人工智能大模型表征方式的一致性及其哲學(xué)啟示

【摘要】以大數(shù)據(jù)、強(qiáng)算力、多模態(tài)和高維度等訓(xùn)練出來的人工智能大模型愈發(fā)智能，體現(xiàn)出類人的“聰明”。基于系統(tǒng)穩(wěn)定性、功能有效性和優(yōu)化可能性要求，大模型將注意力機(jī)制嵌入系統(tǒng)之中，使基于不同數(shù)據(jù)訓(xùn)練出來的不同大模型在處理數(shù)據(jù)時(shí)體現(xiàn)出表征收斂的趨向。大模型的表征收斂，一方面，顯示出基于神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)具有實(shí)現(xiàn)通用人工智能的技術(shù)潛質(zhì)；另一方面，也印證了大數(shù)據(jù)挖掘、大模型超越、強(qiáng)算力迭代和高維度透視所形成的智能具有類人性。因此，雖然人工智能大模型的表征收斂是人工智能智能性的技術(shù)體現(xiàn)，本質(zhì)上卻是以人類本質(zhì)力量對(duì)象化的方式考問智能本質(zhì)的哲學(xué)追問。與其說是大模型試圖表示現(xiàn)實(shí)模型的穩(wěn)定性推動(dòng)了系統(tǒng)的表征收斂，倒不如說是大模型以“挖掘即認(rèn)知”“學(xué)習(xí)獲智能”“高維達(dá)簡潔”對(duì)觀測的經(jīng)驗(yàn)升華構(gòu)成了表征收斂的智能動(dòng)因。

【關(guān)鍵詞】表征收斂 哲學(xué)敘事 大模型 人工智能

【中圖分類號(hào)】TP18 【文獻(xiàn)標(biāo)識(shí)碼】A

【DOI】10.16619/j.cnki.rmltxsqy.2024.14.005

由大語言模型所支持的Sora獲得了巨大成功，說明今天的人工智能大模型具有了超越內(nèi)容的跨越性。近期，麻省理工學(xué)院研究團(tuán)隊(duì)發(fā)表了名為《柏拉圖式的表征假說》的研究論文，更提出“人工智能模型，特別是深度網(wǎng)絡(luò)中的表征正在收斂”[1]。雖然，工程學(xué)的成功和理論研究成果都難以證明基于人工神經(jīng)網(wǎng)絡(luò)的、不可解釋的大模型已經(jīng)實(shí)現(xiàn)了通用人工智能，并有觸發(fā)人工智能奇點(diǎn)的可能性。[2]但具有表征收斂“能力”的人工智能不僅能夠通過“圖靈測試”，而且表明基于大模型的人工智能“正確地生成知識(shí)并作出預(yù)測是可能的”[3]。也就是說，人工智能的表征收斂，不僅意味著不同的人工智能模型（比如語言模型和視覺模型）挖掘數(shù)據(jù)的結(jié)果具有一致性，從而證明數(shù)據(jù)描述對(duì)象的客觀性與穩(wěn)定性，而且充分表明大模型正在獲得超數(shù)據(jù)、跨模型的表征能力，強(qiáng)算力、多參數(shù)、高維度和難解釋的大模型“正在生成一個(gè)類似于柏拉圖理念論的現(xiàn)實(shí)統(tǒng)計(jì)模型”[4]，呈現(xiàn)大模型表征方式的一致性，以及能夠在數(shù)據(jù)挖掘中獲得認(rèn)知的能力。由此，人工智能大模型表征收斂的意義，顯然超越了人工智能技術(shù)要求的運(yùn)行邏輯一致性、功能實(shí)現(xiàn)穩(wěn)定性和系統(tǒng)優(yōu)化連續(xù)性，深入到了人工智能之智能本質(zhì)之中。因?yàn)榇竽Ｐ偷谋碚魇諗坎皇俏锢硎澜绲聂敯粜栽谟?jì)算邏輯中的表達(dá)，而是由大模型處理數(shù)據(jù)的機(jī)制、學(xué)習(xí)定義的規(guī)則和校驗(yàn)形成的改進(jìn)而得以保障。大模型的“人工神經(jīng)網(wǎng)絡(luò)模仿的是大腦神經(jīng)回路的機(jī)制，并被成功地應(yīng)用于機(jī)器學(xué)習(xí)”[5]，其表征收斂，不僅是對(duì)這一模仿行為有效性的證明，也是對(duì)人類智能之智能特性的表達(dá)。因此，大模型所構(gòu)建的挖掘機(jī)制、實(shí)現(xiàn)的跨越能力和達(dá)到的高維透視，雖然依然是“大數(shù)據(jù)小任務(wù)”和“大數(shù)據(jù)大任務(wù)”，離人類經(jīng)驗(yàn)觀察獲得智能“小數(shù)據(jù)大任務(wù)”的機(jī)制還有一定差距，但卻肯定了機(jī)器智能表達(dá)是挖掘數(shù)據(jù)的學(xué)習(xí)、窮盡可能的通用和跨越領(lǐng)域的統(tǒng)一，并正在以“越來越相似的方式測量數(shù)據(jù)單元之間的距離”，“表征數(shù)據(jù)的方式也在變得越發(fā)一致”。[6]顯然，大模型表征收斂的意義，不僅在于其以機(jī)器智能的方式再一次肯認(rèn)了經(jīng)驗(yàn)世界穩(wěn)定性這一唯物主義原則，而且更以人類本質(zhì)力量對(duì)象化的方式證明了人“自己思維的真理性”，即自己思維的“現(xiàn)實(shí)性和力量”[7]。

