括機器人學之間的一個解釋鴻溝。類似于查爾莫斯關于意識的難問題方面的解釋鴻溝。[9]在適應性的意義上，只要一個主體，人或機器，能夠在變化的環境中不斷調整自己的行為，最終找到要發現的目標，或者解決了所要解決的問題，我們就應該認為它們是適應性的，在表達上也是適應性的表征。這種判斷類似于“圖靈測試”，即只要我們不能區分與我們對話的是人還是機器（實際上是機器與人對話），那么我們就不得不承認機器也會思維（即操作符號、解決問題的認知活動）。

從認知系統的結構和活動機制看，人的認知系統（神經系統）與智能機的認知系統（編碼-解碼系統）是完全不同的，前者是自然認知系統，后者是人工認知系統，人工智能目前只是模擬人的認知系統的功能，其結構與運作機制可能完全不同于人類的。這是不爭的事實，也因此才有了認知科學、腦科學與計算機科學、人工智能等不同學科的存在。但是，僅就適應性特征來說，這兩種認知系統（人的和機器的）都具有，只是程度上有差異，比如就靈活性、簡單性來說，人的適應性要比人工主體的要好許多。正是在這個意義上，我將人工主體的適應性稱為擬適應性，以區別于人的生物適應性。

提起適應性，我們自然會聯想到意向性、相關性和因果性這些概念。適應性涉及意向性，因為意向性是關于或指涉某物的特性，它最早是胡塞爾用于說明意識本質屬性的概念，即有意識的物體就應該有意向性，如各種有生命動物包括我們人類。但是這個概念用于說明意識太寬泛，因為一方面，簡單生物如阿米蟲雖然有生命但沒有意識;另一方面，即使是非生命的物體，比如溫度計、智能機，也具有意向性的特征，如指向某個目標，好像它們是有目的有意識的。所以，在我看來，用意向性來描述意識的特性還不夠，還需要加上反身性，即知道“我們是誰”。這樣一來，意識就有了向外和向內兩個特征，缺一個就不能準確說明人類意識的本質了。如果說意向性是某物有意識的必要條件，那么反身性就是某物有意識的充分條件。從哲學和邏輯上看，一個問題或概念的完備、準確的說明，必須滿足其必要性和充分性，這就是我們常說的“充要條件”。

人的意識無疑具有這兩個特征，因而人才是真正有意識的物種。而其他動物特別是靈長類的猿、大猩猩等，如果它們不知道自己是誰的話（也許朦朧地知道），它們就不具有完整的意識，至多具有低級的意識（基于生命）。人工主體（智能機）僅僅具有指向外部目標的屬性，如搜索目標，但是不知道它們是誰。也就是說，它們僅僅知道如何做，但是不知道它們知道如何做。這與“我會開車”和“我知道我會開車”之間的區別是一個道理。“我會開車”是如何做的問題，“我知道我會開車”是我意識到我會的問題。這是兩個不同層次的問題，前者是意向性問題，后者是意向性加上反身性的問題。也就是說，人有命題態度，如我們知道、我們相信，其他動物和智能機沒有。進一步說，人工主體是通過相關性認知的，而人不僅通過相關性，更能通過因果性認知。相關性認知是一種關聯性認知，是一種影響和被影響的關系，因果性認知是一種產生性認知，是一種引起和被引起的關系。相比而言，影響關系較之產生關系要弱許多。

在人工主體開始搜索所需的結果前，它必須先識別目標，并形成一個定義明確的問題，因為有問題才能有解決的目標和結果。問題由初始狀態、一組行動、一個描述行動結果的轉換模型、一個目標測試函數和一個路徑代價函數構成。問題的語境由一個人為設置的空間狀態來表征。從初始狀態到目標狀態穿過狀態空間的路徑就是要搜索的解決方案。搜索過程采取的策略是，搜索算法將狀態和行動當作原子狀態（不可再分）。在人工智能中，一般的樹搜索算法考慮所有可能路徑去發現目標，而圖表算法避免考慮多余路徑。我們根據完備性、最佳性、時間和空間復雜性就可以判斷它們的優劣。這些搜索方法對于不確定的、動態的和完全不知曉的情形還無能為力，這是另一個更加復雜的搜索問題，但可以通過設置新的語境來解決。由此看來，設置新的語境對于機器人的適應性表征是多么的重要。

（本文系國家社會科學基金重點項目“科學認知的適應性表征研究”階段性成果，項目編號：16AZX006）

注釋

[1]魏屹東：《自語境化：智能機似人思維的關鍵》，《中國社會科學報》，2013年6月10日。

[2]Wrathall， M.A.， "Background practice， capacities， and Heideggeriandislclosure"， In Wrathall， M.A.， Jeff Malpas（eds.）， Heidegger， Coping， and Cognitive Science， Cambridge， MA： MIT Press， 2000， p. 98.

[3]Searle， John R.， The Rediscovery of the Mind， Cambridge： MIT Press， 1992， p. 175.

[4]Dreyfus， Hubert L.， What Computers Can't Do： A Critique of Artificial Intelligence， New York： Harper & Row， 1979， p. 221.

[5]這里使用的是英語表達，而不是中文如在（北京），原因在于英語是符號文字，中文是象形文字。在目前的編程語言如算法中主要使用的是英語和數字的組合，還沒有使用中文編程的，這可能是因為象形文字還不是抽象符號表征方式。計算機的編程語言是純粹的符號表達，只有解釋說明時才使用自然語言。

[6][美]羅素、諾維格：《人工智能：一種現代的方法（第3版）》，殷建平、祝恩等譯，北京：清華大學出版社，2013年，第978頁。

[7]Searle， John.Minds， "Brains and Programs"， Behavioral and Brain Sciences， 1980， 3（3）， pp. 417-457.

[8]魏屹東：《人工智能的適應性表征》，《上海師范大學學報》，2018年第1期，第28～39頁。

[9]https：//en.wikipedia.org/wiki/Explanatory_gap.

責 編/馬冰瑩