深度學習追問學習本質的哲學敘事

涂 良 川

(華南師范大學 馬克思主義學院，廣州 510631)

深度學習被喻為人工智能的未來，這不僅是因為其以技術邏輯推動了機器“自主”學習的發展，更因為深度學習的技術化學習過程、功能化學習成果、操作化學習改進為理解生物智能“提供一個新的概念框架”[1]前言16。深度學習在神經生理學、系統科學和統計學等學科的啟發下，嘗試性地實現了從對象化到非對象化的識別能力，在建構理解概念的過程中，一方面更新了人工智能的知識庫，將數據的規律內化成判定的原則、推理的規范、預測的根據；另一方面，則以數據感知的方式修正算法誤差、推進算法進化、實現算法泛化，使其具備了跨越專家系統的可能。雖然深度學習是機器學習的一個特定類型，具有機器學習的一般規定性，但是其“可以讓計算機從經驗中學習，并根據層次化的概念體系來理解世界，而每個概念則通過與某些相對簡單的概念之間的關系來定義”[2]1。深度學習以獲得嵌套性概念體系的方式超越了符號邏輯對對象世界的硬編碼，將人類學習能力注入到計算機系統中，使其兼具人類認知的實踐靈活性與人工智能推演的精確嚴密性，使人工智能能夠在對基本學習模式的調用中獲得復雜的知識、形成科學的認知、作出準確的判斷。深度學習基于多層次組合的普遍原理，使“計算機通過較簡單的概念構建復雜的概念”[2]3，其類神經的電子網絡通過參數的修正、結果的比對、成效的評價，形成了能夠在相互關系中定義對象的能力。雖然，深度學習并非以共相的一致性來保障判斷的準確性，但其通過遞歸調用而形成和修正的模式卻使其獲得了由環境定義的“家族相似性”。在層次或深度的加持之下，一方面機器“感知”到的圖像、聲音等信息密度低的“感覺材料”被深度學習“嵌套的層次概念體系”抽象化成信息密度高、描述能力強、邏輯判斷準的“概念”，使機器學習獲得的規律具有自然語言概念的抽象性、規范性與跨越性；另一方面，基于對神經網絡與信息傳遞的模擬，深度學習“能以經驗為基礎進行自我建構”[3]29，既還原了智能形成于人與外界交流學習的歷史現象學，又使實踐經驗反向修正實踐前提的原則具體化為深度學習優化模型的“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絡“將無理變為非線性的有理”[4]42，賦予深度學習系統獲得類數學的邏輯自洽性，既能夠依據先驗知識作出精確的預測，又能夠依據訓練數據進行泛化，使其具有超越先驗知識的可能性。因此，深度學習提取規律、優化模式和泛化預測的技術路徑，既是學習的技術實現，更是對學習本質的哲學追問。這不僅使人工智能的技術范式以數據量的擴張、計算力的提升等來提高智能的物理性原則進展到了對學習能力獲得的探討，而且使人工智能在深度學習的加持之下，從傳統人工智能“大數據小任務”的模式正在向“大數據大任務”和“小數據小任務”方面發展與轉變。所以，呈現深度學習追問學習本質的哲學敘事，既是對人工智能技術邏輯的哲學理解，又是對人工智能時代認識論的哲學探討。

一、數據規律的提取與對象世界的概念化

深度學習得益于多層感知機的啟發，使其成為繼邏輯回歸“監督學習”、表示學習“無監督學習”之后的機器學習全新階段。雖然深度學習作為機器依然從數據中獲得知識，但是其卻可以在“概念化”數據中超越從知識庫中搜索規律、實例中提取聯系的機器學習方式。因為，深度學習“通過其他較簡單的表示來表達復雜表示”[2]3的學習邏輯，一方面是對表示學習核心難題的技術解決，另一方面則是對“人類智能的復雜性源于非常簡單元素的組合”的技術肯認。雖然我們很難說因為深度學習解決了表示學習難題、肯定了人類智能特質就必然使其獲得類人的學習能力，但是深度學習以“層次化的概念”來簡化學習的起點、以遞歸調用和反向傳遞等手段來實現從簡單到復雜的建構時，既是對人類概念化對象世界過程的技術性模擬，更是對人類通過概念化對象世界獲得智能的哲學性理解。