數(shù)據(jù)表存在與挖掘即認(rèn)知

大模型的表征收斂在技術(shù)邏輯中體現(xiàn)為模型邏輯應(yīng)對(duì)任務(wù)的靈活性，使其超越了“經(jīng)典符號(hào)人工智能或GOFAI開創(chuàng)”的“問題的計(jì)算機(jī)表示”的“部分搜索”，[8]在建構(gòu)問題的新表示中，既能夠搜索不同空間，又能夠形成應(yīng)對(duì)問題的有效策略。一方面，這意味著達(dá)到表征收斂的大模型已然能夠通過“圖靈測試”并具有了智能，[9]另一方面，也表明人工智能挖掘數(shù)據(jù)能夠獲得對(duì)數(shù)據(jù)對(duì)象穩(wěn)定的認(rèn)知。因此，大模型的表征收斂不僅為人工智能技術(shù)發(fā)展提供了新的便利，還表明認(rèn)知本身具有相對(duì)穩(wěn)定的一般結(jié)構(gòu)。大模型基于大數(shù)據(jù)訓(xùn)練而成是不爭的事實(shí)，然而，大數(shù)據(jù)之“大”并非復(fù)刻整全存在的任意大，這既緣于技術(shù)本身的限制，也是大數(shù)據(jù)客觀存在的特質(zhì)。因此，經(jīng)由數(shù)據(jù)挖掘而獲得的收斂性并非是數(shù)據(jù)自身具有的客觀結(jié)構(gòu)，而是大模型形成的內(nèi)部表征。大模型以此為邏輯的表征收斂，使基于數(shù)據(jù)的知識(shí)描述物理實(shí)體具有穩(wěn)定性、客觀性和可行性。雖然這不是傳統(tǒng)邏輯的一致性、不矛盾性和齊一性，但是其行為主義的有效性卻充分證明了挖掘即認(rèn)知的重要觀念。

