混合認知：一種優化的人工智能適應性表征策略

魏屹東

所謂“混合認知”（Blended Cognition，縮寫為BC），根據瓦爾韋杜（J.Vallverdú）和穆勒（V.C.Müller）的說法，①J.Vallverdú，V.C.Müller，eds.，Blended Cognition：The Robotic Challenge，Springer Nature Switzerland AG，2019，preface，p.vii.是研究一個智能系統如何使用或部分結合幾種方法來決定可能的行動輸出或數據評估和存儲的領域。在認知科學中，其他類似的定義是將不同的認知范式結合起來，戴維·弗農定義的混合認知系統則是認知主義系統（計算表征主義）與涌現系統（聯結主義、動力主義和生成主義）的結合。②戴維·弗農：《人工認知系統》，周玉鳳，魏淑遐譯，王希審校，北京大學出版社2021年版，第28頁。混合認知的重要性在于，在這些主要范式或可能的層次之間沒有預先建立的、僵化的控制層次，但存在優化的協作和組合的功能策略，其中的關鍵點是系統的靈活性和適應性。從進化的角度看，認知系統的這個混合過程經歷了從感覺運動到符號化，從直覺到高度形式化，從有意識到無意識的過程，這些過程按順序或平行進行；人類從一長串的選項中進行選擇，以解決復雜的任務。這個過程也就是“混合認知”，即幾種認知方式或范式的結合。在筆者看來，這種混合意義上的人工認知或智能是優化的適應性表征認知系統，人機混合本質上就是具身性與機械性的結合，適應性和優化性的結合。③P.Abrams，“Adaptationism，Optimality Models and Tests of Adaptive Acenarios”，in S.H.Orzack，E.Sober，eds.，Adaptationism and Optimality，Cambridge：Cambridge University Press，2001.本文要闡明的是，人工智能中的混合認知，本質上是人類具有的各種啟示法結合而成的適應性表征能力，它進一步激發了人工智能和機器人學的研究，表現出更強的適應性、表征性、自主性、能動性、具身性、交互性、符號性和語義性。然而，我們也要看到，雖然混合認知的可解釋性增強了，但“黑箱性”（Blackboxness）仍一定程度上存在。這種黑箱性可能就像信息系統中的噪音一樣，難以徹底消除。

一、“混合認知”的適應性和表征性

關于“混合”的意義，計算機先驅馮·諾依曼在討論計算機的“混合”類型時，指的是“模擬原則和數字原則同時存在的計算機類型。更準確地說，在這種計算機的設計方案中，一部分是模擬的，一部分是數字的，兩者互通信息（數字的材料），并接受共同的控制”。①約翰·馮·諾依曼：《計算機與人腦》，甘子玉譯，商務印書館2002年版，第17頁。也就是說，計算機的這兩部分各有自己的控制，而且這兩部分必須能夠通信邏輯材料。在馮·諾依曼看來，這種計算機裝置既要求有能夠從已給定的數字轉換成為模擬量的器官，也要求有從模擬量轉換成為數字的器官。前者意味著從數字表征中建立一個連續量，后者意味著測量一個連續量并將其結果以數字形式表征出來。在我看來，這個過程就是匹配任務的適應性表征。穆勒認為，“混合”意味著有一個可能的數據和任務需求的組群——語義學、身體、心智。這里的“語義學”是指在特定時刻對行為體或智能體（Agent）的信息價值；“身體”是指行為體身體上的要求和可能性（自由度），如靈活性和吸收效果；“心智”指的是行為體所表現出的啟發式機制，能獨立執行自適應可預測行動，旨在為數據流提供答案。

就人類認知而言，它與意識（心智）是混合的。認知心理學一般將人類的意識分為三類：無意識（Un-consciousness）、潛意識（Sub-consciousness）和意識（Consciousness）。鑒于認知科學和腦科學的發展，盡管無意識和潛意識的機制和構架我們并不清楚，但它們的某些狀態我們還是知曉的，如無意識的睡眠、自然認知器官（大腦）的結構，潛意識的感覺運動耦合、模仿行為等，都具有敏捷性和潛力。而有意識的情形是我們都熟悉的，如學習、計劃、決策等，關于它的構架、啟示法和例子也很多，如形形色色的意識理論和認知模型。這些意識類型（如果存在的話）在許多方面都是混合的，也意味著它們是難以嚴格區分的。

那么如何理解這種認知上的混合呢？在認知模型中，穆勒認為“混合”可以兩種方式來理解。首先，一個普遍的觀察是：人類在試圖解決問題以采取行動時，會使用大量不同的認知和推理啟示法，如科學認知及其各種表征（模型、圖表、方程式）。其次，人們不僅使用多個啟示法（每個不同的行動類別都有一個），而且能夠按順序或平行組合這些啟示法，甚至根據局部變量混合這些啟示法，如類比思維可使用來自歸納、演繹、溯因推理過程的不同組合。也就是說，人類的思維不是單一的，而是多種方式的組合或混合。

然而，在穆勒看來，多數哲學家如柏拉圖、萊布尼茲、笛卡爾或康德等，大多是從單一理性方式提高人類的思維能力，忽視了人類認知的真正力量是一個近似的、隱喻的和混合的過程。人工智能與生物學的混合表明，生物學激發的人工智能形成了人工智能系統中的混合認知和超啟示法，未來將可能構成具身性/形態學→多模態數據綁定→啟示法優化→多啟示法選擇→超級啟示法的循環演進。

對于人工智能系統來說，有沒有一種方法論使得結合規則或創造新規則成為可能呢？穆勒認為混合認知是一種可行的方法，筆者認為其實質是適應性表征方法論，因為混合認知只是集中和整合了已有認知模式和方法，并沒有意識到其中的內核是適應性表征。在筆者看來，認知的適應性表征是內部和外部表征的混合，并通過這種內外混合構筑意義。瑪格納尼（L.Magnani）認為，有兩種基本的外部表征活躍于“心智的外化”過程中：創造性表征和模仿性表征。模仿的外部表征反映了已經在大腦中表征的概念和問題，它們有時可以創造性地產生新的概念和意義。比如，在大腦與合適的認知環境的混合互動中，模仿的幾何表征可以成為創造性的，并產生新的意義和想法作為被適當地重新塑造的“認知生境”（Cognitive Niches），②L.Magnani，Abductive Cognition：The Epistemological and Eco-cognitive Dimensions of Hypothetical Reasoning，Heidelberg/Berlin：Springer，2009.如解析幾何的產生。圖解作為外部圖標表征（通常由符號充實）是由外部材料形成的，這些材料要么模仿（通過再現）大腦中已經存在的概念和問題，要么創造性地表達在大腦中沒有符號學“自然家園”③L.Magnani，“Manipulative Abduction，External Semiotic Anchors and Blended Cognition”，in J.Vallverdú，V.C.Müller，eds.，Blended Cognition：The Robotic Challenge，p.40.的概念和問題。隨后的內化圖示表征是對外部圖示在大腦中激活的神經模式的內部再投射，它是一種復述（學習）。在一些簡單的情況下，復雜的圖式轉換可以像外部物體一樣被“內部”操縱，并且可以通過轉換和整合的神經活動進一步產生新的內部重構的表征。

