自然計算及其智能觀問題

高新民

摘 要： 人工智能的自然計算研究在模擬廣泛的自然事物的功能作用，建構諸如退火算法、進化算法等過程中，不僅在提升和拓展人類能力方面做出了積極的探索和貢獻，而且為我們從哲學和工程技術角度進一步思考有關智能觀問題、解決人工智能中深層次的基礎理論問題提供了難得的素材。面對自然計算，人工智能哲學的迫切問題是區分開規范性問題和事實性問題，解決智能觀中的本質循環問題。人工智能在模擬和超越自然智能上要想取得積極的進展，不能只以一種智能樣式為解剖的原型實例，陷入“沙文主義”極端，而應在避免“自由主義”錯誤的同時放寬智能標準，堅持智能的復雜多樣性理論，不犯以偏概全的錯誤，著力解剖盡可能多的智能樣式的構成、作用方式和運作機理，以此為基礎創造出更多、更有用的人工智能新樣式。

關鍵詞： 自然計算;智能觀;本質循環問題;智能多樣性

中圖分類號：TP18文獻標識碼：A文章編號：1004-8634（2020）05-0086-（12）

DOI：10.13852/J.CNKI.JSHNU.2020.05.010

人工智能的理想境界或“圣杯”就是用“某種不是活組織的東西”來實現過去只能由人體實現的智能，（B. P. 麥克羅林：《計算主義、聯結主義和心智哲學》，載盧西亞諾·弗洛里迪主編：《計算與信息哲學導論》上冊，劉鋼譯，商務印書館2010年版，第313—314頁。）甚至超越和增強人的能力。要實現這一目的，無疑要弄清智能的表現形式、本質、內在機理、實現機制及條件方法等。正是在這里，人工智能一開始便與哲學結下了不解之緣，乃至掉進了哲學爭論的漩渦。有鑒于此，著名認知科學家丹尼特說：“人工智能就是哲學”，“享有與追問知識如何可能的傳統認識論一樣的學科性質”。（D. Dennett，“AI as Philosophy and as Psychologe”， in M. Ringle （ed）， Philosophical Perspectives in AI， Atlantic Highlands， Humanitices Press，1979， pp.60-64.）這樣的說法盡管一開始就遭到了許多人工智能專家的批判，但它以極端的形式道出了人工智能這樣的宿命，即人工智能自始至終必須回答屬于哲學的智能觀問題，如什么是心靈、智能？其判斷標準是什么？它們是不是人類獨有的？研究智能應以什么為“原型實例”？是否只應關注人類的智能？是否可以像 “異人工智能策略”或泛智能主義所主張的那樣，將智能研究視野指向非人類的行為及能力？機器表現出的、符合“圖靈測試”的行為特性能否被看作是我們抽象智能本質的原型實例？不僅如此，在回答上述問題時，必然會繼續心靈哲學和認知科學中的“沙文主義”與“自由主義”的曠日持久的爭論。人工智能的自然計算探索，以及在此基礎上所展開的深層理論思考，以自己獨特的方式回應了上述問題和爭論，因為它在模擬一些自然事物（如蟻群行為、蜂舞、事物的退熱過程等）的功能作用，建構諸如退火算法、進化算法等過程中，不僅在提升和拓展人類能力方面做出了積極的探索和貢獻，具有重要的工程技術意義，而且具有重要的人工智能哲學特別是智能觀意義，對于我們從哲學和工程技術角度進一步思考有關智能觀問題、解決上述人工智能中深層次的基礎理論問題提供了難得的素材，值得深入研究。

一、自然計算及其對智能樣式的“地理大發現”

自然計算是人工智能專家受人以外的自然事物（如生物乃至無生命事物）的特定的發揮作用方式和過程及其機理啟發而開發出的一種人工智能算法，包括進化計算、蟻群算法等許多不同的形式。根據中國學者汪鐳等人的概括，它指的是“以自然界，特別是其中典型的生物系統和物理系統的相關功能、特點和作用機理為基礎”而建立的各種算法的總稱。它要研究的是，“其中所蘊含的豐富的信息處理機制，在所需求解問題特征的相關目標引導下，提取相應的計算模型，設計相應的智能算法，通過相關的信息感知積累、知識方法提取、任務調度實施、定點信息交換等模塊的協同工作，得到智能化的信息處理效果，并在各相關領域加以應用”。（汪鐳等：《自然計算——人工智能的有效實現方式》，載涂序彥主編：《人工智能：回顧與展望》，科學出版社2006年版，第50頁。）這一算法由于模擬的是非人事物表現出的智能現象，因此根本有別于以人類智能為模擬的“原型實例”的人類智能算法。盡管如此，在倡導者看來，只要將它們實現于一定的硬件中，就會有相應的、像人的智能一樣的智能現象凸現出來。它們不僅彌補了傳統算法的許多缺陷，擁有許多不可替代的優勢從而顯示出方興未艾的發展生機，而且由于提出了一些深刻的智能觀問題，并對傳統智能觀發起了挑戰，因此，受到人工智能哲學的高度關注。例如，對智能是否是人類獨有的特性這一既有理論意義又有實踐價值的問題提出了冒天下之大不韙的看法。正如何燦華等學者概括的：“人并不是唯一有智能的動物，地球生命活動中的生物進化、個體發育和免疫、神經網絡、大腦思維、社會系統、生態系統都表現出了某種形式的自然智能。”（何燦華等：《從邏輯學的觀點看人工智能學科的發展》，載涂序彥主編：《人工智能：回顧與展望》，第99頁。）更寬泛的理解是，智能有其生存上的表現，即只要事物生存下來了，就表明其有智能。盡管這是智能觀上的革命性思想，但無疑是一家之言，爭議極大。