第一，雖然深度學習對數據規律的提取深受神經生物學、腦科學等經驗研究與過程還原的影響和啟發，但是卻更注重對人類智能概念化對象世界過程的理解與實現。深度學習作為機器學習興衰沉浮之后的全新范式，雖然其依然沿襲了機器學習從數據提取規律的基本邏輯，但是因為其對獲取規律方式的創新，使其能夠基于數據相互的依賴性關系將數據規律轉化成判斷對象的原則，使其借用數據量與計算力但卻不依賴計算機的物理性能與數據的描述容量，獲得了“從對象化樣本(比如許多葉子圖像)學到非對象化的對象識別(比如辨認出從未見過的或千變萬化的葉子)的能力”[4]43。與其說深度學習提取了數據的規律，倒不如說深度學習從數據中獲取了描述對象、區別對象、判斷對象的概念。而且，深度學習之所以具有如此能力，顯然不是因為人工智能系統獲得了事無巨細的記憶能力、強大無比的計算比對能力，而是因為深度學習的算法通過數據信息的提取，使得“信息積累成知識；知識深化成理解；理解演變為智慧”[1]4。因為，深度學習對數據規律的提取，不是單一按照某一知識門類或對人類思維過程的經驗理解，而是綜合了人類認知的重要成果，融合了數學、計算機科學、神經科學等人類用以概念化對象世界的認知理論與方法，使之既能夠在隨機的初始化網絡中以反向傳播的方式不斷地進行全局調整，并能夠依據人類概念抽象的過程機理進行迭代優化。深度學習的這一邏輯，使之不再依賴于直觀的具體比對，而是形成了以概念的本質作為肯定要素對對象進行否定性識別與排除，從而真正改變了機器智能以絕對數量、檢索速度、對比精度取勝的描述邏輯。深度學習的有效性，既是對其技術范式的有效性，更是對概念化對象世界有效性的絕佳證明。

第二，深度學習是“從海量數據中‘抽象’出其中包含的信息”，而非還原出存在的既定的規律，是受“感知”、“推理”和“行動”等目的推動的抽象。深度學習不是要還原一個既定的對象，而是要獲得一套以效果有效性為標準的感覺、推理與行為原則。也就是說，深度學習提取數據規律，是以抽象為原則對數據本質屬性的邏輯建構，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構模型和知識邏輯。雖然深度學習的技術過程與物理模型來源于生物神經網絡，但是其并不是在照搬生物神經網絡物理結構的前提下來獲得學習的能力，而是將人概念化對象世界的抽象能力轉換成了可計算實現的自我修正、自我進化的算法。雖然深度學習在技術邏輯上特別關注實現這一抽象過程的人工神經網絡的聯結，但是其抽象本身就已遠遠超越了人工智能依靠邏輯推理的傳統，而是真正將抽象作為突破機器智能以量取勝、以快致勝、以準獲勝的核心機制。從今天最新的研究成果來看，如果深度學習能夠做到簡約性與自治性,[5]那么人工智能就可以在抽象能力上更上一層樓。因為，深度學習抽取數據的規律，并不是用已有的規律對數據事實進行試錯性的驗證、選擇和應用，而是要在抽象中獲得“緊湊性”和“結構化”的具有判定實效的模式。一方面，基于簡約與自治性的深度學習算法能夠實現獲得規律的“閉環反饋”的自我修正，使機器學習既能夠運用已有的規律，更能夠進一步發現新的規律，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，深度學習的抽象，顯然不是暴力訓練的概括，而是從外部數據形成“低維”的結構以適用于表征對象的簡化原則，在數據結構上表現為壓縮結合，在哲學上表現為“將低級特征進一步抽象成高級特征”[7],從而真正使深度學習之“深度”在逐層抽象數據的過程中，既完成從部分到整體的表征，又完成從復雜到簡單的抽象。