從認知的角度來看，這個過程解釋了為什么人類主體似乎既能進行聯結主義類型的計算，如涉及表征作為I級計算，①I級計算是指神經激活的模式，它是身體和環境之間相互作用的結果，也是前符號性的（圖示階段），并由進化和個人歷史適當地形成：模式完成或圖像識別。又能進行使用表征作為II級計算。②II級計算是指衍生的組合語法和語義由符號學環境中發現或構建的各種人工外部表征和推理裝置（如圖標表征）動態地形成；它們或多或少完全在神經學上被偶然地表征為神經激活的模式，有時傾向于成為穩定的意義結構并固定下來，因此永久地屬于上述的I級。在瑪格納尼看來，心智的外化過程（離身或體外）涉及兩個過程：一方面，表征是獲得結果的中介，允許人類在大腦中重新表征從外部獲得的新概念、意義和推理手段，這些概念、意義和推理手段以前在內部是不存在的，因此是不可能發生的，即先進行一種異化，再在神經元層面通過重新表征外部“發現”的東西完成復述。這意味著我們對突觸模式以類比方式從環境的明確圖示中“拾取”的數據結構進行認知的幾何運算。另一方面，在人們的大腦中重新表征部分概念、意義和推理裝置，只要是明確的，就可以促進推理，而以前由于人腦的能力有限，需要付出很大的努力。在這種情況下，思維表現并非完全在內部處理，而是在內部（隱性或顯性）和外部圖標表征之間的混合互動中進行。在某些情況下，這種互動是在內部和計算工具之間進行的，而計算工具又可以利用圖標/幾何表征來進行推理。因此，所謂混合認知，從表征來看，就是內部與外部表征的結合、適應性與表征性的結合，這其中都體現了概念組合和混合表征。

二、混合認知中的智能自主行為體

從生物學來看，認知是一個生命體給它在某一時刻擁有的信息或數據提供答案的一組混合過程。人工智能體作為非生命體是進行實際推理的人工實體，是一種智能自主行為體（Intelligent Autonomous Agent，縮寫為 IAA），筆者根據沃爾頓（D.Walton）③D.Walton，Goal-based Reasoning for Argumentation，Cambridge：Cambridge University Press，2015，pp.12-13.的梳理將其特點概括如下：

（1）目標導向性：當IAA進行行動和表達某些類型的言語行為時，如做出斷言，它就會產生可以被記錄的承諾。從其中一些承諾可以推斷出，該智能體已經制定或承諾了一個目標。

（2）信息感知性：IAA有感知能力，也有從其他來源收集信息的能力，如證人或專家的報告，因此，它可以發現其目前的情況。

（3）主動性：在感知的基礎上，IAA有能力采取某種行動，以改變其環境。

（4）預測性：IAA熟悉機構中預期的正常工作方式，并擁有關于更廣泛世界的其他類型的常識。

（5）洞察力：IAA能夠感知或發現其行動的后果。

（6）糾錯性：如果IAA看到其先前或計劃中的行動的后果有可能與其目標背道而馳，它可以糾正這些行動。

（7）控制力：IAA能夠控制為實現目標而采取的行動如何因需要落入一個有序的序列。

（8）建構性：IAA能夠將一連串的行動組織成一個具有不同抽象程度的層次結構，從較一般的到較具體的，反之亦然。

（9）猜測性：IAA可以對其行動未來可能的后果形成假設。

（10）適應性：IAA經常需要通過快速適應新的信息來靈活地進行規劃。

（11）嘗試性：IAA通常會繼續嘗試實現一個目標，即使之前已經失敗。

（12）記憶性：IAA有足夠的記憶資源來跟蹤它的承諾，以及在情境隨時間變化時保留對情境的了解。

（13）靈活性：IAA有能力將新的承諾添加到以前的承諾存儲中，并在需要時收回承諾。

（14）保持性：IAA不僅需要意識到其過去行動的一些后果，而且需要將這些后果保留在記憶中，以便在未來的審議中能使用。

（15）協同性：IAA經常需要與其他智能體溝通，以協作解決問題。

可以看出，IAA的上述這些特點是人類都具有的，人工智能體若都具備，就達到甚至超過了人類水平。這些特點顯然也是適應性表征系統（自然的和人工的）具有的特征，對于理解實踐推理的性質具有根本意義。因為它們清楚地揭示了實踐推理需要如何適應特定情境中不斷變化的環境。這種能夠依環境變化而及時調整其行為的能力，是一個智能體必備的，人類是這樣，人工智能體也應該是這樣，否則它就不能被認為有智能了。所以，一個智能體，無論是人類還是機器人，適應性表征是其最基本的能力，有了這種能力，其他高級認知能力，如自我意識、決策推理、道德自主性，就有了認知基礎。換句話說，適應性表征可能是高級心理能力的發生機制。

在筆者看來，IAA的上述特征是適應性表征的不同方面，其自主性（自治性）尤為顯著。事實上，適應性表征就蘊含了自主性，或者說，自主性是適應性表征的一個主要方面。弗農將自主性定義為一個系統自我決定的程度，也就是系統的行為不受環境決定的程度，以及系統因此決定自身目標的程度（不受其他系統控制）。①戴維·弗農：《人工認知系統》，第114頁。這意味著自主系統具有自我行動和自我決定的能力。我們知道，人的無意識或潛意識行為是自主的（非有意控制）。這與機器的自動化很相似，難怪拉·美梅特里稱“人是機器”。②拉·美梅特里：《人是機器》，顧壽觀譯，王太慶校，商務印書館1991年版。

加拉諾斯（V.Galanos）認為，人類意識與非自主行為有很深的關聯，其無意識與自主表達有關，而機器行為則與自動功能有很深的關聯，無意識是其唯一的表達形式。③V.Galanos，“Blended Automation：The Language-game of Psychoanalytic Automatism and Cybernetic Automata”，in J.Vallverdú，V.C.Müller，eds.，Blended Cognition，Springer Series in Cognitive and Neural Systems 12，Chapter 4.https：//doi.org/10.1007/978-3-030-03104-6_4.他采用基于信息圈概念的更基本的本體論，將人類和機器都視為信息人（Inforgs），并提出思考四象限模型中留下的未解釋部分：（a）人類非自動意識（有意識）；（b）人類自動無意識；（c）機器自動“意識”；（d）X（未知）。在他看來，我們可借用代數方法的交叉乘法，將（a）與（c）相乘，然后將結果除以（b）得到（d），即：人類非自動意識×機器自動“意識”/人類自動無意識=未知行為。這是實證地研究有意識的人類和無意識的機器之間的日常互動關系，然后根據與無意識的人類行為有關的主題進行研究。這將有助于人們創造一個明確的觀點：構成X的是什么，即在表達無規律的機器行為時有時被誤解為有意識的行為，這實際上是令人擔憂的。這就需要可解釋人工智能或可解釋機器學習的介入。

這里引出一個令人疑惑的問題：人工智能或機器人到底有無“智能”（心智），在什么意義上有智能？在什么意義上無智能？這是對早期圖靈的機器智能（通過圖靈測試的所謂智能）的反思。從計算是認知的觀點來看，通過圖靈測試的機器似乎有智能（我稱之為假裝的智能）；但從感受性來看，機器沒有經驗性智能（因為沒有意識，經驗性智能是基于意識的）。所以在經驗意義上，人工系統的智能并不存在，因為從社會科學的角度來看，我們越來越難以在自然和人工之間劃清界限，如人類培育的大量植物和動物。從延展認知的角度來看，我們越來越難以分辨實體是否擁有被視為智能的東西，或智能是否是在互動之后發生的現象。④V.Galanos，“Artifificial Intelligence Does not Exist：Lessons from Shared Cognition and the Opposition to the Nature/Nurture Divide”，in D.Kreps，et al eds.，This Changes Everything ICT and Climate Change：What Can We Do？，HCC13 2018，IFIP AICT 537.Springer Nature Switzerland，Switzerland AG，2018.https：//doi.org/10.1007/978-3-319-99605-9_27.