自然計算的誕生與人工智能發展的辯證本性息息相關，這是由它面臨的困境使然。布里德曼在評價過去幾十年人工智能的成績時不無沮喪地說：“傳統的人工智能研究……已經在幾乎所有曾經看來大有可為的領域止步不前……近四十年光景里人工智能領域并沒有什么實質性的突破。”（布里德曼：《制腦者：創造堪與人腦匹敵的智能》，張陌等譯，生活·讀書·新知三聯書店2001年版，第29頁。）這不是布里德曼一個人的憂慮，而是許多人的共同困惑。為了找到答案，人們紛紛打破常規，從不同的方面展開探索。著名認知科學家克拉克（A. Clark）等學者說，要沖破困境，必須“徹底改變思考智能行為的方式”。（A. Clark and D. Chalmers， “The Extended Mind”， in D. Chalmers （ed.）， Philosophy of Mind， Oxford University Press， 2002， p.644.）事實也是這樣，一方面，為了模擬和超越人類智能，人們不再只是關注智能的靜態結構，而將目光投向大自然締造智能的歷史過程，解剖和學習大自然的智能建筑術。目的論意向性理論和關于人工進化、進化算法的種種方案就是這些探索的一些成果。它們的思路是這樣的，要想讓人工系統表現出真正的智能，就應研究智能的根源和機理。而要如此，又必須研究大自然是怎樣設計和締造了它。因此，當務之急是向大自然這位設計師和締造者學習，研究它締造智能的歷史過程。把其弄清了，一切問題便會迎刃而解。另一方面，沖破智能“沙文主義”的牢籠，將智能的存在范圍拓展到人以外的生物乃至無機物上，研究這些事物所表現出的智能現象及其運作機理。隨之而來的便是各種自然算法的誕生和蓬勃發展。在一些專家看來，對于人工智能來說，進化的模擬遠比神經網絡的模擬更有前途，于是經過大量的實踐，人工進化研究已成為一個蔚為壯觀的研究領域。人工免疫系統也是這一運動的產物。鐘義信先生說：“最近的研究表明，擴展人類智力的更為深刻的方法是‘智能生成機制模擬（即‘機制模擬）。”不僅如此，還可以“在機制模擬的框架下”實現結構模擬、行為模擬和功能模擬的統一。（韓力群：《人工神經網絡教程》，北京郵電大學出版社2006版，“序”。）總之，包括進化計算、人工神經網絡等在內的自然計算就是基于這樣的動機和思路而建構出來的。布里德曼概括說：“許多進入這一領域的年輕研究人員已經希望在別處找到靈感。靈感就是自然本身。”“以自然為基礎的研究策略開始在人工智能研究領域逐漸成型。”（弗里德曼：《制腦者：創造堪與人腦匹敵的智能》，第57—58頁。）中國學者也十分關注這一領域，有的學者甚至提出了AI研究要“向生物界學習”“師法自然”等響亮口號。

這里不可回避的哲學和科學問題是，人以外的事物所表現出的那些特性，如退火算法所模擬的金屬的冷卻過程及機理，蟻群算法所模擬的蟻群覓食行為，是不是智能現象？倡導自然算法的人的回答是堅定的：能解決問題就是有智能的標志。根據這一標準，生存下來、有適應性等都可看作智能現象。魯格爾（G. Luger）說：“智能世界就是生存下來的世界。”“分布的基于主體的結構和自然選擇的適應性壓力綜合在一起，形成了智力的起源和運作的強大的模型。”（G. Luger：《人工智能：復雜問題求解的結構和策略》，史忠植等譯，機械工業出版社2006年版，第588、595頁。）根據這一觀點，人的智能與非人的自然智能在本質、性能上沒有差別，差別只在于實現方式的不同。用心靈哲學的一個概念“可多樣實現”很容易說清這個道理。正如桌子既可用木頭做成（實現），又可用鋼鐵制成（實現）一樣。此即著名的“可多樣實現性”原則。同理，一種能力或一個軟件模型離不開硬件的實現，并受到硬件結構的限制。但同一軟件模型可在不同造物的不同硬件上實現，而同一硬件可實現不同的軟件。質言之，人和非人的自然事物都有表現智能的可能性，只是表現、實現的方式不同罷了。例如，人和非人都有尋優的能力，但實現方式可能各不相同。如果是這樣，堅持人以外的事物可成為智能的載體這一觀點就沒有什么理論上的障礙了。

自然計算是在有關自然事物運行機理啟發下形成的一種算法。其靈感和構建過程都源自自然規律，因為自然界中存在許多自主優化的現象。既然如此，只要有辦法挖掘其中所隱含的條件、機理，弄清它們的形式結構及轉化過程，就可為算法建構提供參照。事實也是如此，如模擬退火算法就是將金屬物體降溫過程中的自然規律引入化優求解的產物;遺傳算法就是受生物物種進化機理的啟發而建立的;蟻群算法就是在觀察、研究蟻群個體間信息傳遞方式和作用機制后提出的;粒子群算法就是模擬鳥群捕食的過程而產生的;混沌優化算法是借鑒自然現象的混沌規律而創立的。總之，自然算法要么是通過仿生的途徑、要么是通過擬物的途徑產生的。就仿生算法而言，它又有模仿個體智能和群體智能兩種方式。其目的在于，以自然界中生物的功能、特點和作用機理為基礎，研究其中所蘊含的豐富的信息處理機制，抽取相應的計算模型，設計相應的算法。這樣形成的算法的作用在于，能解決傳統計算方法難以解決的復雜問題，其應用前景十分廣闊，如在大規模復雜系統的最優化設計、優化控制、計算機網絡安全等中都可大顯身手。

與傳統的一些算法一樣，自然算法也屬于問題求解尋優方法，或最優化方法。傳統方法的特點是，初始值確定以后，尋優分析的結果固定不變，因此是典型的確定性方法。其形式很多，如單純形法、牛頓法、最速下降法、變尺度法、步長加速法、卡馬卡算法等。它們也有自己的優點，如穩定性強、速度快。但問題在于，由于對初始值過于依賴，對連續性、可微性的要求高，因此容易陷入局部極值，難以找到全局最優解，尤其是對現代工程實踐中的那些較復雜的非線性、不確定性問題無能為力。鑒于這些問題，非確定性算法應運而生。較早的形式有，退火算法、遺傳算法。它們的特點是，對自然規律和人類進化規律做了簡單模擬，屬于擬物和仿生智能方法。由于在傳統算法基礎上做了改進，因此它們能保證全局收斂性，有解決復雜問題的潛力。后來又陸續誕生了基于群智能的優化方法，如蟻群算法、粒子群算法。再后來，又相繼出現了系列機制融合型算法，其特點是，把遺傳算法、退火算法等算法中的機制引入粒子群算法中，從而使該算法的性能大大提高。（陳杰等：《智能優化方法的聚集性與彌散性》，載涂序彥主編：《人工智能：回顧與展望》，第254頁。）

