人工智能與創造性勞動

白惠仁

摘要：崔政博士的新著《科學技術知識的政治經濟學研究》以馬克思的“勞動”概念為中心，提供了一個劃定人工智能替代人類勞動的邊界框架。該書區分了重復性勞動與創造性勞動，提出創造性勞動是人類勞動的本質也是人工智能不可替代的。但需要進一步指出的是，機器學習已經在認識實踐中表現出對人類認知勞動的極大輔助作用，包括：人工智能能夠提升科學知識生產效率;人工智能擅于提取和傳遞默會知識;人工智能可以產生某種機器知識。以上原因使得我們在創造性勞動中很難將人工智能排除在外，未來可能的創造性勞動方式應當是某種人機協作或人機融合。

關鍵詞：人工智能;創造性勞動;科學知識;默會知識;機器知識

中圖分類號：TP18文獻標識碼：A文章編號：CN61-1487-（2020）01-0154-03

產業科學出現以來，科技創新對經濟增長的驅動作用已經成為全球性的共識。崔政博士的新著——《科學技術知識的政治經濟學研究》，試圖以“勞動”概念的歷史分析為切入點，討論科學技術在當代資本主義經濟中所扮演的角色，進而以一種動態的勞動價值論表明當代社會經濟運行的內在動因[1]2。該書以馬克思的“勞動”概念為核心構建了一個哲學空間，將科學知識、技術創新、資本運行納入其中，完整地闡述了科學技術對經濟社會的塑造作用。該書的敘事方式表達了兩個理論取向：第一，對科技創新的分析不同于傳統技術創新理論僅關注經濟“增長”，而是從更為基礎的社會分工出發關注經濟“發展”;第二，將科學知識的生產還原到馬克思的“科學勞動”概念，實際上已經使用了一種擴展了的“科學”概念，蘊含著當代科學知識生產所具有的實踐性、情境化、多主體等特征。

該書更為重要的貢獻在于討論了人工智能技術對于社會生產方式的挑戰和變革作用。書中提出：“人工智能的替代效應是建立在對人類勞動數據化和邏輯化的基礎上的，探索自在自然的創造性勞動是不可數據化和邏輯化的。因此，人工智能只能圍繞既有的對象進行重復性生產，替代重復性勞動;而人類則能夠探索自在自然，從而摸索新技術、建構新對象，進行創造性勞動。也就是說，機器所不能替代的人類勞動的‘硬核是探索自在自然的勞動，是創造對象和掌握技術的‘創造性勞動。”[1]25作者將馬克思的“勞動”概念區分為“重復性勞動”和“創造性勞動”，進而指出人工智能是對機器大工業的否定，它將替代人類勞動中可以重復、可以數據化的部分，但創造性勞動是人類勞動的本質，是人工智能所不能替代的。

作者提出：“人工智能可以在將重復性勞動數據化的基礎上，對人類勞動進行模仿，從而取代任何形式的重復性勞動。但人工智能卻不能取代人類的創造性勞動，創造性勞動是通過探索自在自然，經過反復的摸索與實驗、征服反常和偶然、掌握技術、創造對象、實現對象從無到有的過程的勞動，這是一種原生性的勞動。”[1]27作者認為，創造性勞動是對馬克思的“自在自然”的探索，“自在自然”是在人類的現有認知能力之外，卻以反常和失敗等形式向人類顯現其自身。然而，在認知實踐當中，機器學習已經可以幫助人類探索認知能力之外的“自然”，當然這種“自然”并不以反常或失敗的形式存在。作者也指出：“尤其是在大數據和云計算的背景之下，機器學習的速度遠超人類的認知極限，甚至可能在數據中找到人尚未發現的方法和規則。”[1]35因此，在認知勞動方面，我們可以在作者的概念框架下進一步區分出人工智能對人類“創造性勞動”的輔助作用，具體表現為三個方面：人工智能提高科學知識生產效率;人工智能擅于提取和傳遞默會知識;人工智能可以產生某種機器知識。