表征收斂是大模型表達(dá)數(shù)據(jù)特性的功能特性。當(dāng)然，大模型的表征收斂不是直接把數(shù)據(jù)具有的收斂性復(fù)制進(jìn)系統(tǒng)，而是進(jìn)入數(shù)據(jù)生成的結(jié)果之中才獲得對(duì)數(shù)據(jù)存在邏輯的認(rèn)知。我們知道，“在解釋裝置如何工作時(shí)并不需要表征概念；只有在解釋裝置怎樣完成設(shè)計(jì)者預(yù)定的功能時(shí)才需要表征概念”[10]。表征收斂表面上看是系統(tǒng)的功能性特質(zhì)，但是卻從根本上體現(xiàn)出大模型挖掘大數(shù)據(jù)的初衷和基本假設(shè)。大模型參考柏拉圖的“洞穴隱喻”，認(rèn)為表征收斂的終點(diǎn)與核心原則是“不同的模型都只是從不同維度對(duì)現(xiàn)實(shí)的一種描述”[11]。當(dāng)然，大模型的描述本身就是一種判斷，不同大模型基于不同維度處理了大數(shù)據(jù)本身。然而，“所有數(shù)據(jù)都是由人類生成的”，“數(shù)據(jù)是由社會(huì)構(gòu)建的”。[12]無論是數(shù)據(jù)表達(dá)，還是從數(shù)據(jù)中獲得的規(guī)律，都不再是被“洞穴”之外的普照光投射到影壁上的描述。人類生成數(shù)據(jù)、社會(huì)建構(gòu)數(shù)據(jù)“并不是隨心所欲地創(chuàng)造，并不是在他們自己選定的條件下創(chuàng)造，而是在直接碰到的、既定的、從過去承繼下來的條件下創(chuàng)造”[13]出來的數(shù)據(jù)。因此，數(shù)據(jù)作為抽象的對(duì)象，并不能構(gòu)成大模型的因果性輸入，而只能是被重新還原的“洞穴上的陰影”[14]。雖然大模型在數(shù)據(jù)訓(xùn)練的直接性上面對(duì)的是封閉系統(tǒng)內(nèi)的特質(zhì)問題，但是卻不必依賴于布倫塔諾的“心理現(xiàn)象不是由物理規(guī)律而是由心理規(guī)律本身決定”[15]的假設(shè)，就可以在模型表征中對(duì)齊數(shù)據(jù)并獲得有效預(yù)測。究其原因，無論是歷史唯物主義所保障的人類社會(huì)行為的穩(wěn)定性中內(nèi)蘊(yùn)的數(shù)據(jù)收斂性，還是普特南“收斂現(xiàn)實(shí)主義”的哲學(xué)確認(rèn)，都指向數(shù)據(jù)存在的對(duì)齊本性。當(dāng)然，大模型并沒有把數(shù)據(jù)作為物理主義的假設(shè)，而是“使用編程語言描述的數(shù)學(xué)定義以及關(guān)于其數(shù)據(jù)結(jié)構(gòu)的公理”[16]來證明數(shù)據(jù)刻畫事實(shí)的有效性，也就必然會(huì)表達(dá)為表征的收斂性。