目前對自然算法的分類差異很大，如汪鐳等學者將它們列舉為，進化計算、神經計算、生態計算、量子計算、群體智能計算、光子計算、分子計算、人工內分泌系統及其他相關復雜自適應計算等。（汪鐳等：《自然計算——人工智能的有效實現方式》，載涂序彥主編：《人工智能：回顧與展望》，第50頁。）還有人認為，算法有確定性和非確定性之別。筆者認為，可根據自然算法所模擬的對象將算法分為這樣兩大類，一是以生物及其進化、遺傳過程為模擬對象的算法，如進化算法、人工免疫算法、協同進化算法等;二是以模擬非生物過程為基礎而形成的算法，如退火算法、量子算法、光子算法、分子算法等。筆者認為，每一種算法盡管還不是現實的智能能力，但一旦由硬件實現，則成了現實的能力，因此至少可能說，一種算法就是一種現實能力的潛在形式。從心靈哲學的心理地理學來說，自然計算形式的發現具有心理能力“地理大發現”的意義，就像心靈哲學在前不久發現了“感受性質”、作為認知能力組成部分的民間心理學等一樣，經過自然計算倡導者的積極探索，大量新的智能形式，如人類智能以外的生物智能、自然智能、人造智能乃至群智能等，紛紛呈現于心靈哲學、智能科學面前。這些對于人類的心靈、智能認識的發展都是功不可沒的。下面，我們將按對自然計算的分類，分別對它們的具體樣式及其智能觀意義做出考釋。

二、進化計算與生物現象中的智能

進化計算側重模擬的是生物進化的過程與機理，由于有不同的理論基礎，如有的以達爾文的進化論為根據，有的以拉馬克、門德爾等人的進化論為根據，因此，其內部又有達爾文式算法與非達爾文式算法之別。前一類算法的例子是，人工神經網絡、遺傳算法、進化計算等;后一類算法的例子是，協同進化計算、拉馬克克隆選擇計算等。盡管有側重點上的這些差別，但有一點是共同的，即都承諾或預設世界上的智能不局限于人類，人以外還客觀存在著各種形式的“生物智能”。正是它們成了進化計算構建各種人工智能系統的理論基礎和創新源泉。焦李成等人說：“生物智能是人工智能研究靈感的重要來源。從信息處理的角度看，生物體是一部優秀的信息處理機，而其通過自身演化解決問題的能力讓目前最好的計算機也相形見絀。”（焦李成等：《非達爾文進化機制與自然計算》，載涂序彥主編：《人工智能：回顧與展望》，第228頁。）

先看達爾文式計算。這種計算提出的靈感來自自然設計師的策略。早在20世紀60年代，德國柏林工業大學的熱奇伯格（I. Rechenberg）等人在從事空氣動力學試驗時發現，在描述物體幾何形狀的參數時，難以用傳統方法實現優化。由于想到了生物的遺傳變異，于是隨機改變參數值，結果出人意料地收到了預期的效果。后來，他們還在此基礎上，系統地提出了所謂的“進化策略”。與此同時，美國加利福尼亞大學的科學家在研究自動機時也提出了類似的“進化規則”方法。再后來，密歇根大學的霍蘭和同事在綜合有關成果的基礎上，結合自己的獨立研究，最終系統地闡發了進化計算的思想。

只要細心觀察大自然就會發現，進化、選擇是極為微妙、富于創造性的過程，且常常以想象不到的方式解決問題。根據智能的解決問題標準，這些無疑是奇妙的智能。在有關專家看來，生物的進化就是問題求解的最佳范例，其進化的過程實際上就是問題求解尋優的過程。對于給定的初始條件和環境約束，選擇使表現型盡可能向最優靠近。加上環境處在不斷的變化中，于是物種就不斷地向最優進化，其突出的表現是強魯棒性。所謂魯棒性是指生物在不同環境中通過效率與功能之間的協調平衡而達到更好的生存能力這樣的特性或能力。進化的內在機理是什么呢？新達爾主義的看法是，進化之所以表現為向最優的逼近，根源在于，物種和種群內部存在著復制、變異、競爭、選擇這樣的內在過程。復制是指生物的主要特征向一代的傳遞，變異則是復制過程中所表現出的差異，競爭是生物為爭奪有限資源而表現出的行為，選擇是對要傳承下去的特征的取舍。在強調生物智能的人看來，這些現象即使不是十足的智能樣式，也包含著智能的元素和根據。

問題是，生物的進化有無可能被學習和模擬？回答是肯定的。因為進化過程有形式的一面，因此將它們加以抽象化，并加以編程，就可形成一種計算模型，進化計算正是這樣形成的。如用一組特征數據（基因）表示一個生命體，用它對生存環境的適應度來評價它的優劣，然后再讓那些適應度優的特征繁殖得更快，甚至取代適應性差的特征。從類型上說，已有的達爾文式進化計算有四種形式，即進化規劃、進化策略、遺傳算法、遺傳程序設計。目前還有這樣一種新的走勢，即進化計算的各種形式相互融合，人們把它稱作人工智能的進化主義方向。

就遺傳算法來說，它是以達爾文進化論為基礎形成的算法，濃縮了達爾文進化的主要過程，如借自然選擇、重組與變異所實現的基因突變。從特點和作用上說，它是依據“適者生存、優勝劣汰”的進化原理而創立的一種搜索算法。其創立的動因有兩方面，一是應用方面的動因。例如，有許多復雜問題需要找到最優解，而可能的解卻很多，每一種推演下去會非常復雜。如果考題到決定問題的因素本身是在變化的，那么可能的解就更難確定了。用窮舉的尋優方法顯然是不行的，很多時候根本不可能找到解。二是理論上的動因。自然界的生物是按進化的規律不斷向前發展的，其內在機理究竟是什么？這一問題如果能弄清楚，那么將有利于人工系統的設計。遺傳算法在借鑒有關生物學理論的基礎上，形成了自己特有的概念體系，如遺傳算法。遺傳算法是一種概率搜索算法，它把某種編碼技術用于被稱作染色體的二進制數串，進而模擬由這些數串組成群體的進化過程，通過有組織的、隨機的信息交換，重組那些適應度高的數串。因此，它是通過作用于染色體上的基因、尋找好的染色體來完成問題求解最優化的一種隨機算法。此外還有染色體、變異、適應度和選擇等概念。

遺傳算法有簡單和復雜之分。簡單的一般包括三種基本操作，即復制、交叉和變異。復雜遺傳算法又稱高級遺傳算法。簡單遺傳算法的優點是實現起來比較簡單，因為它采用一般復制法即轉輪法來選擇后代，使適應值高的個體具有較高的復制概率。其問題在于，種群最好的個體可能難以產生出后代，造成所謂的隨機誤差。為了解決這一問題，有關專家提出了一些新的復制方法，從而使遺傳算法變得更為復雜。這些復制方法有，穩態復制法、代溝法、選擇種子法等。選擇種子法也可被稱作最優串復制法，其作用是能保證最優個體被選進下一步進化種群。由于遺傳算法有對問題的依賴小、可以獲得最優解等優點，因此應用的領域非常廣，如在模糊控制、神經網絡、圖像處理與識別、規劃與調度等方面都有較成功的應用。