一、人工智能能夠提升科學知識生產效率

機器學習的廣泛使用可以提升科學知識生產的效率，主要表現在文獻研究和實驗室研究兩個方面。人工智能系統可以通過自然語言理解獲取、閱讀和總結所有相關文獻。例如，一個叫做Iris的人工智能系統的運行方式是：從某個研究主題的演講切入，先使用自然語言處理算法分析演講的腳本，挖掘從開放渠道獲取的研究文獻，然后將相關研究文獻分組并進行可視化，再通過人工標注文獻使機器匹配精度增加，當機器能夠理解文獻的內容和結構時，可以幫助科研人員總結出該研究主題下的所有研究問題、假設、實驗結果等，從而將前人工作完整呈現。此外，機器學習的使用還能夠加快實驗研究的進程。例如，2016年5月，澳大利亞國立大學的研究團隊使用機器學習重復了物質的玻色—愛因斯坦凝聚態的實驗室發現過程，從反復設置調整實驗設備的各種參數到產生凝聚態物質，機器學習只用了一個小時，而憑借這一發現獲得諾貝爾獎的三位科學家是在直覺的基礎上經過多年實驗才制造出了物質的凝聚態。由此可見，作為技術的人工智能的進步已經開始反向促進作為基礎研究的科學知識的生產。

二、人工智能擅于提取和傳遞默會知識

波蘭尼（Michael Polyani）提出了默會知識（tacit knowledge）的概念，以區別于可以明述的知識（explicit knowledge），明述知識是用語言文字來表達的知識，如科學知識，默會知識則是我們知道但通常不加言述或者不能充分言述的知識[2]。默會知識具有以下幾個特點：難以用語言文字描述，不易傳播、記錄和積累;獲取默會知識主要依靠親身體驗;默會知識呈分布式存在，難以整合。這些特點導致我們很難有效運用默會知識，而機器學習的大規模運用使得人工智能系統非常擅于處理默會知識。作者敏銳地意識到了這一特點——“以往我們所說的‘默會知識、手工技藝技巧，以及復雜程度遠超人類認知能力之外的一些潛在規則，也都不再是一個個‘黑箱，機器可以基于將人類勞動的過程還原成物理量和數據，再通過機器學習找到其內在的規律，從而取代人類勞動。”[1]56

在當前人類社會所有已經產生的信息中，文字只占極少的比例，大量的信息以圖片和視頻方式呈現，其中蘊含了大量需要通過親身體驗才能獲取的默會知識。如果有辦法將事物狀態用圖片或視頻記錄下來，就有可能使用機器學習從中萃取出知識。很多電影公司已經使用人工智能系統觀看大量人類歷史上的影視作品，從而歸納提取出經典橋段，創作出新的配樂、臺詞和預告片以供人類借鑒。更為重要的是，由人工智能系統獲取的默會知識是以神經網絡參數集的形式存在的，這對人類而言仍然不可描述，也難以在人類之間傳遞，但卻非常易于在人工智能系統間傳播。例如，一臺掌握駕駛技能的自動駕駛汽車只要將參數集分享出來就可以快速讓所有汽車學會這項技能，而且可以實現機器間的協同行動。

三、人工智能可以產生某種機器知識

如果說默會知識還是“可意會而不可言傳”的知識，那么AlphaGo Zero在圍棋上的表現已經表明人工智能系統產生了某種既無法“意會”也無法“言傳”的機器知識。AlphaGo Zero在沒有人類以往的經驗或指導、不提供基本規則以外的任何領域知識的情況下，就使用機器學習在短時間內探索了大量人類從未嘗試過的走法。機器發現的知識不僅完全超出了人類的經驗，也超出了人類的理性，成為人類幾乎無法理解的知識。由此，產生了討論某種“機器認識論”的可能性，Gregory Wheeler在《Machine Epistemology and Big Data》一文中提出：機器學習對事物間隱蔽的相關性的發現和掌握已經遠超人類，因此機器知識更多的是一種相關性知識。[3]321董春雨教授在《機器認識論何以可能？》一文中也指出：“人類必須正視機器在其擅長的領域，通過特殊的認識方式所獲得和積累的知識。”[4]

機器知識與科學知識或默會知識的核心差別在于：機器知識依賴數據，科學知識或默會知識依賴信息。信息是事物可觀察的表征，或者說信息是事物的外在表現。任何一個物體的信息量都非常大，要精確描述一個物體，就需要將其中所有基本粒子的形態以及它們之間的關系都描述出來，同時還要將該物體與周圍環境的關系都描述出來。而數據是已經描述出來的部分信息，關于一個物體的數據通常要比信息少得多，例如只包含它的形狀、重量、顏色和種屬關系等。只有當信息經過適當的處理，當它被用來進行比較、得出結論和建立聯系時，它才會轉化為知識。而知識可以理解為伴隨著經驗、判斷、直覺和價值的信息，作為認知主體的人在其中扮演了關鍵角色。