筆者認為，在制造實體的意義上，自然類和人工類的確難以區分，⑤J.Vallverdú認為，人類和人工設備都可稱為“實體”的種類，拒絕“自然”和“人工”之間的區分，認為這種區分已經過時，而且是完全錯誤的。我不認可這種觀點，因為實體是一個更廣泛的概念，當然包括自然類和人工制品，但從認知或智能的角度看，自然和人工之間的區分是必要的，否則人類智能和人工智能就混為一談了。參見J.Vallverdú，“The Emotional Nature of Post-cognitive Singularities”，in V.Callaghan，et al eds.，The Technological Singularity，the Frontiers Collection.Springer，Heidelberg，2017，pp.193-208，https：//doi.org/10.1007/978-3-662-54033-6_11。但是在意識或認知上，自然意識和人工“意識”還是容易區分的。前者是自然進化的，后者是前者衍生的（如果有的話）。事實上，人工智能已經存在，而且發展迅速，至于它有無意識并無太大爭議，因為這是顯而易見的。這個事實表明，在人類和人工智能實體之間還沒有純粹的不可分性。人類和人工智能之間的這種常識性區別是立足于人類中心主義的，也就是以人類為標準區分人類之外的事物。這實質上是一種二元劃分（人類—非人類），這種二元劃分容易讓人產生對人工智能的極度渴望或極度恐懼的兩個極端心理，這在社會多個方面都有表現，如政策制定、人機互動帶來的法律和道德問題。如果從混合認知的角度觀之，這些問題似乎不是問題。因為人工與自然在方方面面都是混合的，有時很難分清，如人類智能的機器模擬，由于機器是人制造的，機器涌現的智能行為（如機器人跳舞）是人類延展的還是機器自己的？

按照加拉諾斯的看法，借助精神分析方法可解決這種混淆，即從理論上理解自主性是人類主體和人工主體之間的共同特征，將其作為一個標準來確定：為什么這兩種形式的實體在其認知行動中既是相當對立的又是相當互補的——它們是混合認知。到目前為止，除混合形式外，人類主體與人工主體之間的唯一區別標準是有生命/無生命、有意識/無意識和自然/人工存在形式這種二分法。混合認知意味著，我們應該研究人類決策和行動的混合和組合條件，包括有意識和無意識的行為，以便利用這些混合過程來構建智能系統的人工架構。只要人類和機器人在某種程度上都是一個延展心理游戲中的參與者，他們是有生命的或無生命的、自然的或人工的屬性，在其中起著次要作用。只要產生某些期望的結果需要他們都是變化的智能體即可。用信息哲學的術語說，人類主體和人工主體都是信息圈①信息圈是指由所有信息實體、它們的屬性、互動、過程和相互關系構成的整個信息環境，如互聯網世界。的居民，“一旦我們以信息的方式解釋實在，它（信息）就是實在的同義詞”。②L.Floridi，The Fourth Revolution：How the Infosphere is Reshaping Human Reality，Oxford：Oxford University Press，2014，p.41.

根據信息哲學，實在和現象可以在幾個不同的抽象層次上進行研究，由此弗洛里迪（L.Floridi）提出了任務解決的“抽象層次方法”③這個術語最初源于計算機科學，意指計算層面的差異，如問題界面的抽象層次、計算語言的抽象層次。參見L.Floridi，“The Informational Nature of Personal Identity”，Mind Mach，Vol.21，No.4，2011，pp.549-566。來解決計算問題，因為計算本身就是抽象的（數學化、邏輯化）。在人類主體和人工主體交互（人機交互）的情況下，人機間有多個問題：它們在哪些層面上不是對立的，以便將這兩個群體視為交流的行動者（抽象層次1）；它們發生這種交流的共同環境是什么（抽象層次2）；交流問題位于哪個領域（抽象層次3）。根據弗洛里迪的說法，信息哲學已經為抽象層次1和抽象層次2提供了框架，這兩個群體是生活在信息圈（抽象層次2）中的信息人（抽象層次1）的子類別。正如他所說：“今天，我們正在慢慢接受這樣的觀點：我們不是獨立的和獨特的實體，而是體現信息的信息人，相互連接并嵌入一個信息環境中，即信息圈，我們與在許多方面與我們相似的自然和人工主體共享。”④L.Floridi，“Turing’s Three Philosophical Lessons and the Philosophy of Information”，Philos Trans R Soc A Math Phys Eng Sci，2012，370（1971）：3536-3542（3540）.顯然，抽象層次1的意思是，只要人類主體和人工主體都參與了信息生產、消費和交換的活動，它們就共享一個共同的環境，就像人類和動物都是生物圈的居民一樣，因為它們共同分享有機生命和自然環境。

必須承認，信息圈的概念提供了一個有趣的平面本體論模型，即環境抽象層次2留下了一個抽象層次3（人類主體和人工主體溝通的基礎）待我們去研究。事實上，人類和非人類動物都居于抽象層次1中，他們設定了一個共同的環境“生物圈”（抽象層次2）。以同樣的方式，信息哲學是以信息為中心的，把人放在信息圈里。因此，生物圈也是信息圈，人工智能的世界就是信息世界。如果所謂的“元宇宙”能夠實現，它也一定是信息世界（虛擬與真實的混合世界）。

三、認知機器人的自主性和黑箱性

前述表明，自主性（Autonomy）是適應性表征系統的一個主要特征。在機器人學中，機器人的自主性是依據其所處環境中應對不確定性的能力來定義的，其自主性程度與它完成任務和實現特定目標需要人類操作員協助的程度來確定。這意味著，人類操作員參與的程度越低，機器人的自主性就越高，直到機器人自主行動（無人參與）。從控制論和哲學來看，控制論研究系統的自動性（自組織特性），哲學探討主體人的自主性（自由意志），這兩種類型的自主性似乎都與（人工）意識有關。然而“意識是我們似乎無法捕捉的魚之一，就像智能一樣。我們認識到它的存在、痕跡和影響，但它的確切性質、工作方式和‘位置’仍然無法被我們掌握。由于厭倦了空手而歸，一些哲學家最近試圖間接地接近意識的問題”。⑤L.Floridi，The Philosophy of Information，Oxford：Oxford University Press，2011，p.290.用控制論的一個術語說，人類主體和人工主體在某種意義上都是“黑箱”，也就是說，觀察者只能通過對其輸入和輸出的間接、描述性觀察來了解其“內部”（如大腦）的復雜情況。科學研究就是要將“黑箱”（完全未知）通過“灰箱”（部分知曉）變成“白箱”（完全知曉），這既是人類認知水平提升的過程，也是可解釋人工智要做的事情。正如弗洛里迪指出的，“我們是在灰箱里處理黑箱的信息人”，①L.Floridi，The Philosophy of Information，p.371.意思是說，人類作為信息人，我們存在于一個對我們來說半透明的世界，與對我們眼睛完全不透明的實體和現象共存。這意味著，對人類主體而言，通常認為是有意識的自主性，被認為是無意識的“隱藏”心智部分的表達，正如心理分析所指明的那樣。在被認為是無意識的人工智能中，自動化作為其主要功能構成了智能活動的核心表達，正如控制論和控制系統理論所揭示的那樣（自組織演化）。