遺傳算法模擬的是大自然在進化過程中所用的操作過程和機制，無疑是師法自然、向大自然這位心智建筑大師學習的成功的范例。從信息論的觀點看，它的加工過程非常類似于人的尋優過程。如從問題開始，經過一系列中間過程，最后獲得關于問題的解答。如果人的解題、尋優過程具有意向性這一智慧的根本特性，那么遺傳算法也有。當然，這只能是遺傳算法倡導者的一家之言。不錯，從形式上看，遺傳算法有類似于生物、對于外在環境的意向性、關聯性，如在操作開始時，向它提供的是關于環境的某些信息，是待求解的問題，因而不是形式或符號本身，在操作結束時，它提供的是關于問題的最優解，至少能以很大概率提供整體最優解。總之，它所處理的代碼以及對代碼的處理過程和結果都超出了自身，并關聯于它們之外的東西。但從實質上說，它并沒有真正的關聯性，充其量只有派生的、形式上的關聯性。因為，它從始至終只是在進行代碼的轉換，即使其中也夾雜著較復雜的操作，如雜交、變異、適應度和個體的選擇，等等。但它們本身什么也不代表，什么也不關涉。初始狀態中的個體以及結果狀態中的輸出本身什么也不代表。它們要能代表、表示什么，一點也離不開設計和操作人員。

再看進化策略，20世紀60年代由比納特（Peter Bienert）等人創立，它是在模仿自然進化原理的基礎上建立的一種數值優化算法，最近被應用于離散型優化問題的解決。它的一般過程是，先確定要解決的問題，然后從可能的范圍內隨機選擇父向量的初始種群。父向量通過加入一個零均方差的高斯隨機變量以及預先選擇的標準偏差來產生子代向量。通過對誤差做出排序來選擇保持哪些向量。那些擁有最少誤差的向量被確定為新的父代。最后，通過產生新的實驗數據、選擇最小誤差向量以找到符合條件的答案。從與遺傳算法的關系看，它們盡管都是通過模擬生物進化智能屬性而產生的，但進化策略中的個體的每個元素因為不被看作是基因，而被看作是行為特性，因此它便有別于遺傳算法。其特點在于，不注重父代與子代或復制的各個種群之間的遺傳聯系，而更多地強調它們之間的行為上的聯系。

進化規劃也是一種進化算法。剛開始，這種方法與進化策略十分相似，后來逐漸演變成一種有自己鮮明特點的算法。促成這種變化的主要是福格爾（D. B. Fogel）等人。他們認為，一個系統要產生智能行為，必須有根據給定目標來預測環境，且還能根據這種預測完成響應行為的能力。在這種思想的指導下，他們在有限狀態機的基礎上建構了一種新的進化算法，即根據環境中出現的下一個符號以及定義完善的目標函數，來產生對算法最有利的輸出符號。這種進化計算可用于離散狀態的優化問題、實數值的連續優化問題。不同于進化策略的地方在于：其一，進化策略所采用的選擇機制是嚴格確定的，而進化規劃一般注重隨機性選擇;其二，進化策略中的編碼結構一般對應于個體，而進化規劃中的編碼結構則對應于物種。因此，前者可通過重組操作產生新的嘗試解，而后者做不到這一點，因為不同物種之間不可能進行所需的溝通。

再看非達爾文式進化計算。20世紀70年代，生物學向分子水平發展，產生了分子水平的綜合進化論，此即非達爾文主義。它有多種形式，如受拉馬克思想影響的進化論。拉馬克認為，物種可變，穩定性是相對的。進化的方式或法則是，用進廢退、獲得性遺傳。所謂獲得性遺傳是指，生物由于受環境的影響，受用進廢退的作用，便會獲得一些特性，而這些特性可傳給下一代，這種傳遞就表現為進化。一些專家受拉馬克的進化學說影響創立了有效的機器學習算法，即“拉馬克學習”，它模擬的是生物的獲得與傳授過程，而表現出的則是智能中最重要的學習行為和能力。協同、共生進化論也是非達爾文式進化論。它認為，達爾文的進化論過分強調物種的獨特性和生物競爭，而沒有看到生物的相互依存、協同、共生對進化的作用。有鑒于此，這種理論便突出了這些方面。另外，達爾文的進化論只是從宏觀上研究了物種進化，而沒有具體觸及生物進化的內在過程及其機理，孟德爾的遺傳學彌補了這一不足。于是，達爾文進化論與遺傳學便走向了融合，并與系統分類學、古生物學結合在一起，形成了現代達爾文主義。其基本觀點是，在生物進化過程中，個體基因結構是自變量，個體對外界的適應度是唯一因自變量變化而改變的量。基因結構改變后，不同基因的后代在適者生存的法則作用下，后代數量也不同。

在上述非達爾文式進化論思想的啟發下，許多新的進化算法便應運而生，協同進化算法就是其中的一種形式。協同進化算法是在協同進化論基礎上產生的一種進化算法。其不同于其他進化算法的特點在于，它在肯定進化算法的基礎上，同時強調種群與種群、種群與環境之間的協調對于進化的作用。這一算法有多種形式。一是基于種群間競爭機制的協同進化算法。它把種群再分為子種群，并認為子種群處在有合作行為的競爭關系中，子種群通過個體遷移達到信息交流。其中，最簡單的算法是并行遺傳算法，有三個模型，即踏腳板模型、粗粒度模型、細粒度模型。它們都通過個體遷移等手段實現信息交流，進而使各種群得到協同進化。二是基于捕食—獵物機制的協同進化算法。這一算法依據的是捕食者與被捕食者在追捕與反追捕的斗爭中共同獲得進化的過程及機理。捕食與獵物的關系不外是遭受選擇壓力的個體間的一種反饋機制。由于有這一機制，系統便獲得了進化，如由簡單走向復雜。三是基于共生機制的協同進化算法。其操作是，把總問題分解為子問題，每個子問題對應于一個種群，然后讓每一種群按一種進化算法來進化。對于一個待解的問題，每個進化個體只提供部分解，而完整的解則取決于這些部分解的相互作用。（焦李成等：《非達爾文進化機制與自然計算》，載涂序彥主編：《人工智能：回顧與展望》，第232—234頁。）