大模型的表征收斂不僅事實(shí)性地證明了數(shù)據(jù)表征存在的穩(wěn)定性與客觀性，而且表明大模型挖掘的認(rèn)識(shí)活動(dòng)具有收斂性。大模型挖掘即認(rèn)知的“創(chuàng)構(gòu)認(rèn)識(shí)論”[17]范式成功搭建了“‘安娜·卡列尼亞’場景”[18]。一方面，不同結(jié)構(gòu)良好的大模型并不會(huì)影響數(shù)據(jù)表達(dá)的存在，因?yàn)椴煌竽Ｐ投际且酝瑯拥臋C(jī)制表達(dá)著世界的可能性。今天的大模型不僅都是以具有反向傳遞性的神經(jīng)網(wǎng)絡(luò)作為物理結(jié)構(gòu)，而且都是以深度學(xué)習(xí)作為認(rèn)知邏輯。因此，大模型的不同模型不過是“條條大路通羅馬”的“條條大路”，都只是把“內(nèi)部結(jié)構(gòu)插入其中”而已。[19]另一方面，大模型之大本身就蘊(yùn)涵著“越多越好”[20]的原則，越多的數(shù)據(jù)、參數(shù)和訓(xùn)練交織形成復(fù)雜性越能保證表征的收斂性。雖然量大首先是基于技術(shù)設(shè)計(jì)的考量和表征逼近的方便，但其本身既意味著數(shù)據(jù)刻畫對(duì)象維度的復(fù)雜和視角的全面，又說明了動(dòng)態(tài)修正和不斷優(yōu)化才是保證對(duì)齊和收斂的根本方式。由此看來，大模型的表征收斂堅(jiān)持了唯物主義對(duì)象穩(wěn)定性的原則，卻又不是從規(guī)定原則來分析對(duì)象的客觀性。因此，一方面，數(shù)據(jù)這種基于信息的存在，作為大模型挖掘的對(duì)象向大模型本身敞開其內(nèi)在的結(jié)構(gòu)，另一方面，大模型也建構(gòu)了大數(shù)據(jù)表達(dá)自身的結(jié)構(gòu)。由此可見，大模型的表征收斂是大數(shù)據(jù)與大模型雙向奔赴的結(jié)果。大模型的大參數(shù)和大訓(xùn)練顯然不是對(duì)大數(shù)據(jù)同一維度的重復(fù)加總，也并非是在追求絕對(duì)全面中呈現(xiàn)大數(shù)據(jù)刻畫對(duì)象不可見的一面，而是堅(jiān)持特征向量具有的魯棒性。或者說，大參數(shù)和大訓(xùn)練本身接受了康托集和哥德爾不完全定理的哲學(xué)訓(xùn)誡，以挖掘認(rèn)知的穩(wěn)定性而不是“實(shí)在的自洽觀念”[21]來保障表征的收斂性。由此帶來的深層哲學(xué)意涵則是，“大”所支撐的表征收斂本身體現(xiàn)了創(chuàng)構(gòu)數(shù)據(jù)的人類實(shí)踐的穩(wěn)定性，大參數(shù)與大訓(xùn)練則構(gòu)成了穩(wěn)定性的另一重隱喻。即在認(rèn)知中，客觀實(shí)在、對(duì)象的自洽等并非是認(rèn)知成果一致性的必要條件，經(jīng)由人創(chuàng)構(gòu)的機(jī)制本身也可以保住表征的收斂性，并“標(biāo)志著我們已然觸到了實(shí)在界／真實(shí)（the real）”[22]。

因此，雖然訓(xùn)練數(shù)據(jù)在表征收斂中具有基礎(chǔ)性意義，但卻并非是數(shù)據(jù)本體結(jié)構(gòu)向大模型認(rèn)知結(jié)構(gòu)的直觀遷移，而是以數(shù)據(jù)表存在的認(rèn)知通過建構(gòu)和挖掘獲得認(rèn)知穩(wěn)定性的新驗(yàn)證。大模型依賴訓(xùn)練數(shù)據(jù)生成系統(tǒng)能力意味著大模型生成的對(duì)象、預(yù)測的結(jié)論和產(chǎn)生的規(guī)范，都是由模型的結(jié)構(gòu)和數(shù)據(jù)的特性雙重規(guī)定的。一方面，雖然大模型對(duì)數(shù)據(jù)的挖掘既能夠呈現(xiàn)數(shù)據(jù)既有的內(nèi)在基本結(jié)構(gòu)，又能夠擴(kuò)展其可能的相互聯(lián)結(jié)，但是數(shù)據(jù)既有的約束性是大模型運(yùn)行的規(guī)定性卻是不爭事實(shí)。另一方面，數(shù)據(jù)本身又是一個(gè)開放性的結(jié)構(gòu)，這既是由數(shù)據(jù)產(chǎn)生的邏輯決定的，又是由大模型挖掘數(shù)據(jù)本身所推動(dòng)的。因此，當(dāng)數(shù)據(jù)描述事實(shí)、再構(gòu)事實(shí)和檢視事實(shí)的時(shí)候，就既不是前定邏輯的再現(xiàn)，也不是任意組合的混亂，更不是神創(chuàng)論的無中生有。大模型要實(shí)現(xiàn)功能有效性，必須在其挖掘數(shù)據(jù)來實(shí)現(xiàn)“抽象-具象”生成[23]、功能有效預(yù)測時(shí)遵循某種基本規(guī)則。而且事實(shí)證明，大模型特別是視覺大模型“與人類在一系列識(shí)別任務(wù)中的表現(xiàn)是相匹配的”[24]。也就是說，雖然大模型挖掘數(shù)據(jù)的過程具有弱可解釋性甚至黑箱屬性，但是其遵從數(shù)據(jù)的客觀性使其表征收斂獲得了“本體論承諾”，而大模型基于不同觀念、功能和算法的挖掘獲得了處理能力，既在描述客體、預(yù)測結(jié)果和處理任務(wù)等方面表現(xiàn)出趨同性，又在處理數(shù)據(jù)的表征能力上呈現(xiàn)收斂性。顯然，經(jīng)由大模型挖掘的數(shù)據(jù)，一是進(jìn)一步呈現(xiàn)了其中隱藏的可能性；二是形成了對(duì)大模型表征能力的限制；三是超越了數(shù)據(jù)本身，呈現(xiàn)了新的理想性。如此看來，當(dāng)大模型立足于數(shù)據(jù)在生成系統(tǒng)的處理能力時(shí)，一方面，在唯物主義層面上貫徹了“萬物源于比特”[25]的存在論原則，以表征的收斂性回避了“中文屋”的詰難，使“計(jì)算機(jī)可以通過操縱字符串做到即使并不理解問題含義，也能給出似乎理解了的答案”[26]。另一方面，大模型的表征收斂本身意味著，基于數(shù)據(jù)挖掘所形成的認(rèn)知事實(shí)上是一種“參與型”的認(rèn)知，[27]這既以高階自動(dòng)化的技術(shù)邏輯肯定了“我們是通過觀察和研究行為來理解世界”[28]的事實(shí)，又意味著以思維建構(gòu)的大模型在大數(shù)據(jù)的訓(xùn)練中，能夠獲得穩(wěn)定的理解世界的方式，這已被諸如AlphaFold等科研助手的強(qiáng)大功能所證明。