可以發現，理論提取自動機信息的方法與心理分析的間接方法極為相似，突出了人類主體與人工主體的共同“黑箱性”。這意味著從自動機的行為中獲得有關其內部結構的信息方法可從外部實驗中推導出來，如將輸入詞輸入自動機，檢查相應的輸出詞序列，并在此觀察基礎上得出結論。對人類來說，自主性取決于內部反應與外部事件的適應和匹配，因此，非自主的、有意識的行為是常量，自主性才是變量。對人工主體而言，從純技術機器人角度來看，“心理機器人”作為“即將到來的人工智能對心理分析研究基礎的形式化的第一步”，②A.Khrennikov，“Toward Psycho-robots”，Paladyn J Behav Robot，Vol.1，No.2，2010，pp.99-108（99）.是建立一個基于意識—潛意識—無意識劃分的人工信息架構，并在一個內置的壓縮系統中分析各種“心理表征”。這里存在一個從機械的自動性到有機的自主性的過渡，即機器的無意識自動化到有機體的有意識自主性的過程。這個過程包含了從物理系統到生物系統，從無生命到有生命，從非認知到認知的復雜演化過程，其中的二元絕對區分是少量的，而混合是居多的。總之，混合自主性可能是理解混合認知的一個主要方面，因為自主性在人類和人工智能領域都存在，技術上也很難被構建，它似乎是解釋和構建認知的關鍵因素。這與筆者主張的適應性表征有共同之處，因為自主性是適應性表征的特性之一。

那么，認知機器人這種自動機器具有像人那樣的自主性嗎？它如何體現生命性？一個自然主義的、基于活動的人工生命模式——自主人工主體（Autonomous Artificial Agents，縮寫 AAA）試圖回答這個問題，③C.Chanet and D.Eubelen，“Towards Autonomous Artificial Agents？ Proposal for a Naturalistic Activity-based Model of（Artificial）Life”，in J.Vallverdú，V.C.Müller，eds.，Blended Cognition，Chapter 10.https：//doi.org/10.1007/978-3-030-03104-6_10.自主性是其繞不過的一個問題。盡管目前的自主性自然主義模型構成了人工智能體發展的主要路徑之一，但在諸如活動、規范性、同一性和環境等概念的相對重要性方面還有一些問題需要解決。即使是在自動化（Automation）框架內將自主性和感覺運動性的定義結合起來，也缺少構成人工生命的規范動力學的關鍵特征，如人工生命和機器人學中的自主性。④T.Froese，N.Virgo，E.Izquierdo，“Autonomy：a Review and a Reappraisal”，in Advances in Artificial Life，Springer，Berlin/Heidelberg，2007，pp.455-464.https：//doi.org/10.1007/978-3-540-74913-4_46.

自主性無疑是構成一個主體（自然的和人工的）的一個核心要素。在哲學上，自主性與主觀性或主體性（Subjectivity）是近義或同義的。自主性具有不依賴或獨立的含義，與自由相聯系，如道德自主性、自律，其主體是自我決定的，具有邏輯上的獨立性，康德在《道德形而上學基礎》第二節中將主體性視為人類本性的尊嚴和每一種理性本性的基礎。主觀性與客觀性相關，是人的一種存在方式和感知體驗，通常以第一人稱表述。如果這種理解是對的，那么人工智能和機器人領域使用自主性概念更為恰當，因為人工系統缺乏第一人稱的感受性。

由此可知，自主性是一個實體選擇自己命運的能力；為自己設定規范，而不是由外部律則（自然規律）決定。如果一個實體擁有一種同一性（身份），既能使其按照自己的利益、目標或規范行事，又能迫使它按照自己的利益、目標或規范行事，而不是由環境或設計來決定，那么我們就可以說它是自主的。⑤W.F.G.Haselager，“Robotics，Philosophy and the Problems of Autonomy”，Pragmat Cogn，Vol.13，No.3，2005，pp.515-532.這樣看來，行為體、規范性和同一性的概念似乎深深地交織在一起（混合）。在人工智能領域，這種交織反而是一個挑戰，因為“自主性只需要從自己做事的角度來分析，這只涉及獨立的行為或活動，僅此而已”。⑥I.Muntean and C.D.Wright，“Autonomous Agency，AI and Allostasis a Biomimetic Perspective”，Pragmat Cogn，Vol.15，No.3，2007，pp.485-513（493）.如果我們將自主性等同于獨立行為，那就等于將自主性（有心理性）降為自動化（機械性）。這里似乎存在一個問題：人工物理系統的自動化與自然生物系統的自主性有著嚴格的區別，如有意識與無意識、有生命與無生命，這種區分在人工智能領域有必要嗎？在我看來，這個問題可通過適應性表征來消解。理由很簡單，物理系統和生物系統都存在適應性表征行為，或者說，適應性表征是兩種系統的共性。①魏屹東：《適應性表征：架構自然認知和人工認知的統一范疇》，《哲學研究》2019年第9期。

如果智能體對自己的存在有所認識，這構成了人工智能的自主性的另一個方面——反思性。自主性在某種程度上也意味著主體將自己的存在嵌入世界本身的結構中，因為自主主體不是封閉在自己身上，其活動對世界產生影響，即：自主主體可以對世界做出判斷，對世界采取行動，適應世界，把世界變成一個合適的環境，在其中成長、繁衍和死亡。這意味著自主主體通過自己的活動，其居住的環境不可避免地被改變了。換句話說，只要我們將自主主體的活動僅僅局限于其身上，而不完全承認它通過規范世界而對世界本身做出貢獻的方式，自主性就不能被完全掌握。如果自主性導致對世界的規范性改造，也就意味著它屬于世界，成為世界的一部分；并讓我們認識到它不僅僅是一種資源或威脅，也是一個以規范方式通過時間和空間活動的混合之地。

四、生物激發的機器人的自創生性和能動性

系統科學表明，系統的自主性是從物理基礎開始的，即在生命系統的基本特征中尋找行為體的基礎，并從這些基本能力的描述和專業化的角度理解行為體的發展。②W.D.Christensen and C.A.Hooker，“Autonomy and the Emergence of Intelligence：Organised Interactive Construction”，Commun Cogn Artif Intell，Vol.17，No.3-4，2000，pp.133-157.因此，這種合成最小主義大多關注生命系統，由此產生了生物激發的機器人技術并提供了許多洞見。③R.J.Duro，F.Bellas，J.A.Becerra Permuy，“Brain-like Robotics”，in N.Kasabov（ed.），Springer Handbook of Bio-/neuroinformatics.Berlin/Heidelberg：Springer，2014，pp.1019-1056.https：//doi.org/10.1007/978-3-642-30574-0_57；D.Floreano，C.Mattiussi，Bioinspired Artifificial Intelligence：Theories，Methods and Technologies.Intelligent Robotics and Autonomous Agents，Cambridge，MA：MIT Press，2008.

我們知道，認知科學中有兩種類型的自主性：構成性的和行為性的。這種區別類似于兩個主要系統觀點之間的區別：一個是源于馬圖拉納和瓦雷拉④H.R.Maturana，F.J.Varela，The Tree of Knowledge：the Biological Roots of Human Understanding，Rev eds.，Shambhala；Distributed in the U.S.by Random House，Boston/New York，1992.的自創生理論；另一個是由諾埃和奧雷根⑤J.K.O’Regan，A.No?，“A Sensorimotor Account of Vision and Visual Consciousness”，Behav Brain Sci，Vol.24，No.5，2001，pp.939-973.https：//doi.org/10.1017/S0140525X01000115.等哲學家倡導的感覺運動理論，其靈感可追溯到皮亞杰⑥皮亞杰：《發生認識論原理》，王憲鈿等譯，胡世襄等校，商務印書館1997年版，第1—2章。和吉布森⑦J.J.Gibson，The Ecological Approach to Tisual Perception，Boston：Houghton Mifflflin，1979.的工作。這兩種觀點都提供了克服人工智能體的表征內部模型所遇到的限制和問題的方法。⑧E.A.Di Paolo，T.Buhrmann，X.Barandiaran，Sensorimotor Life：an Enactive Proposal，Oxford：Oxford University Press，2017.自創生觀認為，自主行為體是一個不穩定的自我生產行為體，其同一性由特定的組織閉合定義，即以特定的方式整合物質和能量的流動，以維持其內部過程網絡和環境之間的邊界。感知運動觀認為，自主行為體有能力通過調節其與環境的耦合（定義為所有可用的傳感運動或然性依賴的集合）而采取適應性行為并發展出認知功能。