拉馬克克隆選擇計算是非達爾文式進化計算的又一新的形式。由于它依據的是脊椎動物免疫系統的作用機理，特別是人這樣的高級脊椎動物免疫系統的信息處理模式，因此經這種方法構建而成的智能算法也可被稱作人工免疫系統算法。眾所周知，作為它的“原型實例”的生物免疫系統十分復雜，功能也很明顯和獨特。例如，它能抵御細菌、病毒和真菌等病原體的入侵，消除變異、衰老的細胞和抗原性異物，還要在發揮這些功能作用時不斷通過學習、識別、記憶外界入侵者，自動建立、更新自己的防御體系。它學習的方式很獨特，不像神經系統那樣通過改變神經元連接強度而學習，而是通過改變細胞網絡單元間的濃度與親和度來完成學習任務。有關專家認識到，免疫系統完成其功能所用的方法、手段、策略如果能被模擬，轉化成計算機的東西，那么它們本身盡管不是智能，但極有利于智能的形成和發展。另外，免疫系統的通信機制、免疫反饋機制、冗余策略、多樣性遺傳、工作可靠性和網絡分布特性等也都值得模擬。只要能建構關于它們的計算模型，那么就會產生許多新的人工智能樣式。人工免疫系統就是通過模擬這些特性而形成的智能系統。盡管被模擬的功能還十分有限，但在當今，它已成為推動人工智能研究的新的動力。這里更激進的觀點是，“生物免疫系統就是高度進化的智能系統”，模擬它而形成的人工免疫系統因具有自己獨特的信息處理能力和方式，因此被認為其有智能屬性。（史忠植：《智能科學》，清華大學出版社2006年版，第388—389頁。）它有無教師學習、自組織、記憶等進化學習機理，還綜合了分類器、神經網絡和機器推理的優點。其應用范圍十分廣泛，效果顯著，在控制、數據處理、優化學習和故障診斷等領域中都顯示了強大的生命力。從哲學上說，這樣的算法無疑具有一定程度的智能特性，甚至有智能中最關鍵的意向性，它們能根據環境的變化形成對問題的較優的解決辦法，表明它們與外在的東西有動的交涉。這類算法有許多不同的形式，如克隆選擇算法。它有類似于遺傳算法的地方，但由于它側重于模擬生物體免疫系統自適應抗原刺激的動態過程以及它的學習、記憶、抗體多樣性等生物特性，尤其是模擬克隆選擇機理，因此被稱作克隆選擇算法。再如拉馬克克隆選擇算法，它是在前述克隆算法的基礎上通過引入拉馬克進化機制而形成的一種自然算法。其特點是強調個體不斷學習和適應周圍環境的能力，強調父代只要能提供適應性經驗，就能將它們傳給下一代。

可以肯定，進化計算理論和實踐不僅在生物世界發現了相同于或不同于人類智能的新的智能形式，而且嘗試用不同于人類的方式將它們實現于機器之上，如協同進化算法較好解決了機器學習中的分類問題，同時用新方法將分類的能力實現于機器之上。其表現是不用個體表示規則，而用個體表示組織，所用的算子是遷移算子、交換算子、合并算子之類的進化算子，加上一組進化機制。非達爾文式進化計算由于模擬了生物體的較復雜的特性，并強調自適應、自組織、非線性和方法的多樣性，因而有解決復雜問題的潛力。從特定的意義上可以說，它們不僅確認了智能多樣性的本體論地位，而且以獨特的方式創造了大量新的人工智能形式。

三、擬物算法、群智能與智能的物理機制

人工智能研究有一新的激進觀點，那就是強調人工智能模擬的“原型實例”不僅超出了人類智能，進到了自然界廣泛存在的信息處理系統，例如神經系統、遺傳系統、免疫系統、生命系統、生物進化過程（微觀機理與宏觀行為），而且延伸到無生命事物的某些加工過程，如眾多個體自發結合在一起形成的無意識的群體行為（蟻群的無意識的覓食行為導致的群智能）、物體的退熱過程及機理（退火算法據此而產生）。這種觀念上的變化導致了新的領域和研究熱點的涌現。我們這里關注的是經模擬群體行為和無生命事物的作用機制而形成的一些自然算法形式及其智能觀問題。

先看群智能算法。單個的螞蟻好似沒有頭腦，至多只有極微弱的智能，事實也是這樣，一個螞蟻的構造極為簡單，就那么幾個神經元，但是螞蟻集合在一起卻有神奇的功能。如若干螞蟻能圍著一只死蛾轉，經過大家的推拉，可以把它推向蟻丘。當人們觀察它們的集體及其行為時，會感到吃驚，它們很像一個社會，一臺計算機。它們能進行分工協作，其蟻丘、外墻、頂蓋需要各種規格的材料，這些都是它們的杰作。白蟻群更神奇，它們能建造由許多穹頂小室組成、具有自然空調功能、冬暖夏涼的晶狀大廈。少數的白蟻當然不可能有什么作為，但當越來越多的白蟻加入、達到某個臨界值后，似乎便有了思維，如全部白蟻分工合作，操縱兩柱合攏，形成天衣無縫的拱圈。總之，隨著群體的變大，智能也隨之出現并增大，當數量達到某個閾值時，便會導致性能的質變。這種由本無或很少智能的個體的集體行為所凸顯出來的性能居然成了智能大家族中的一種別樣的智能——群智能。這個概念極有意義，準確表達了一種新的智能樣式。

人工智能專家受蟻群及其智能的啟發，創造了各種模擬生物種群體的智能，如蟻群算法等。20世紀90年代初，在意大利米蘭理工大學讀博士的多里戈（M. Dorigo）基于對蟻群覓食行為、勞動分工、孵化分類、協作運輸的細心觀察，提出了蟻群算法的基本思想。多里戈說：蟻群算法的“靈感來自群體尋找食物的行為，而算法針對的是離散的優化的問題”。（M. Dorigo等：《蟻群算法》，張軍等譯，清華大學出版社2007年版，第2頁。）其目的是，“通過開發引導真實螞蟻高度協作行為的自組織原理，來調動一群人工自主體協作解決一些計算問題”。（M. Dorigo等：《蟻群算法》，第1頁。）該算法模擬的主要是蟻群尋找食物的行為。顯然，蟻群在覓食時會派出一些螞蟻分頭尋找。如果一只螞蟻找到了食物源，就會返回。在返回途中，它會留下一連串的“信息素”，以便讓其他螞蟻行進時參照。如果兩只螞蟻找到了一個食物源，它們就會分頭返回。如果返回的路徑不一樣，一個長，一個短，那么返回路徑較直、較短的那一條留下的“信息素”會濃一些。模仿這種行為而產生的蟻群算法包括三方面的內容：其一，記憶。根據螞蟻不會再選擇搜索過而無結果的路徑這一行為特點，該算法建立了禁忌列表;其二，利用信息素相互通信;其三，集群活動。如前所述，螞蟻在搜索時，如果路徑上留下的信息素數量大，那么螞蟻選擇它的概率就會加大，信息素也因通過的螞蟻增加而加強。反之，路徑上通過的螞蟻少，其上的信息素則會隨時間推移而蒸發。據此而形成的群智能路徑選擇機制，就會使蟻群算法的搜索向最優解推進。如此完成的行為之所以可看作是一種群智能，是因為無論是真實的蟻群的行為還是這個算法的執行，都可完成以前只能由人類智能完成的行為。不僅如此，它們有時的表現并不比人類智能差，如該算法在機器上實現可以以較高的質量、人類無法與之相比的速度和精確性解決各種路由問題、分配問題、調度問題、子集問題、最短公共超系列問題、箱子包裝問題、機器學習問題等。