第三，深度學習非線性網絡結構，在功能上證明了經驗主義提煉數據規律的有效性，在規律生成上呈現了非線性迭代模型似概念的抽象性，在規律來源上表達了大數據揭示全樣本的可能性，在規律運用上體現了概念的肯定與否定統一的辯證性。如果說深度學習是以數據為依據把對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的改造性。因為，受人腦認知邏輯啟發的深度學習，當其從數據中學習時，不過是以基礎邏輯機制對數據進行再加工。雖然深度學習的隱藏層具有不可解釋性，但是卻以技術現象學表明了觀念形成的過程復雜性、主體建構性與社會歷史性，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的東西而已”[8]。其一，深度學習非線性網絡結構的非線性一方面可以保障數據之間的最大的相關性，另一方面又能夠保護深度學習在遞歸調用基本規則中形成突變的可能性。這既是深度學習不可解釋性的存在基礎，又是深度學習保障數據規律完整性的技術支撐。其二，深度學習多層性(深度)的層層迭代，既運用“特征提取器”[3]93對數據規律進行不斷抽象，又以諸多“梯度”連續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，保持數據規律之于未來的開放性，雖然層數越多、可解釋性越弱、復雜性越高，但是卻能夠以層數的組合超越單一數字神經元放大、或縮小、或保持權重來放大步長和頻度的單一性，使之在組合的復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算連續可微的函數，既盡可能保存梯度平滑下降的每一種可能性，又不斷比對選取描述能力強、概括能力高的抽象路徑。其三，深度學習以技術的方式深入地挖掘了概念抽象的過程性，雖然不能將抽取數據規律如同人類概念化對象世界那樣物質化地改變神經網絡的結構，但是卻能夠在輸入與輸出中以相關性的方式表現出對數據類概念的描述。深度學習以網絡的功能性實現了概念的肯定與否定的描述、區分和判定等。因此，深度學習抽取數據規律本身雖然不同于人類智慧的因果性，但是其相關性的描述卻在一定意義上實現了對人類智慧學習智能同質化的表達，雖然目前深度學習離人類概念化對象世界的能力還很遠，但是卻在以技術復刻學習過程中形成了以數字神經網絡理解學習的技術路徑。

第四，深度學習“無上限自舉”[9]提取數據規律的過程，是以簡單處理單元的并行網絡對樣本特征進行的邏輯挖掘，從機理上契合了經驗概念化對象世界的過程，既將概念化對象世界達成模式識別的功能表現得淋漓盡致，又將深度學習網絡以概率論來描述規律的特質體現得充分具體。深度學習不執著于復原人類智能概念化對象世界的復雜生物機制，而是在對概念化對象世界的功能理解與實現一致的神經網絡機制上開創出了挖掘數據規律的技術路徑。深度學習之所以能夠在數據規律的提取中以無上限自舉，其根本原因在于深度學習不是以“生物自然主義”的思維方式理解神經元對對象世界的感知、抽象和概念化，而是以閾值的變化來表達、參數的調節來實現、網絡的連接來記憶、功能的一致來證明數字神經網絡獲得了識別對象的模式，獲得了對對象世界的類概念表達。表面上看，深度學習用概率論、神經網絡等方法證明了大腦就是計算機，實質上卻是以“大腦式計算”的全新方法表明概念化對象世界與數據規律的深度學習提取之間具有同構性。其一，深度學習以無上限自舉的自動驅動來修正規律，既是技術性調節規律有效性的方式，又是對概念化對象世界的不斷的歷史唯物主義修正。其二，雖然深度學習的并行網絡并不強調相關性向因果性的轉變，但是其無上限自舉本身就是一種內化時間過程性的努力，這一方面意味著數據規律的可能性是多元的，另一方面意味著規律是開放生成的，再一方面則意味著規律本身是內化時間經驗的。其三，深度學習提取數據規律的過程，是基于對感知的數字神經網絡理解而展開的遞歸調用過程，這和概念化對象世界基于基礎概念的循環具有過程的同構性。雖然不能因為過程一致而認定結果相同，但深度學習的有效性卻充分證明了概念不斷發展與遞進的有效性。