如此看來，大模型的表征收斂具有超越人工智能系統(tǒng)完備性和功能性的人類學(xué)意義。大模型不是將數(shù)據(jù)作為物理系統(tǒng)和社會(huì)歷史映射對(duì)象的產(chǎn)物，從而在數(shù)據(jù)的趨同性中獲得表征的收斂性。大模型的表征收斂顯然不僅是海量參數(shù)、巨量數(shù)據(jù)和強(qiáng)大算力帶來的技術(shù)穩(wěn)定性與功能一致性，更是對(duì)智能認(rèn)知內(nèi)涵與邏輯的時(shí)代性拓展與歷史性創(chuàng)新：其一，人類認(rèn)知成果的內(nèi)容和結(jié)構(gòu)由人類自身參與建構(gòu)；其二，人類創(chuàng)建的高階自動(dòng)化體系獲得了認(rèn)知能力；其三，智能的認(rèn)知既是還原與解釋對(duì)象的自洽邏輯，更是生成全新內(nèi)容的建構(gòu)邏輯。因此，與其說大模型肯定了數(shù)據(jù)之后的數(shù)據(jù)挖掘結(jié)果具有重要意義，是人類既有知識(shí)的豐富與擴(kuò)展，倒不如說大模型以獨(dú)特的運(yùn)行機(jī)制提出了人類智能自我理解和發(fā)展的道路問題。

“大力出奇跡”與學(xué)習(xí)獲智能

一方面，大模型以超強(qiáng)算力將人類智能費(fèi)時(shí)費(fèi)力也難以發(fā)現(xiàn)的事實(shí)揭示出來，超越了生物智能的有限性，使其表征收斂的結(jié)論不僅構(gòu)成了知識(shí)的全新內(nèi)容，而且深化了自近代以來注意經(jīng)驗(yàn)形而上學(xué)的認(rèn)知觀念，并以反向傳遞內(nèi)化經(jīng)驗(yàn)為先驗(yàn)方式揭示了人類實(shí)踐改變認(rèn)識(shí)方式的具體過程。另一方面，大模型以超強(qiáng)算力體現(xiàn)出的表征收斂獲得了生成式能力，確證了深度學(xué)習(xí)獲得智能的事實(shí)。大模型的表征收斂使“我們有了一種新型的知識(shí)，它讓我們無須借助數(shù)學(xué)分析進(jìn)行理解，便可以作出預(yù)測”[29]、生成對(duì)象和驗(yàn)證結(jié)論。顯然，如此的成績緣于大模型不斷以強(qiáng)大的算力從數(shù)據(jù)中進(jìn)行學(xué)習(xí)。雖然大模型的底層學(xué)習(xí)邏輯是對(duì)控制輸入與輸出的參數(shù)進(jìn)行修正，但這一學(xué)習(xí)過程使大模型刻畫的既有對(duì)象更加完美，通過“模型縫合”[30]形成了參數(shù)之間的交叉影響與相互制約，從而管理和更新“在不同模型中擁有相同概念的神經(jīng)元”[31]。