類似的自然計算還有粒子群算法或微粒群優化算法，它是受鳥群覓食行為啟發而發展起來的一種基于群體協作的隨機搜索算法。一群鳥的隨機搜索食物的行為像蟻群覓食行為一樣也表現出了群智能。假設某個區域只有一塊食物，所有的鳥都不知道食物在哪里，但是它們知道當前的位置離食物還有多遠。在這種情況下，找到食物的最優策略就是搜尋離食物最近的鳥的周圍區域。有關專家受其啟發認為，從這種行為模式中可找到解決優化問題的計算策略。根據這一策略，每個優化問題的解都是搜索空間中的一只鳥，可稱作“粒子”。所有的粒子都有一個由被優化的函數決定的適應值，每個粒子還有一個速度決定它們飛翔的方向和距離。該算法的起點是一群隨機粒子（隨機解），然后通過迭代HYPERLINK“https：//baike.baidu.com/item/%E8%BF%AD%E4%BB%A3/8415523“＼t"_blank"找到最優解，在每一次迭代中，粒子通過跟蹤兩個“極值”來更新自己。第一個就是粒子本身所找到的最優解，這個解叫作個體極值，另一個極值是整個種群找到的最優解，這個極值是全局極值。如果不用整個種群而只用其中一部分最優粒子的鄰居，那么在所有鄰居中的極值就是局部極值。

根據一種哲學解釋，這些算法不僅表現了智慧特性，而且還締造了一種新的智能形式，即群智能。它們是由本無或很少智能的個體的集體行為所凸顯出來的。這就是說，一些簡單的存在盡管本身沒有智慧特性，但大自然的奇妙之處在于，這些存在以特定的方式集合在一起，相互作用，居然能導致智能大家族中的一種別樣的智能——群智能——的誕生。有什么理由說它們是智能？因為它們不僅能解決以前只能由人類智能解決的問題，而且有時解決得比人類好，至少有人類智能所不及的特點，如這類群智能所有的靈活性、簡單性、并行性、擴充性、魯棒性等。這些特點根源于無智能或只有簡單智能特點的個體所完成的群體協作和組織行為。由于它們沒有中心的控制和數據，因此由個體所組成的系統就有魯棒性，不會因一個或幾個個體的故障而影響整個問題的求解;由于群體可以更好適應隨時變化的環境，因此這樣的系統就有上述靈活、并行等特點。在有關專家看來，自然界到處都存在著能導致智能產生的條件和機制。在這里，適應對群體表現智能特性至關重要。所謂適應就是一結構通過改變自身而讓自身在環境中生存下來并有良好的表現。著名算法專家霍蘭德（J. Holland）說，適應在本質上“就是一種優化過程”。（J. Holland：《自然與人工系統中的適應》，張江譯，高等教育出版社2008年版，第1頁。）由于適應有此作用且有廣泛的存在性，因此智能在無智能性的事物中產生出來就不足為奇。

退火算法模擬的盡管是自然事物如固體的冷卻、退火過程，但作為一種隨機尋優算法，可為大規模優化組合問題提供解，因此也具有自己獨特的智慧特性。它采用了Metroplis接受準則，還用一組被稱作冷卻進度表的參數控制算法進程，進而使算法在多項式時間中給出一個近似最優解。這種算法有保優和溫控的智能特性，這些特性不是由神秘的或精神的力量使然，而是根源于自然事物本身所固有的構造和特性：其保優性能根源于事物本身所固有的聚集性，此特性能引導分析進而聚集到最優點所在的區域，而溫控的特性和狀態接受機制體現的是自然事物所固有的彌散性，它們能把分析分散到其他區域，減小遺漏最優點的概率。質言之，算法的尋優智能特性就根源于事物本身所固有的聚集性和彌散性。所謂聚集性即引力場中的粒子表現出的向心性，即向群體中心聚集的現象，彌散性即斥力場中的粒子表現出的群體離心擴散的現象。人類的尋優智能之所以能尋優，一方面是因其內有遍歷性，即盡可能全面搜索、了解各種可能空間，另一方面有收斂性，即不斷向中心收縮。有關算法及其所模擬的對象由于有聚集性和彌散性，因此也可表現智能所具有的那些遍歷和收斂的智慧特征。另外，這些算法還有遍歷的特性，只要有此特性，算法就有全局收斂性，這一收斂性可針對任意可尋優對象或函數。而對象和函數的多樣性、復雜性又讓算法在保證可以遍歷所有點的能力時，能夠確保隨著算法的進步而找到全局最優值，即完成尋優這一原先要由人類智能才能完成的任務。

四、“沙文主義”“自由主義”與智能觀問題的一種嘗試性解答

各種自然算法在人工智能“師法自然”這一新的探索實踐中無疑邁出了開創性的一步，不僅在認識智能的樣式、本質和奧秘上做出了新的探索，而且為人類建造更接近于自然智能的人工智能積累了經驗和教訓。從實際效果來看，新的模擬進化和別的事物運作及其機制的方法，較之傳統的方法在解決許多問題的過程中顯示出強大的生命力，在優化問題上甚至有傳統方法不可企及的優點。汪鐳等學者說：“這些算法均具有模擬自然界相關生物組織和生物系統的智能特征。”（汪鐳等：《自然計算——人工智能的有效實施模式》，載涂序彥主編：《人工智能：回顧與展望》，第50頁。）但同時必須承認的是，自然算法的研究尚處在起步階段，問題和困難在所難免。愛挑毛病的批評者正是看到了這一點，對自然智能提出了各種批評和責難，有的甚至做了徹底的否定，如斷言所謂的自然計算根本算不上智能。