因此，深度學習目前雖然因其深度的不可解釋性很難被邏輯地解釋清楚，基于相關性的規律的類因果性與因果性之間也有差異，但卻是依據人類認知能力的科學理論、認知本質的哲學判斷和對認識效應的社會認可，創造出來的一種實質提取規律自動化的技術機制。這一技術機制的科學性和有效性，雖然目前尚不能和概念化對象世界的人類智能同日而言，但是其以技術隱喻的方式再一次證明概念化之于認識的重要意義，同時也敞開了理解概念化發展的重要問題，以及概念化與提出問題的存在論一致的關系問題等。

二、模型誤差的優化與實踐干預的原則化

優化模型誤差，既是深度解決學習成果有效性的技術手段，又是改進學習基本向度的學習方式。這意味著深度學習不僅向正確和有效學習，而且還向錯誤和無效學習。優化是一種技術性的反思路徑，既是對模型既定結構的修補與完善，又是對基本模型的改變與反思。因此，模型誤差的優化雖然在技術的層面表現為網絡結構的修改，但在本質上卻是將模型效應與功能內化成模型的要素，是類實踐反思的自優化原則。特別是反向傳播算法在深度學習中的廣泛應用，一方面解決了模型修正的技術與邏輯問題，另一方面又提供了一條以經驗修正和改進先驗哲學理路的技術路徑。優化，特別是基于效果衡量、數據規律再發現和操作成效再運用的優化，一方面使模型誤差得以控制、功效得以提升、“能力”得以加強，體現出機器學習邏輯推定的精準性和數據擴展的開放性；另一方面則充分表明深度學習獲取了基于經驗來改進先驗的技術機制，體現出深度學習算法進化的高階自動性與類人智能的獨立性和自主性；再一方面既在技術上用實踐經驗原則化的方式規避了“大力出奇跡”的成本與穩定問題，又以技術有效性的方式證明了實踐經驗原則化的存在論與認識論意義。

第一，深度學習各種優化模型誤差的算法都是基于樣本數據學習與工作成效的優化，既繼承了認知的成果，又開放了認知的修正，使機器采獲規律、運用規律具有了類人學習的反思性。深度學習之所以堅持模型的優化，不僅因為模型功效的局限性是可知的，而且更是因為相信模型應該以及可能被反思修正。深度學習的優化不僅考慮模型的有效性問題，而且是確證實踐經驗的形而上學性的問題。其一，訓練作為深度學習常用的優化模型的手段，其目的在于“減少機器在學習階段所犯錯誤”[3]148,在使得目標函數最優的過程中，提高模型的精度、拓展應用的廣度、強化學習的深度和升華規律的信度。訓練不是先驗輸入，而是反向傳播，既是對貝葉斯網絡的算法實現，又是經驗修正先驗的技術模型，更是對實踐干預的技術吸納。其二，優化雖然在其技術路徑上表現為調節參數、建立或斷開邏輯聯結，但是在其形而上學方面卻是以模型工作的適應性與有效性來現實地證明模型算法的客觀性。從表面上看，深度學習的優化是基于大數據對模型進行的經驗主義的修正；從實質上講，深度學習的優化是基于數據表征的偶然性對模型算法的實踐豐富。因此，深度學習的優化既以技術的方式表達了新經驗主義認識論的主張，[10]46又將歸納的有效性奠基在經驗的內化上。因為，“人的思維是否具有客觀的[gegenst?ndliche]真理性，這不是一個理論的問題，而是一個實踐的問題”[11]503-504。其三，優化是對形式化模型的基礎、結構和效果的一種綜合性評價，并且是基于系統內部的評價。雖然這里沒有技術性地回復哥德爾不完全定理的問題，但是卻內涵了類反事實反思的機制。因為，在深度學習的優化中，系統不過是在不斷執行一個判斷，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，在層次結構的深度之上，深度學習一方面為優化提供了一種物理的邏輯機制，使其輸出在不同的層級被權衡、賦值與改進；另一方面為優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；再一方面為優化從技術的歸納邏輯上升到認知的感知邏輯提供了現實通道，既能夠及時地處理新進入系統的數據，又能夠在自主學習中客觀地參照監督學習的進程。