大模型是在強(qiáng)大算力加持下，化經(jīng)驗(yàn)為數(shù)據(jù)，以數(shù)據(jù)為基礎(chǔ)進(jìn)行的系統(tǒng)的自我建構(gòu)，[32]在迭代中達(dá)到的表征收斂是學(xué)習(xí)成智的機(jī)器表達(dá)。在技術(shù)領(lǐng)域內(nèi)已形成這樣的基本共識(shí)，即模型的規(guī)律擴(kuò)大和性能提升推進(jìn)了模型表征數(shù)據(jù)的對(duì)齊能力。[33]支持大模型有如此表現(xiàn)的根本在于大模型處理大數(shù)據(jù)時(shí)的強(qiáng)算力。顯然，強(qiáng)算力以獨(dú)特的方式支持了大模型的表征收斂。從發(fā)生學(xué)的角度看，強(qiáng)算力可以充分挖掘數(shù)據(jù)刻畫對(duì)象的邏輯與方式。一方面，強(qiáng)算力使計(jì)算概率、判斷回歸和校驗(yàn)齊一的計(jì)算行為獲得了類概念的表達(dá)能力，使模型既學(xué)習(xí)到了數(shù)據(jù)刻畫對(duì)象的邏輯，又學(xué)習(xí)到了數(shù)據(jù)中蘊(yùn)涵的邏輯，從對(duì)象存在對(duì)齊的層面和刻畫對(duì)象對(duì)齊的層面保證了表征收斂的可能性。另一方面，強(qiáng)算力的迭代雖然不斷地調(diào)用模型的基本規(guī)則，卻是以經(jīng)驗(yàn)先驗(yàn)化的方式不斷審視大模型表征能力自身。強(qiáng)算力的時(shí)間疊加不僅能夠保障數(shù)據(jù)挖掘的寬度與廣度，而且“具有類似的內(nèi)部活動(dòng)”，并且“隨著模型擴(kuò)展的持續(xù)積累，模型的表征對(duì)齊的能力也會(huì)隨著時(shí)間的推移而增強(qiáng)”。[34]再一方面，大模型的強(qiáng)算力使得多層網(wǎng)絡(luò)在技術(shù)上具有可行性，在深度學(xué)習(xí)上可收斂，其在保障結(jié)果收斂的過程中不再依賴因果邏輯將數(shù)轉(zhuǎn)換成智，而是將“無理變?yōu)榉蔷€性的有理”[35]，這在機(jī)器學(xué)習(xí)中體現(xiàn)為“通過可能的隱性或顯性正則化極度降低經(jīng)驗(yàn)風(fēng)險(xiǎn)”[36]，而在哲學(xué)上則表達(dá)為大模型獲得了類概念的理解力和處理力。當(dāng)然，這里的理解顯然就是表征收斂的一致性刻畫能力、預(yù)測邏輯和調(diào)適過程。大模型訓(xùn)練之所以極度依賴強(qiáng)算力，一方面是因?yàn)檫_(dá)到表征收斂本身是多層嵌入縫合的結(jié)果，而這本身就是一個(gè)極度消耗算力的過程，另一方面則是因?yàn)楸碚魇諗渴峭ㄟ^整合“簡單的表示來表達(dá)復(fù)雜表示”[37]達(dá)到的，而這意味著多層迭代。因此，強(qiáng)算力賦予大模型提取數(shù)據(jù)信息、形成模式判斷、呈現(xiàn)有效規(guī)劃的表征收斂性，使其具有“從對(duì)象化樣本（比如許多葉子圖像）學(xué)到非對(duì)象化的對(duì)象識(shí)別（比如辨認(rèn)出從未見過的或千變?nèi)f化的葉子）的能力”[38]。這既是滿足大模型技術(shù)初衷的智能學(xué)習(xí)，又體現(xiàn)了大算力、高強(qiáng)度和多對(duì)象的學(xué)習(xí)是“累事成識(shí)”“化識(shí)為釋”“升釋獲智”[39]的重要方式。