根據批評者的看法，這些算法的要害問題仍是太形式主義，甚至太拘泥于圖靈機的概念框架，與人的真實的智能存在根本差異，因為人的心智并非只有形式的一面，并非只是一個按固定算法行事的機器。另外，人的智能是極其復雜的，或者說是復雜系統。而復雜系統的特點在于，能“根據規則做出決定，它們時刻準備根據新得到的信息修改規則。不僅如此，主體有能力產生以前從未用過的新規則”。（約翰·卡斯蒂：《虛實世界：計算機仿真如何改變科學的疆域》，王千祥等譯，上海科學教育出版社1998年版，第230頁。）也就是說，人的智能有非算法的、抵制編程的一面。根據批評者的苛刻智能標準，自由、自主的意向性或關聯外物的作用是智能的根本標志，否則不是智能。自然算法及其所產生的所謂智能由于不符合這個標準，因此不能被看作智能。在彭羅斯看來，智能、智慧離不開意識、意向性。他說：“智慧問題屬于意識問題范圍內，我相信，如果沒有意識相伴隨，真正的智慧是不會呈現的。”（羅杰·彭羅斯：《皇帝新腦：有關電腦、人腦及物理定律》，許明賢等譯，湖南科學技術出版社1995年版，第469頁。）根據這個標準，自然計算沒有智能特性。著名科學家哈肯也有類似的看法，他說：“現今的各種計算機仍然遠遠不能達到被稱為‘智能這一要求，因而還無法談及計算機的智商問題。”（赫爾曼·哈肯：《大腦工作原理：腦活動、行為和認知的協同性研究》，郭治安等譯，上海科技教育出版社2000年版，第310頁。）“可以毫無異議地說，大腦的工作不同于圖靈機。用另一種方式講，當圖靈機產生一組數字作為一個數學問題的解時，是人給這些數字賦予了具體的含義。如果圖靈機發現一個問題不可判定，人可以確定真正發生的事件！”（赫爾曼·哈肯：《大腦工作原理：腦活動、行為和認知的協同性研究》，第313頁。）

這樣的爭論表面上是關于自然計算之類的人工智能是不是真正的智能的爭論，其實涉及的是關于智能觀根本問題的爭論，因此可看作是心靈哲學、認知科學和人工智能哲學中“沙文主義”與“自由主義”爭論的繼續。當然，在爭論中派生出了許多有新的思想內容的理論形態。“沙文主義”和“自由主義”這兩個概念是一方在批評、指責對方時送給對方的綽號。“沙文主義”認為，心智是人類獨有的現象，是人與非人區分的標準。由于它堅持只有人類才擁有智能，人的智能是研究智能的唯一的“原型實例”，因此被批評者認為犯了人類沙文主義錯誤。“自由主義”則走向了另一極端，認為除人的智能是原型實例外，我們還應把心智現象歸于人以外的生物、無機物、計算機、外星人甚至符號系統等。激進的做法是提出了智能普存論，認為智能在于信息加工，信息加工無處不在，因此智能遍在。（涂序彥：《人工智能的歷史、現狀與前景》，載涂序彥主編：《人工智能：回顧與展望》，第63頁。）有的甚至認為，機器表現出的智能現象也應成為我們抽象智能定義的一個“原型實例”。魯格爾說：“我們避免使用‘智能是人類的特有能力的粗淺說法，而相信我們能夠通過設計和評估人工智能產物來有效地研究可能的智能空間。”（G. Luger：《人工智能：復雜問題求解的結構和策略》，第1頁。）這一看法不僅別出心裁地強調智能樣式具有多樣性、無窮可能空間的新特點，而且隱含著一種研究人工智能的新戰略，即主張通過從實驗上研究和評估計算機上所表現出的智能現象來推進人工智能的發展。他說：“人工智能研究的是智能行為中的機制，它是通過制造和評估那些試圖采用這些機制的人工制品來進行研究的。”（G. Luger：《人工智能：復雜問題求解的結構和策略》，第587—588頁。）這是典型的“異人工智能策略”或泛智能主義。很顯然，這里的爭論是關于智能的本質、起源等智能觀的一般性觀點的爭論。而智能觀問題是哲學和人工智能科學都無法回避的問題。例如，一般人工智能專家認為，人工智能研究既是一門有形而上性質的抽象科學，又是一門十分具體的應用工程學。因為它不僅要解決計算機如何能表現出人類智能、計算機實現智能需要哪些原理、條件和技術支撐等問題，而且要站在像哲學一樣的高度來回答智能是什么、有何標志、特征，其實現有何條件等問題。在此意義上，許多人工智能專家認為，這一學科“是一般性的智能科學”，“是認知科學的智力內核”，“它的目標就是提供一個系統的理論，該理論既可以解釋（也許還能使我們復制）意向性的一般范疇，也可以解釋以此為基礎的各種不同心理能力”。（瑪格麗特·博登編著：《人工智能哲學》，劉西瑞、王漢琦譯，上海譯文出版社2001年版，第2頁。）

筆者認為，這里的爭論焦點是，智能是一還是多？除了人有智能、能成為智能的原型實例外，非人事物是否能有智能特性？質言之，智能是否是遍在的？對這些問題，研究的論著可謂汗牛充棟，但觀點莫衷一是。之所以如此，根本原因是這一問題沒有得到清晰的分析和梳理，特別是沒有看到里面纏繞的“本質循環難題”，沒有對之做出合理的解答。這個難題的表現是：要按智能觀的要求找到關于智能的本質，建構科學的定義，首先必須盡可能全面地查明智能的個別事例或原型實例，事例越多，越有望避免以偏概全的錯誤;而要如此，又必須找到區分智能與非智能的標準，即有對智能的本質的正確認識;要有這個認識，又得有對個例的了解;要想知道某個例是否是認識智能本質的個例，又必須有判斷的標準或關于本質的認識，如此循環，以至無窮。以往的有些爭論其實已觸及了此難題，只是人們沒有認識到予以解決的必要性和辦法，或者通過預設回避了循環問題，如強調以人的智能為原型實例的“沙文主義”就預設了自己關于智能本質的一種觀點，而堅持機器表現出的智能也應成為研究智能的可能空間中的實例的人也有自己對智能本質的預設。之所以爭論沒有促成認識向真理的逼近，原因在于，一是這里的循環沒有得到清理和超越，二是都以預設作為論證自己觀點、批駁對方觀點的前提。究竟該怎樣化解這一難題呢？