第二，深度學習的優化不是直接地判斷模型的對錯與功效，而是自下而上地修改權重、修正聯結，將前置性判斷與經驗性修正有機地結合起來。在某種意義上說，深度學習優化模型本身表征了事實與價值二分體系在實踐中的崩塌。其一，深度學習基于技術與邏輯可行性的考慮，優化將新增數據和效能判斷直接指向獨立分量的權重和聯結。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知對象的準確性。其二，優化作為深度學習改進自身的必要手段，是基于無監督學習在深度學習之內運用而進行的改變。優化模型的誤差，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知現象學，使之獲得了類人類思維的反思性，而且深度學習優化誤差的操作邏輯又從根本上肯定了前置形式的客觀性。面對這種雙重客觀性，深度學習的優化策略表面上看解決的是誤差問題，其實際在功能上實現的是系統的穩定性，在認知上保障的是知識科學性，在哲學上表征的是經驗形上性與形式先驗以及先驗可改進性。其三，在自下而上的優化中，雖然深度學習是受生物神經網絡的啟發，但卻不是還原論地重復了生物神經網絡增強與減弱的生活獎勵機制，而是一種“理性主義和經驗主義的相融互補，整體論與還原論的協同互動”[10]49的系統“進化”機制。深度學習優化誤差本身就意味著人工智能是可塑性的數字神經網絡，而系統高階自動化的優化既是表達深度學習具有以形式為前提采集經驗并使之原則化與價值化的能力，又表明深度學習是基于系統自身來優化的。這既符合深度學習的數學原理，又體現深度學習的非線性特質。