顯然，自主性是適應性表征的一個特征。適應性表征與生命—認知同一性論題⑨X.E.Barandiaran，“Autonomy and Enactivism：Towards a Theory of Sensorimotor Autonomous Agency”，Topoi，2016，1-22，p.9.相關，這有助于自主人工智能體的設計。⑩X.E.Barandiaran，Mental Life：a Naturalized Approach to the Autonomy of Cognitive Agents，University of the Basque Country，2008.http：//www.barandiaran.net/phdthesis/；M.D.Egbert，X.E.Barandiaran，“Modeling Habits as Self-sustaining Patterns of Sensorimotor Behavior”，Front Hum Neurosci 8（ao?t），2014.https：//doi.org/10.3389/fnhum.2014.00590；J.Stewart，O.Gapenne，E.A.Di Paolo，Enaction Toward a New Paradigm for Cognitive Science，Cambridge，MA：MIT Press，2010.http：//site.ebrary.com/id/10453038；X.E.Barandiaran，E.A.Di Paolo，M.Rohde，“Defifining Agency：Individuality，Normativity，Asymmetry and Spatio-Temporality in Action”，Adapt Behav，Vol.17，No.5，2009，pp.367-386.https：//doi.org/10.1177/1059712309343819；A.Moreno，A.Etxeberria，J.Umerez，“The Autonomy of Biological Individuals and Artificial Models”，Biosyst Model Autonomy，Vol.91，No.2，2008，pp.309-319.https：//doi.org/10.1016/j.biosystems.2007.05.009.眾所周知，20世紀40至60年代，阿什比（W.R.Ashby）關于適應性和穩定性[11]W.R.Ashby，“The Nervous System as Physical Machine：With Special Reference to the Origin of Adaptive Behavior”，Mind，Vol.56，No.221，1947，pp.44-59；W.R.Ashby，Design for a Brain，Dordrecht：Springer，1960.https：//doi.org/10.1007/978-94-015-1320-3.的想法是：在一個更新的生成主義框架內，將內部動力學（神經、代謝等）與行為動力學（感覺運動耦合、行為偏好等）聯系起來，涵蓋了從細胞到社會的各種類型的自主性。①T，Froese，E.A.Di Paolo，“The Enactive Approach：Theoretical Sketches from Cell to Society”，Pragmat Cogn，Vol.19，No.1，2011，pp.1-36.https：//doi.org/10.1075/pc.19.1.01fro.這說明生物的自主性從細胞就開始了。這種低層次的自主性是高層次自主性（如意識的、道德的）的必要條件，構成了一個連續統一體。所以，自主性不是憑空產生的。

一般來說，自主性模式有三個主要條件：同一性、不對稱性和規范性。②E.A.Di Paolo，H.Iizuka，“How（not）to Model Autonomous Behaviour”，Biosyst Model Autonomy，Vol.91，No.2，2008，pp.409-423（pp.410-411）.https：//doi.org/10.1016/j.biosystems.2007.05.016.同一性的意思是說，面向自我生產和維護操作性封閉的過程網絡包括內部和行為的動力學。不對稱性是說，行為體調節其與環境耦合的能力滿足其同一性。規范性是說，行為體根據一套基于維持其同一性的條件來滿足失敗或成功的事實。由于“偏好”或“習慣”不能完全在行為體內部設計，就像“動機”被實例化為簡單的同態驅動那樣，自主性必須在本質上立足于感覺運動耦合和神經動力學之間的循環。③X.E.Barandiaran，“Autonomy and Enactivism：Towards a Theory of Sensorimotor Autonomous Agency”，Topoi，2016，p.20.這種神經動力學和感覺運動耦合之間的可塑性雙向耦合是相當有效的，④H.Iizuka，E.A.Di Paolo，“Toward Spinozist Robotics：Exploring the Minimal Dynamics of Be Havioral Preference”，Adapt Behav，Vol.15，No.4，2007，pp.359-376（p.375）.https：//doi.org/10.1177/1059712307084687.因為它允許相對統一的偏好共存，換句話說，是一個行為的生成矩陣，而不是一個固定的需求或動機系統，被設計成一系列行為體必須平衡的獨立驅動。這些轉換仍然主要發生在環境發生變化的時候，但不是每次都自動發生。因此，具身認知科學的生成主義也面臨不小的挑戰。

薛納特（C.Chanet）和尤伯倫（D.Eubelen）認為，鑒于不確定性和內生性都是自主性的特征，生成主義所表現的自主性會面臨四種挑戰：

一是一元論的挑戰：如果生成主義堅持其基于同一性的自主模式的普遍性，其他模式也根據系統維護的規模或模式，規定了不同種類的自主性：每種模式（細胞自主性、行為自主性、社會自主性、道德自主性等）都對“現象學領域”的體驗形式（選擇性相關環境）開放。

二是個體化挑戰：盡管自主性的生成主義模型的支持者經常堅持組織和操作的封閉性的過程性、耦合性、動態性維度，但這些過程大多是適應性/保守性的功能仍然是假設性的，從而妨礙了對自主性作為一種基本形式的理解。這已經是自創生模型面臨的一個問題。有人抱怨說，自創生是一個非歷史性的概念，⑤A.Moreno，M.Mossio，Biological Autonomy，History，Philosophy and Theory of the Life Sciences，Dordrecht：Springer Netherlands，Vol.12，2015，p.311.https：//doi.org/10.1007/978-94-017-9837-2.在時間上逆轉的自創生過程仍然是自生性的。⑥E.A.Di Paolo，“Autopoiesis，Adaptivity，Teleology，Agency”，Phenomenol Cogn Sci，Vol.4，No.4，2005，pp.429-452（p.444）.https：//doi.org/10.1007/s11097-005-9002-y.

三是規范性挑戰：將規范性的起源定位在自我維護的總體規范中，不允許有意義的規范建立的可能性，因此，未能將規范性作為基礎。這個問題深深植根于康德和新康德的遺產中，⑦S.Rand，“Organism，Normativity，Plasticity：Canguilhem，Kant，Malabou”，Cont Philos Rev，Vol.44，No.4，2011，pp.341-357.https：//doi.org/10.1007/s11007-011-9196-3.幾乎所有關注自我維護（自生的）的自然主義方法都是如此。雖然生成主義的自主性定義在物理上和機械上不是決定性的，因為實現目的的手段不是預先確定的，因此可能失敗，但它在目的論上是決定性的，因為最終可行性或可持續性條件是一個“所有價值的母價值”，⑧E.A.Di Paolo，“Organismically-inspired Robotics：Homeostatic Adaptation and Teleology Beyond the Closed Sensorimotor Loop”，in Dynamical Systems Approach to Embodiment and Sociality，2003，pp.19-42（p.18）.超越了任何規范領域。

四是環境挑戰：即使環境被認為是制定環境的必要條件，也會很快被吸收到感覺運動循環中。最終，被制定的世界是一個主觀的世界，是對行為體而言的世界。⑨T.Ziemke，N.E.Sharkey，“A Stroll Through the Worlds of Robots and Animals：Applying Jakob Von Uexkülls Theory of Meaning to Adaptive Robots and Artificial Life”，Semiotica，2001，1-4（134）：701-746.https：//doi.org/10.1515/semi.2001.050.然而，環境不一定是任何多行為體系統的基本變量，而是邁向完全自主互動領域的墊腳石，只涉及行為體。⑩T.Froese，E.A.Di Paolo，“The Enactive Approach：Theoretical Sketches from Cell to Society”，Pragmat Cogn，Vol.19，No.1，2011，pp.1-36（pp.11-12）.https：//doi.org/10.1075/pc.19.1.01fro.