相較之下，機器知識可以被刻畫為數據在時空中的關系，這些關系表現為某種模式，對模式的識別就是認知，識別出來的模式就是知識，用模式去預測就是知識的應用。這些數據在時空中的關系只在少數情況下才能用數學工具進行表達，而多數情況下知識表現為數據間的相關性的集合，這些相關性只有一小部分可以被人類感知和理解。這源于人類感受能力的局限性：人類只能感受部分外界信息，人類的感官經驗局限在三維的物理空間和一維的時間。因此，當數據無法被感知，它們之間的關系又無法用數學工具表達時，這些數據間的關系就超出了人類的理解能力之外而屬于機器知識。當前機器學習的主流形式——人工神經網絡的最大特點就是發現并記憶數據中的相關性，例如在看了很多汽車圖片后會發現汽車都有四個輪胎，人類對圖片這類直觀的數據間的相關性也能發現并記憶一部分，這就是默會知識。但當數據量很大且不直觀時，例如股票市場的數據或者核電站的內部數據，人類就無法應對了。而隨著人工神經網絡層級和數量的增加，人工智能系統能夠處理大規模的復雜數據，這就是機器知識。機器知識當前的主要表現形式類似于AlphaGo Zero中的神經網絡的全部參數。

概言之，科學知識和默會知識多是基于信息的因果性知識，而機器知識多是基于數據的相關性知識。此外，科學知識是易于記錄、易于陳述、易于傳遞的;默會知識是難以記錄、難以陳述、可傳遞的;機器知識則是可記錄、不可陳述、易于在機器間傳遞的。

四、人工智能發展的局限性

當然，基于人工神經網絡的機器學習仍有兩個核心的局限性導致人工智能系統還不足以承擔創造性勞動。第一個局限是，人工神經網絡需要依賴特定領域的先驗知識，也就是需要特定場景下的訓練，這是因為人工神經網絡的學習本質上是對相關性的記憶，人工神經網絡將訓練數據中相關性最高的因素作為判斷標準。這個問題在自動駕駛汽車中表現的非常突出，鑒于道路交通情境的復雜性和交通標示的多樣性，自動駕駛系統難以避免很多交通事故。第二個局限是，人工神經網絡無法解釋產生某個結果的原因，這種不可解釋性在許多涉及安全和公共政策的領域顯現的比較突出，例如在智能醫療中，人工神經網絡在影像識別和輔助診斷中都對其結果缺乏醫學上的解釋性，都需要專業醫生的復核。

基于人工神經網絡的人工智能系統在記憶和識別這兩個基礎智能方面超越了人類，但在推理、想象等高級智能方面還相差較遠。與人類相比，人工智能無法承擔創造性勞動的原因還不止于以上的局限性，還包括：人工智能沒有常識和物理世界的模型;人工智能沒有自主和自發的通用語言能力;人工智能沒有想象力，需要大量常識、反事實假設和推理能力;最重要的是人工智能沒有自我意識。自我意識的缺乏導致能夠產生機器知識的人工智能系統仍然無法被視為認知主體，其知識的“創造性勞動”是一種無意識認識活動。

五、結語

人工智能系統在提升科學知識生產效率、處理默會知識以及產生機器知識方面的優勢，使得我們在創造性勞動中很難將其排除在外，未來可能的創造性勞動方式應當是某種人機協作或人機融合。腦機接口（brain-computer interface）是當前一個重要的人機協作研究方向，而其中最激進的方式是馬斯克提出的Neuralink，即通過柔性電極對接在人腦的神經網絡上，Neuralink要解決的是人類的信號輸入與輸出，但其問題在于人類的高級思維（如邏輯推理或描述場景）必須依賴語言，而目前基于人工神經網絡的機器學習能力主要是對環境的識別能力，還遠沒有達到語言和邏輯推理，但人類智能通過語言進行溝通。這背后就隱含了人類的科學知識與人工智能系統的機器知識之間的不可通約，以上例子也表明基于人機協作的創造性勞動還有很大的技術障礙需要克服。

參考文獻：

[1]崔政.科學技術知識的政治經濟學研究[M].石家莊：河北人民出版社，2019.

[2]郁振華.當代英美認識論的困境及出路——基于默會知識維度[J].中國社會科學，2018（7）.

[3]Gregory Wheeler.Machine epistemology and big data[A].in McIntyre，Lee，and Alex Rosenberg，eds.The Routledge Companion to Philosophy of Social Science[C].Taylor & Francis，2016.

[4]董春雨，薛永紅.機器認識論何以可能？[J].自然辯證法研究，2019（8）.