第三，優化模型的誤差對于深度學習而言雖然是保證其效能的技術手段，但卻從本質上表達了智能學習的基本特征。因為，深度學習的優化以技術現象學的方式表征了學習不僅可以描述對象、表征對象和還原對象，而且能夠原則化經驗、先驗化表象和價值化實踐。深度學習作為學習，優化是“改進對經驗的表征，就是通過已有的內在條件對外部實在作出適當的表征”[12]，而且是基于“實踐出真知”的原則性改進。其一，優化是深度學習通過消解誤差而不斷改進系統的過程。誤差非錯誤，是對系統內部特質與外部結果雙重判斷的結果。所以，深度學習類實踐的新經驗主義，雖然有著將數據絕對化的面向，但卻因為優化誤差技術方法的引入，隱喻性地表達了通過數據規律、判斷數據狀態、預測數據未來等來實現對操作數據活動過程、經驗和結果的形上化和先驗化。優化使操作數據的經驗不斷上升為原則，并不是形成絕對的演繹邏輯，而是納入歸納特質，并表征系統意識到系統自身能力的可修正性原則。也正是在這個意義上，我們可以依照馬克思的邏輯[11]162這樣講，深度學習通過優化“意識”到了模型自身，有意識的優化把深度學習同人工智能的其他學習直接區別開來。其二，優化是深度學習行為認知的有機組成，其修正性的調節不僅使系統更加有效與精準，而且使系統與數據真正形成深度互動，是深度學習實現“干中學”和“學中干”的統一。雖然當前人工智能系統并沒有具身學習的能力與條件，但是深度學習卻在修正誤差的過程中力圖以技術簡化的方式實現具身學習，并在高階自動化的系統完善中不斷與環境進行深度交互。這一方面表明深度學習極度地尊重環境的客觀性，以修正模型誤差的方式技術地表明“環境的改變和人的活動的一致，只能被看做是并合理地理解為變革的實踐”[11]504，并將實踐過程和經驗內化系統構成要素；另一方面則表明深度學習高階自動化的學習是基于環境、提取規律、內化操作和升華經驗的系統性學習，是系統自動開始的“本能”與系統遭遇數據的“直覺”的合一。其三，單一的修正雖然掛一漏萬，但是人工智能算力和存貯力加持的數據泛化的修正、系統無監督的修正等又以類實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。這既可以使科學規律的獲得“按幾何級數發展”[11]82，又推動人工智能算法進化的不斷加速。當然，修正模型誤差首先是深度學習的技術機制，但是修正本身所呈現出來的對實踐過程的遞歸調用，一方面使被實踐所認知的偶然性內化成系統的必然性；另一方面則使系統的學習能力始終保持開放性與未完成性，修正系統誤差使深度學習能夠自由葆有系統與環境對系統自身的修正與改進的能力，從而真正表現深度學習系統的自由性。(1)馬克思明確提出，“由于具有表現本身的真正個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，優化作為解決模型誤差的技術性手段，雖然直接源于深度學習對系統可行性、有效性和擴展性的現實考量，但卻遠遠超越了技術設計本身，是一種對智能學習本性的追問。表面上看，優化是不斷用檢驗的方式來功能性地改進系統參數與聯結；本質上講，優化是對學習基于實踐經驗反向傳遞形上性的哲學表征。因為通過優化，不僅強化了深度學習系統直接的功效，更為其智能預測的泛化留下了足夠的可能性。

三、智能預測的泛化與感性經驗的科學化

深度學習以學習來解決算法的通用性問題，既變革了傳統人工智能的方法論，又使人工智能技術進入到全新的時代。因為，學習作為智能體重要的能力，不僅能夠模仿其學習對象的行為，而且能夠深入理解學習對象的本質，更能夠以學習對象為基礎創造性地構造出全新的對象。因此，智能預測的泛化問題不僅是深度學習關注的核心問題，更是以技術使“生成模型可以為AI系統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不確定性的情況下推理這些概念”[2]438。如此看來，深度學習嵌套式的概念化對象世界，一方面賦予算法靈活性，奠定智能預測泛化的基礎；另一方面又形成具有普遍化的科學邏輯，既統合感性經驗的體驗性與獨特性，又形成科學邏輯的規范性與預測性。