鑒于這些挑戰，薛納特和尤伯倫認為，我們可通過基于活動的模型重新配置同一性、規范性、活動和環境的相對意義。同一性是規范性條件的核心，必須在環境威脅或變化的情況下保存下來，就像人的人格同一性一生都保持一樣。因此，行為體的活動在目的論上由其同一性決定，并受其環境制約。這是語境決定行動（意義）。規范性條件源于一個活動網絡，該網絡在本體論上超越了同一性的構成和維持。行為體的同一性和環境子集是多種活動相互交流的多尺度副產品。

總之，可行性或可持續性條件既不充分，也不一定能說明自主行為體的活動。如利他主義的母親往往忽視自我維護（即犧牲自我利益）。自主行為體的活動必然涉及多個規模和多個行為體，如細胞群落、蟻群。活動總是在整個環境中構成性地擴展，如青蛙鳴叫。活動也總是在復雜的環境中與他人交互，如社交活動。

五、認知機器人的具身性和交互性

問題是，機器人如何實現其自主性呢？我們認為可通過具身性（Embodiment）和交互性表征（即適應性表征）來實現，因為智能體的實現從具身認知到社會認知需要交互覺知能力。①K.Dautenhahn，et al.，“From Embodied to Socially Embedded Agents—Implications for Interaction-Aware Robots”，Cognitive Systems Research，Vol.3，No.3，2002，pp.397-428.我們知道，人的自主性是基于生物身體的感知運動（生物具身性），機器人的自主性是基于感知—行為的物理實現性（物理具身性）。比如，神經機器人學的具身模型②G.Ferretti and E.Chinellato，“Can Our Robots Rely on an Emotionally Charged Vision-for-Action？ An Embodied Model for Neurorobotics”，in J.Vallverdú，V.C.Müller，eds.，Blended Cognition，Springer Series in Cognitive and Neural Systems 12，Chapter 5.https：//doi.org/10.1007/978-3-030-03104-6_5.就是一個好例子。著名物理學家理查德·費曼有一句名言：“我不能建造的東西，我就無法理解。”也就是說，我建造的東西我能夠理解。然而，人工智能的機器學習是人設計建造的，其中的“黑箱”問題人們并不理解，所以說我建造并不意味著我一定理解，于是才有了可解釋機器學習。前述已表明，混合認知的目的是通過研究人類如何將情感、認知、感覺運動和知覺表征結合起來，為設計更現實和更高效的機器人服務。或者說，混合認知的目標之一是建立受生物啟發的機器人模型，能夠通過模仿人的功能來控制不同種類的信息，研究一個智能系統如何使用，甚至部分地結合多種方法來決定可能的行動輸出。筆者預測這可能是具身人工智能要實現的目標，其中適應性表征是不可或缺的能力。

神經機器人學（Nurorobotics）作為具身人工智能的一個領域，目的是建構類人行為的機器人。在人類和非人類靈長類動物包括大多數哺乳動物中，一般運動行為，特別是抓取的視覺運動表征，受情緒和對環境突出特性的情感感知的影響。在目前可用的生物學上似真的機器人抓取模型中，運動互動方面較少得到研究。通過整合情感神經科學的經驗證據與視覺、運動神經科學的神經證據，有助于我們使神經機器人學的解決方案更加具身化。研究表明，通過生物學和人工智能的混合，可使視覺和抓取的神經機器人模型更符合神經科學中遵循的認知和感知的具身觀點，因為認知源于具身性，這似乎是唯一能夠考慮到認知系統的生物復雜性的觀點，并相應地適當解釋認知系統對其所處環境的高度靈活性和適應性。這是適應性表征方法論在機器人學中的應用。

從適應性表征方法論來看，神經機器人學是將生物的運動反應能力遷移到機器人。這是因為，我們感受自己所處情境的方式，決定了我們與這種情境互動而建立的運動反應。將這種方式遷移到機器人上，就是神經機器人學方法。我們知道，當代類人神經機器人的一個目標是建立類人機器人，即能夠與環境自由互動的機器人，也就是我主張的能夠適應性表征的機器人。根據我們對人的了解，要建立一個能夠與環境互動的具身機器人，就意味著人們要通過遵循管理人類的解剖功能原則，建立一個能夠通過其運動技能與環境進行適當互動的機器人；實現一個回路，使機器人能夠以幾乎與人類一樣的方式，從情感角度評估它在環境中面臨的對象。需要指出的是，這種生物啟發的人工智能不是生物合成意義上的生命體，其構成元素不是生物基質，而是物理基質。

一般來說，神經機器人學關于具身機器人建模有三個約束：神經生物學的、具身的和行為的。③A.M.Borghi，C.Gianelli，C.Scorolli，“Sentence Comprehension：Effectors and Goals，Self and Others，An Overview of Experiments and Implications for Robotics”，Front Neurorobot，Vol.4，No.3，2010.https：//doi.org/10.3389/fnbot.2010.00003.（1）神經生物學約束。模型的神經系統應該至少具有人類神經系統的一些關鍵特征，如預測加工。（2）具身性約束：用具身模型來復制實驗，即模型不僅被賦予與人類相似的大腦（人工神經網絡），而且還被賦予與我們相似的身體（感應運動系統）。換句話說，機器人應該被賦予一個感應運動系統，至少在某些方面與人類的感應運動系統相似。（3）行為約束：模型應該能夠再現和復制實驗中產生的行為，如抓取、跳躍。抓取是人類運動行為的一個重要方面（如機械臂），機器人對抓取的模擬可通過上述條件來實現。從情感（抑制或激活）的角度來看，物體屬性的表征，或情感相關屬性，或情感表征，可以通過抑制或激活影響我們表征同一物體固有的行動屬性或可能性，如可抓取、可攀爬等方式。①F.Anelli，A.M.Borghi，R.Nicoletti，“Grasping the Pain：Motor Resonance with Dangerous Affordances”，Conscious Cogn，2012，21：1627-1639.根據這些要求，模型有助于我們在一個共同的具身框架內整合各種不同的經驗結果，這些結果是通過不同的范式和技術獲得的，如行動處理的視覺替代模型可滿足對具身機器人的三個要求中的第一個方面。②E.Chinellato，A.P.del Pobil，The Visual Neuroscience of Robotic Grasping，Achieving Sensorimotor Skills Through Dorsal-ventral Stream Integration，Cham：Springer International Publishing，2016，p.51.