要化解危機、沖破迷霧，關鍵要認識到這一難題有兩個問題沒有得到足夠清晰的認知。它們分別是“規范性問題”和“事實性問題”。筆者認為，智能觀問題中的本質追問同時糾纏著這兩個問題，不區分開來就直接去給出對本質問題的回答，必定陷入自說自話、各唱各調的境地。所謂規范性問題是指語詞或命名問題。命名是一種規范性行為，一旦出現過去語詞沒法予以表述的對象時，命名就有其必要性，如為一新生兒命名就是如此。用什么名字去稱呼他，純粹是在有關可能選項中挑選的問題，即屬于“應該”問題。能指與所指之間的關系有任意性，沒有要符合的事實，因此不存在對與錯，只有貼切不貼切、妥當不妥當的問題。但兩者的關系一旦得到確立，就有其強制性。智能問題中的規范性問題，是指人們創立或使用“智能”這個詞究竟要指稱什么對象，指稱多大范圍內的對象，這是一個像命名一樣的規范性問題，有其任意性，屬于應該的問題。如有的人強調其智能指的是人所能表現出的智能，有的人則把“智能”指稱的范圍擴大到高等動物，乃至擴大到一切事物上，這是每個人所擁有的權利，沒有對錯之分，只有應該不應該的區別。正是因為有這個權利，哲學家和科學家經常創立新的語詞或賦予舊詞以新義。智能的事實性問題則不同，它指的是一旦“智能”一詞的外延、指稱范圍被確定以后，其個例具有什么共性，能從中抽象出什么本質規定性就是一個事實問題，所得的結論就有對錯之分。過去的爭論之所以越爭越糊涂，是因為沒有把這兩個問題區分開來，在不同的規范或外延下討論智能的本質，如用從人類智能個例中抽象出的智能本質理論去批判堅持智能更大外延的人的智能本質理論，這就相當于在兩個根本不同的語言世界中爭吵。在筆者看來，兩種以上的關于智能本質的理論的爭論，只有在都堅持了同樣外延的前提下才是有意義的。如對于智能有無意向性、意識等本質特點的爭論，只有在把智能的外延局限在人的智能范圍內才是有意義的，因為這類本質特點是從人身上抽象出來的。若據此去批評指責堅持自然計算是智能現象的觀點就是無的放矢，因為堅持這一觀點的人所理解的智能本質（即能解決問題）是從更廣泛的事物包括無機物中抽象出來的。在此意義上，筆者既承認意向性是智能的本質特點，也承認沒有意向性的事物也可表現出智能特性，因為它們是分別相對于不同的外延而言的。既然如此，不加限定地論證或批評某種智能本質理論是沒有意義的，像塞爾那樣無條件地指責人工智能因沒有意向性從而不是智能就有失偏頗。

綜上，筆者認為，如果在解決智能的規范性問題時堅持認為，“智能”一詞的意義是信息加工或能解決問題，其原型實例包括人類、自然界、計算機乃至社會中符合這個意義的一切過程或系統的話，那么可以斷言，“自由主義”甚至智能普存論是無可指責的。當然如果在理解智能時以人為原型實例，只承認人的具有意識、意向性特性的過程是智能現象，那么當然應否認自然計算有智能特性（它們即使有意向性也只有派生的意向性，而沒有像人的意向性那樣的原始意向性）。新出現的各種自然算法不僅在揭示自然智能及其必備特征的根據、條件、原理的過程中形成了新的結論，而且在模擬的技術實踐中也有新的收獲，甚至突破。計算智能已把模擬人的“能看、能聽、能想”的能力作為明確的目標提了出來。邱玉輝等學者說：“智能計算的最終目標和希望是‘機器最終能看、能聽，甚至是能想。”（邱玉輝等：《計算智能》，載涂序彥主編：《人工智能：回顧與展望》，第152頁。）據此，計算智能應定義為：“包含計算機和濕件（如人腦）的一種方法論，而這種計算展示了適應和處理新情況的能力，使系統具有推理的屬性，如泛化、發現、聯想和抽象。” （邱玉輝等：《計算智能》，載涂序彥主編：《人工智能：回顧與展望》，第152頁。）當然應承認，它們沒有、甚至永遠不可能有人的原始意向性所具有的那種有意識的自主的關聯作用。其實它們也不需要有這樣的特性，因為自然界、人類社會、人工世界都是按分工協作原則組織起來的。

也正是基于這樣的對規范性問題的解答，筆者不贊成智能單一論，而贊成智能形式的多樣性、開放性理論。當然這是相對于一種規范而言的，改變規范，結論就不同了。根據智能多樣性理論，智能的形式多種多樣，廣泛存在于自然界、人類心靈、人類社會中，層次有高低之別，而且還具有開放性、可再造性，人類可通過自己的才智創造出更加豐富多樣的智能體。就此而言，“異人工智能策略”或泛智能主義、智能普存論是合理的，也值得進一步推進和發展，這對我們實現人工智能的目標是必不可少的。在一定的規范下承認智能的多樣性、遍在性、開放性，對于我們通過人工智能的方式創造出更多、更實用的智能樣式，對于人類自身的發展是有不可限量意義的。既然如此，人工智能未來發展就應著眼于對廣泛的、具體個別的智能樣式的解剖，即應以盡可能多的智能個例為原型實例，探討它們構成、起作用的方式和運作機理，而不應停留于議論宏大的、泛泛的智能現象。如果確實是以具體的智能為模型而建構出來的人工智能，那么就應承認其是真正的智能。也就是說，應放寬智能標準，堅持智能的復雜多樣性理論，不犯以偏概全的錯誤，不將智能子類的標準泛化到其他子類之上，否則，就會人為扼殺真正的人工智能。

Natural Computation and Its Problems in the View of Intelligence

GAO Xinmin

Abstract： In the process of simulating the function of a wide range of natural things and constructing such as annealing algorithm and evolutionary algorithm， the research of natural computing of artificial intelligence not only makes active exploration and contribution in improving and expanding human ability， but also provides us with rare materials for further thinking about the problems of intelligence concept and solving the in-depth basic theoretical problems of artificial intelligence from the perspective of philosophy and engineering technology. The urgent problem of AI philosophy is to distinguish normative problem from factual problem and to solve the essential circulation problem in the view of intelligence when it comes to natural computing. If artificial intelligence wants to make positive progress in simulating and surpassing natural intelligence， it should not only take one intelligent mode as the prototype example of anatomy and fall into the “chauvinism” extreme， but also relax the intelligent standard while avoiding the “liberalism” error， adhere to the complex diversity theory of intelligence， avoid the error of over-generalization， focus on dissecting as much intelligent modes structure and operation mechanism as possible， and base on all these work to create more and more useful new modes of artificial intelligence.

Key words： natural computation， the view of intelligence， essential circulation problem， diversity of intelligence

（責任編輯：知 魚）

基金項目：教育部人文社會科學研究規劃基金項目“意向性與人工智能建模基礎問題研究”（20YJA720003）

作者簡介：華中師范大學哲學研究所教授，博士生導師（湖北 武漢 430079）。