第一，智能預測的泛化是基于對差異性實例的學習而形成的超越既定數據的能力。雖然目前深度學習獲得的泛化能力有限，只能識別“與所學習過的示例差別不是太大”[3]88的對象，但是卻提出了判斷不同對象的能力的要求。這既肯定了我們前述深度學習嵌套性概念所具有的肯定與否定能力，又意味著通過對感性經驗的抽象獲得一種發現原理的泛化能力?；蛘哒f，泛化本身不是求助于對各種規律和模型的窮盡列舉與海量比對，而是通過對感性經驗原理的表達來實現對對象的識別、預測和判斷。其一，智能預測的泛化在技術上雖然以特征提取為邏輯，但在執行上卻是“在人所設置的環境中適應性地進行識別和決策，所以比起符號人工智能顯得更加智能化，也更接近人的日常認識活動”[13]。數據表達的感性經驗既是系統知識的來源，又是系統要超越的對象。這一方面使感性經驗不再是作為零散的表象而被先定的規律剪裁或拋棄，另一方面又使系統獲得感性的規定與限制，不是無根據地邏輯推演。也正因為如此，深度學習在發展中雖然極度依賴數據，但卻又不受制于數據。泛化是系統發展從“大數據小任務”機械推理、符號表示演進到“小數據大任務”通用智能的重要步驟。所以，泛化是對感性經驗形成的感性活動的哲學肯認與技術表征。其二，泛化是基于學習而獲得的對感性經驗的超越，既表現為智能預測的“離身性”，又表達為智能預測的“具身性”。泛化意味著深度學習不再強調前置程序的完滿性，而是借助于數據在自主學習與監督學習中實現對系統知識單元、邏輯判定和效果評價的逆向修正、特征添加、聯結再建等。訓練完成的系統本身具有某種固定性，但是一旦將系統置于預測與判斷之中，系統在學習機制的作用之下又開始對自身能力再次豐富，類似于人類智能在感性經驗中“活到老，學到老”一樣。雖然按照“莫拉維克悖論”來說，感性經驗是人工智能的短板，但是深度學習的泛化卻不失為解決這種短板的技術嘗試。因為，智能預測的泛化既以唯物主義的方式強調了感性經驗存在的基礎性，使學習本身必須基于數據，又以建構主義與功能主義強調了感性經驗知識化、邏輯化與概念化，形成了功能模擬、結構模擬和行為模擬的技術性統一。[14]

第二，深度學習智能預測的泛化，是“從觀察到的現象中總結出定律，并用定律預測現象”[3]78自主學習的技術實現，既完成了深度學習系統功能的建構，更是以技術的方式表征感性經驗的形上性與科學性。智能預測的泛化能力，既是深度學習充分挖掘學習之為智能生物特性的結果，又是泛化數據、科學化感性經驗的必然。深度學習強化智能預測的泛化，使其超越了基于先驗認知的推理，進展到了科學化的行為認知。其一，感性經驗作為人以感性活動與對象世界打交道的歷史性體驗，不僅以生物的應激性對世界作出了反應，還將學習獲得的方式內化成神經的結構、生成行為的能力，更是以發生機理啟發了智能預測的泛化。深度學習從存在基礎上重釋了感性經驗，既使這種學習本身有了更具體的對象指向性，又以行動的方式重述了學習之于智能的建構性。因此，深度學習智能預測從生成邏輯上就具有以感性經驗面對整全對象的可能性。其二，深度學習注重對學習的理解，而非執著于機械唯物主義的逆向工程學，使得其從行為、功能和因果等方面探索了數據表達的感性經驗上升為科學化概念的技術路徑，使預測的有效性“更依賴對觀察得到的數據進行泛化，而不是依賴先驗知識”[3]126。這一方面符合智能生物學習升華感性經驗，而不是記憶感性經驗的事實；另一方面又形而上學地確證了基于感性活動的感性經驗雖然是實際的、偶然的、零散的，但是卻真實地表征著邏輯和事實，可以而且應該被概念化成預測的前提、推理的規律與評價的準則。也就是說，智能預測的泛化作為深度學習權衡系統優劣和通用性的原則，并不是從系統內在的邏輯結構、前置規定和功能區化來評價系統本身，而是從其學習方式、學習能力和學習效果方式來考慮。雖然深度學習系統在設計時離不開最基礎的處理數據、分析規律、改進系統的簡單規定，但是卻能夠形成感性經驗科學化的技術邏輯，在提升智能預測、泛化智能預測中確證了感性經驗上升為科學規律的必要性與可能性。其三，智能預測的泛化，不僅具有系統解決問題的跨越性，而且具有系統處理問題的靈活性與系統自身的通用性。因此，科學的感性經驗既構成系統解釋觀察對象、操作對象、干預對象和建構對象的極簡原則，使系統處理問題簡潔化，從而使學習成為替代暴力計算與海量存貯的智能途徑；又使預測而非解釋能力成為衡量學習有效性的標準，使現代哲學關于學習與智能、智能與預測、預測與實踐等觀念獲得了技術證明。智能預測的泛化，本身就不是事無巨細地還原生物智能體的生物機制與感性經驗的具體細節，而是讓系統“停止記錄學習數據，開始學習發現數據蘊含的基本規律”[3]129。