從哲學上考慮，運動系統如抓取蘊含的信息共變、視覺運動轉化、情感視覺的適應性表征值得我們反思。在感覺系統與外部環境共變的基礎上，我們的大腦必須表征這個環境的一些特征。比如，如果一個可抓取的物體是危險的，我們可用布爾區分將其表征為：（可抓取，危險）；如果一個物體是危險的且不能抓取，可表征為：（危險，不可抓取）。同理，我們也可以把一個物體表征為脆弱的，因此，在特定條件下是可以抓取的：確保抓取的力量足以握住物體，但又不會因為力量過大而損壞物體。通過感知系統對特定幾何屬性的共變，環境中的同一幾何屬性被兩種不同但相關的表征狀態所讀取，如大腦中視覺運動表征和情感表征（抑制或激活）。隨著視覺運動的轉換，視覺系統與物體的幾何屬性相聯系，并且由于進入大腦的信息，這些幾何屬性被讀作行動屬性。為了真正實現具身性，機器人應該在視覺運動轉換和情感編碼方面被賦予這種適應（共變）和表征的相互作用。這樣，機器人的視覺系統就能夠與環境中的屬性發生共變。正是由于這種適應性共變，行為體（人和機器人）能夠跟蹤不同的屬性，而這些屬性在運動和情感方面的重要性可以由參與行動和情感編碼的其他大腦區域完美地表征出來。

在方法論上，這是通過構建來理解的混合或綜合方法。這種混合方法不僅與關注分析自然現象是一致的，也與關注構建人工系統的工作是一致的。因此，“如果我們對沙漠螞蟻如何找到回巢的路，或人類如何行走或在人群中識別人臉感興趣，我們就構建一個系統，一個模仿我們想研究的行為的某些方面的人工制品”。③R.Pfeifer and J.Bongard，How the Body Shapes the Way We Think，Cambridge，MA：MIT Press，2006，p.78.這種研究方式被證明是非常強大的，因為我們必須建立一個在現實世界中真正起作用的東西，沒有辦法掩蓋細節。當我們為此建立一個抽象理論時，具身機器人的實現就是可能的。這就是適應性表征方法論。

事實上，我們已經部分地與具身認知機器人（Embodied Cognitive Robot）形成共生關系（Symbiosis），如侵入式腦機接口技術。即使這種具身機器人只有一點基本的具身能力，如移動和說話，它也大大改變了我們的生活方式和相互溝通的方式。具身認知機器人作為人的物理替身，可在遙遠的地方移動，監測安全情況，而另一些則提供社會服務，如提供導航和引導。人機的共同基礎（Common Ground）無疑是實現人類與認知機器人共生的關鍵。這里的共同基礎是每個參與者在互動前需要分享的知識、信念和假設的集合。④H.H.Clark，Using Language，Cambridge/New York：Cambridge University Press，1996.在這個意義上，共同基礎就是人機交互的情境或語境，語境是動態變化的，即一種情境的語境會隨著交互的進行而動態地更新。這種共同基礎與我提出的語境疊加模型是一致的，⑤魏屹東：《科學表征：從結構解析到語境建構》，科學出版社2018年版，第584—585頁。即人工主體與人類主體在交互中形成一個共同領域（交叉語境），這樣他們才有“共同語言”，才能交流和互動。

六、人機交互中的符號性與語義性

人和機器人有了共同基礎（語境）就一定能夠互動交流嗎？為了使認知機器人能夠順利地參與社會互動，它必須能夠分享語境，并通過解釋傳入的社會信號以及在互動過程中產生適當的社會信號來更新。這個過程就是機器學習，它與人的學習應該是一個道理。假設一個人和機器人去商店買東西，他們應該有共同的購物知識（語境），如生活用品是用來做什么的。因此，語境作為共同基礎涉及從社區背景（包括文化和習俗）到參與者在互動過程中動態形成和更新的想象場景，使參與者能夠以一種有效的方式進行可靠的和創造性的交流。因此，尋求人機交互的一大挑戰是內在信息的默會性（Tacitness）——人機共同遵循的默會知識。

目前人們利用虛擬現實和人工智能的最新進展，不僅讓研究者從不同的角度充分分享情境，包括參與者的第一人稱視角，而且還賦予參與者自己的想法以可視化的能力。①M.S.Mirzaei，et al.，“Towards Conversation Envisioning for Cognitive Robots”，in J.Vallverdú，V.C.Müller，eds.，Blended Cognition，Springer Series in Cognitive and Neural Systems 12，Chapter 6.https：//doi.org/10.1007/978-3-030-03104-6_7.如果人工智能被賦予第一人稱視角，并被視為一個實時的助手，向我們建議一些關于對方的文化、動作或解釋，它就可以改善我們人類的互動，如不同語言的翻譯。實時協助可能會讓我們的機器人伙伴在互動過程中通過考慮人工智能提供的可能解釋而對我們產生“同情”。人工智能助手可能會讓我們考慮適用于對話的其他解釋，從而幫助我們更好地了解情況。這不僅是未來社交機器人要執行的任務，也需要我們通過符號學對混合認知予以說明或解釋。

然而，人機的認知混合的問題在于，我們對人類認知了解多少，才能讓我們將其與人工認知混合，而所謂的“混合”究竟是指哪些方面的結合？人類—自主機器系統（Human-Autonomous Machine Systems，縮寫HAMS）是人機交互混合認知模型的一個很好例子。眾所周知，推理和決策是人類認知的核心方面，這一般涉及兩種認知：分析性認知和直覺認知。②R.E.Patterson and R.G.Eggleston，“The Blending of Human and Autonomous-Machine Cognition”，in J.Vallverdú，V.C.Müller，eds.，Blended Cognition，Springer Series in Cognitive and Neural Systems 12，Chapter 8.https：//doi.org/10.1007/978-3-030-03104-6_8.分析性認知涉及有意識的深思熟慮的判斷和決定，它利用有限的工作記憶資源和假設性的思考。這種認知的容量有限，反應緩慢，并且需要自愿的、費力的認知。直覺認知涉及基于無意識的情境模式識別的判斷和決定，不受工作記憶限制的約束。這種認知的容量大，反應快，并以先前的經驗為基礎。按照這種劃分，我們可以看出，分析性認知是后天的，是顯知識，直覺認知是先驗的，是隱知識。這兩種認知方式就是兩種知識的區分方式，可通過符號學和生物符號學來解釋。

在筆者看來，符號學處理概念、意義和非語言記號，生物符號學處理細胞、細菌、真菌、植物、動物這些概念和意義。將這兩個領域結合起來的是霍夫邁爾（Hoffmeyer）的“符號圈”（Semiosphere）概念③J.Hoffmeyer，Signs of Meaning in the Universe，Bloomington：Indiana University Press，1996.——所有生物體居于一個符號世界。可以說，這個概念將生物學與符號學進行整合，形成了生物符號學，構成了我們研究自然界中生命和意義的新方法。④S.Brier，“Biosemiotics”，in Enc Lang linguist 2nd ed，2006，2：31-40；T.A.Sebeok，Signs：an Introduction to Semiotics，University of Toronto Press，1994；T.A.Sebeok，“Signs，Bridges，Origins”，in J.Trabant，ed.，Origins of Language，Budapest：Collegium Budapest，1996，pp.89-115.根據實用主義哲學家皮爾斯的符號學，一個感知或思想的意義在于它被解釋為對其他物體或事件的思想的符號。⑤J.Hoopes，Peirce on Signs，Chapel Hill：University of North Carolina Press，1991，pp.7，239.這意味著符號（即意義）包含了感知、思想或概念與其他東西（如對指稱的對象或事件的思考）之間的關系。例如，一個早晨上班的人可能會把他或她對堵在公路上的感知解釋為他或她上班要遲到的記號或圖標（意義）。在皮爾斯看來，圖標或記號可以是：（1）與它的指代物有相似之處的圖標，如照片；（2）與它的指代物有偶然關系的指號，如刺耳的輪胎聲和撞擊聲；（3）與它的指代物有任意關系的符號，如語言的元素。⑥J.Bruner，Acts of Meaning，Cambridge，MA：Harvard University Press，1990，p.69.