第三，立足于感覺材料、提升感性經驗，通過建構理解概念的概念，深度學習實現了智能預測的泛化，既證明感性經驗存在著“家族相似性”，更表明智能學習能夠將感性經驗科學化成普適性的判斷能力、操作邏輯和評價標準。智能預測的泛化，不是增加系統的知識庫，而是提升系統的感性語境。這既表明感性經驗的不可預測性應該是智能預測的存在論語境，又表明智能學習具有獲得預測非預測性事實的能力。正如有學者提出的那樣，人工智能其實缺少的不是知識，缺少的是感性實在。其一，感性經驗內涵著關于對象的知識與改造對象的實踐，對其科學化，既是以抽取規律的方式表達之，又是以直面全新偶然表達之。因此，在解決智能預測泛化的問題中，深度學習將感性經驗科學化成系統的構成要素，其將感性經驗內蘊的空間維度與時間維度轉化成系統的跨越能力。深度學習不僅直接提取了感性經驗直接表征的科學規律，而且還在對感性經驗進行嵌套層次的分解中獲得了類人智能的辨別力。這充分表明感性經驗的獨特性、時效性、社會歷史性等非連續的“裂隙”既是智能學習獲得認知的障礙，又是智能學習泛化與遷移的基礎。其二，以深度學習的方式科學化感性經驗來獲得智能預測泛化的技術路徑，并不是在模擬大腦生物與生理結構上來實現結構主義還原，而是在深入把握學習過程、學習方式和學習功效中實現人類智能能力的表征。雖然深度學習在規律存貯機制上存在著擦除與重寫的“災難性遺忘”，但是因為對感性經驗的歷史唯物主義肯定使得深度學習不斷在技術上尋求葆有感性經驗實在性的方式與途徑，運用持續學習新系統來保證感性經驗的科學性。[15]這雖然是一種技術性的嘗試，但是其葆有感性經驗客觀性的形上性本身卻顯示出深度學習智能預測泛化“不可替代的構造功能，或雖然初步但比較真實的學習功能”[4]45，這實現了感性經驗的知識化與能力化。這是人工智能以深度學習的路徑來追問學習本質所期待的。

結論

深度學習以技術邏輯實踐生物智能的學習，使其超越了以樣本量大、搜索力強、對比力準等“大數據小任務”實現人工智能“聰明”的傳統路徑，通過對學習本質的追問實現了人工智能技術范式的變革，以哲學敘事的方式表明了概念化對象世界、原則化實踐干預和科學化感性經驗之于智能的根基性意義，以及智能學習的現象學過程。深度學習雖然是以技術的邏輯來實現學習的過程、以功能的效應來判定學習的效果和以修正結果的手段來改進學習的積累，但是卻以技術現象學的方式揭示學習如何在遞歸調用肯定、否定和組合等基本操作的實踐中不斷地提出全新問題，實現了概念、原則和邏輯的建構；更以行為的有效性、過程的開放性、系統的進化性證明了學習的可能性。因此，深度學習雖然是受神經元交流方式啟發而對學習進行的一種技術性建構，但是卻以技術的方式直接指向了智能體獲得智能的活動特質以及智能活動成果的特性。一方面，深度學習雖然依然存在著黑箱和可解釋性等難題，但是卻以技術現象學表征了智能獲取的歷史現象學：“智力的獲得是人與外界交流學習的結果”[3]28。另一方面，深度學習不斷優化的邏輯表明，學習不是重復地接受既定的認知成果，而是以經驗為基礎的自我建構與自我發展；再一方面，深度學習不以量大而以泛化數據來擴展其行為能力的事實表明，智能體的學習既是對感性經驗的唯物主義肯定，又是對對象世界的概念性建構，更是對自我能力的反思性改進。