如何將符號學與人工智能聯系起來呢？筆者認為可通過“框架”（frame）概念來進行。“框架”是符號學的主要概念之一，人工智能中的框架概念就借自符號學。所謂框架，它是一種記憶中的數據結構，用于表征原型的情況，通過必要的細節改變來適應現實。框架的較高層次表征語境，被固定下來表征特定情況下永真的東西；而較低層次表征終端或論據，必須由一些特定的元素或數據實例化。明斯基曾提出，⑦M.Minsky，“The Psychology of Computer Vision”，in P.Winston，ed.，A Framework for Representing Knowledge，New York：McGraw-Hill，1975.當遇到新情境，或對某一問題的看法發生重大變化時，會引起對“框架”表征的記憶檢索，因為框架必然涉及語言和語義，一個框架和它的低層終端之間的關系可以提供一個句子的意義。我們熟悉的腳本和計劃的概念也是基于框架的，①L.W.Barsalou，W.Yeh，B.J.Luka，K.L.Olseth，K.S.Mix，L.Wu，“Concepts and Meaning”，in K.Beals，G.Cooke，D.Kathman，K.E.McCullough，S.Kita，D.Testen，eds.，Chicago Linguistics Society 29，papers from the parasession on conceptual representations，University of Chicago：Chicago Linguistics Society，1993，pp.23-61.并在生活中被廣泛使用，如去餐館用餐的計劃和腳本。這是語句意義產生的過程。

意義產生的過程也是感覺形成（Sensemaking）的過程，框架可以塑造并幫助定義相關的數據；反過來，數據可以推動框架的變化。②G.Klein，B.Moon，R.Hoffman，“Making Sense of Sensemaking 2：a Macrocognitive Model”，IEEE Intell Syst，2006，21：88-92.由于感覺形成是具身的，這意味著意義的形成是與直覺認知相關的，即直覺認知綜合了模式并重新組合了記憶。從符號學來看，將感知、思想或概念解釋為指代其他事物的記號（意義生成），似乎需要直覺模式合成和記憶重組。③R.Patterson，R.G.Eggleston，“Intuitive Cognition”，J Cogn Eng Decis Mak，2017，11：5-22.根據這種觀點，人類的意義創造需要通過直覺認知進行模式合成和記憶重組。模式合成就是概念重組，這種有意義的概念重組和符號解釋是直覺的，沒有任何有意識的中間階段，這意味著思維似乎是一種建構性的、模式化的分析—合成操作。④U.Neisser，Cognitive Psychology，Englewood Cliffs：Prentice-Hall，1967.從神經科學來看，記憶、想象和預測有著共同的神經基質。⑤S.L.Mullally，E.A.“Maguire，Memory，Imagination and Predicting the Future：a Common Brain Mechanism？”，Neuroscientist，2014，20：220-234.因此，直覺認知通過無意識的情境模式合成和識別來參與意義的形成，這涉及記憶的重新組合，是基于經驗的，也當然是具身的。

這種直覺認知的無意識處理與整合信息理論（IIT）相關。根據整合信息理論，意識是由整體生成的整合信息組成的，⑥G.Tononi，M.Boly，M.Massimini，C.Koch，“Integrated Information Theory：from Consciousness to Its Physical Substrate”，Nat Rev Neurosci，2016，17：450-461.意識的數量與綜合信息的數量相對應。然而，信息可以通過直覺認知以無意識的意義制造的形式存在，⑦R.Patterson，B.Pierce，A.Boydstun，L.Ramsey，J.Shannon，L.Tripp，H.Bell，“Training Intuitive Decision Making in a Simulated Real-World Environment”，Hum Factors，2013，55：333-345.這意味著僅僅是信息的存在對意識并不充分。因此，信息論不能用來解釋意識，因為信息只相對于已經存在的意識而存在。⑧J.R.Searle，“Can Information Theory Explain Consciousness？ Review of Christ of Koch’s Consciousness：Confessions of a Romantic Reductionist”，The New York Review of Books，MIT Press，January 10，2013.直覺認知的意義生成需要基于經驗的情境模式綜合，這似乎是基于案例的推理的一種形式。基于案例的推理涉及從記憶中檢索的無意識的解決新問題，被稱為“提醒”（Reminding），⑨R.C.Schank，Dynamic Memory Revisited，Cambridge：Cambridge University Press，1999.適應類似的、以前解決的問題的解決方案，而不是依賴規則。

總而言之，符號學的指號過程可以被看作框架及其數據的層次關系。框架的概念似乎等同于語境的概念，而所有的符號學都是基于語境的。為了讓主體將某物解釋為指代或表征其他東西的記號，并通過模式合成和記憶重組產生意義，我們必須充分了解特定語境的具體內容。符號學的行為本身取決于綜合和產生意義的主體的專業知識和敏銳度。所以，符號學包括生物符號學，是哲學語境論的一種具體形態。框架、架構、腳本等概念，均與語境相關，事實上，在筆者看來，語境就是語義框架，就是概念范疇，就是意義形成的基底。所以，任何解釋都離不開符號和語境，符號與其語境的脫離必然產生誤解，甚至產生錯誤表征。就意義而言，無論怎樣強調語境的作用都不過分，因為我們人類是語境化的物種，生活于語境世界。

不可否認，直覺認知是人類的一種先天能力，如以直覺認知從事意義制造或符號學的有力證據是，醫生、消防員所做的大多數決定都是基于有意義的情境模式識別的過程。如何將這種能力與人機交互結合起來是個難題：直覺認知適用于人類和自主機器系統嗎？激發模式合成和記憶重組是一種方法，比如，我們對過去事件的回憶和重述，小學生對童話故事情節的重新描述，有助于大腦的模式合成與記憶重組。先前沒有經歷的突發事件也有助于模式合成和記憶重組的激發，例如，假設您停在加油站旁邊的紅綠燈前，突然有一輛車失控沖過來，很可能會撞上加油機，進一步導致加油機起火。這種突發情況使您立刻意識到危險，這種情境不會基于任何單一記憶，而是幾種模式的組合：油遇火會燃燒∧火能燒傷人∧逃離危險。

人機交互中的情境可能也是如此。想象一下，機器被設計為動態地改變其記憶中各元素之間的關系，以反映它“理解”的某種變化，如更新其內部符號系統的基礎。①S.Harnad，“The Symbol Grounding Problem”，Physica D Nonlinear Phenom，1990，42：335-346.帕特森（R.E.Patterson）和埃格爾斯頓（R.Eggleston）認為，這種更新可以導致預測，從而為誘發人類洞察力的激活線索的產生提供信息。符號基礎中的這種更新表征了人工記憶的操作，而激發洞察力的線索則表征了人類記憶的操作，在伴隨著意義生成的模式合成和記憶重組過程中，人類—自主機器系統中的“混合認知”將需要對人類記憶（通過激發線索）和人工記憶（通過更新）進行操作。他們進一步認為，在最鄰近層面，人類和自主機器認知的“混合”可以通過在伴隨著意義創造的模式合成和記憶重組過程中對人類和人工記憶的操縱來實現。因此，具身人工智能要發展人機之間的共同理解和共同感知，以及為靈活和有效的決策創造人機共享的環境。

七、結語

混合認知是認知科學和人工智能包括機器學習發展的必然結果。混合就是將不同認知范式或模型加以整合，因為任何單一范式或模型都不能反映和說明認知或智能的本質。正如多明戈斯將符號學派、聯結學派、進化學派、貝葉斯學派和類推學派混合起來形成所謂的“終極算法”那樣，②佩德羅·多明戈斯：《終極算法：機器學習和人工智能如何重塑世界》，黃芳萍譯，中信出版集團2017年版，第309頁。構成一幅“優化城”（相當于混合認知域）。從哲學語境論來看，為了實現某種形式的共同理解和共同決策，我們可以建立一個共同的語境基礎或語境框架，以便人類和自主機器在其中都能將某些物體或事件解釋為表征同一事物的相同記號。這可能是人類和自主機器可以執行認知協調的工作計劃的一種方式。而且，為了實現共享感知，自主機器可以創建一個用于激發人類洞察力的焦點線索——適應性表征，該線索將由人類和機器共享。共享的基礎一定是共同語境或交叉語境，而形成共同基礎的核心是適應性表征。因此，混合認知就是一種優化的人工智能適應性表征策略。