大模型的表征收斂特別強(qiáng)調(diào)與強(qiáng)算力直接相關(guān)的規(guī)模與性能，原因在于大模型學(xué)習(xí)本身是高度復(fù)雜的數(shù)據(jù)學(xué)習(xí)，這也意味著學(xué)習(xí)獲智是一個(gè)長期的、開放的過程。就大模型表征收斂的存在論指向而言，大模型的表征收斂絕不意味著人工智能達(dá)到了全知全能的“奇點(diǎn)”[40]狀態(tài)。大模型的“神經(jīng)網(wǎng)絡(luò)與大腦中的生物表征表現(xiàn)出實(shí)質(zhì)性的一致性”[41]，本身就是由積累而生成的開放性，并具有三方面的意義：其一，表征收斂是“大力出奇跡”所呈現(xiàn)的大規(guī)模處理數(shù)據(jù)、形成策略和解決問題的邏輯穩(wěn)定性和功能穩(wěn)定性，而非系統(tǒng)的封閉性。否則，大模型的表征收斂就會(huì)走向其反面：如果大模型的表征收斂運(yùn)作良好，那么大模型的邏輯就會(huì)固化、功能就會(huì)單一，[42]從而與大模型表征收斂通用化的事實(shí)與追求相悖。其二，大模型強(qiáng)算力與大規(guī)模所集成的是人類社會(huì)歷史生成的“一般智力”[43]，其加持的物質(zhì)體系獲得表征收斂性并不是物質(zhì)體系自在發(fā)展的成果，而是人類智能激活物性力量的成果。因此，大模型收斂性是“以大力出奇跡”的方式“對(duì)現(xiàn)有文化的大規(guī)模挪用”[44]所獲得的發(fā)展性。這顯然預(yù)示著大模型不僅作為人工智能的物質(zhì)體系具有強(qiáng)大的力量，也必然構(gòu)成當(dāng)今人類智能的組成部分，更表明大模型“大力出奇跡”的學(xué)習(xí)具有活動(dòng)的穩(wěn)定性、知識(shí)邏輯的延續(xù)性和智能內(nèi)容的開放性。大模型“大力出奇跡”本身并非是靠量取勝的機(jī)械積累，而是一個(gè)以深度學(xué)習(xí)表達(dá)獲取智能的過程。[45]其三，大模型的表征收斂是“大力出奇跡”的學(xué)習(xí)所獲得的一種“能力”，是由既定現(xiàn)實(shí)規(guī)定和潛在現(xiàn)實(shí)引領(lǐng)的收斂性。或者說，大模型收斂性并非是由喬姆斯基的“抄襲斷定”[46]所決定的，而是由大規(guī)模本身依據(jù)的學(xué)習(xí)機(jī)制所形成的。一方面，“大力出奇跡”的機(jī)制能夠在大模型的學(xué)習(xí)中直接實(shí)現(xiàn)“吃一塹長一智”的積累機(jī)制，從而使模型在調(diào)節(jié)參數(shù)、形成連接和衍生關(guān)系時(shí)實(shí)現(xiàn)自我學(xué)習(xí)機(jī)制的迭代改進(jìn)；另一方面，“大力出奇跡”能夠使系統(tǒng)同時(shí)兼顧輸入系統(tǒng)的“外部經(jīng)驗(yàn)”與系統(tǒng)生成的“內(nèi)部經(jīng)驗(yàn)”，并通過遞歸的、有限的“無上限自舉（bootstrap heaven）”[47]而實(shí)現(xiàn)內(nèi)外的一致性。因此，以大語言模型為代表的大模型不僅具有專業(yè)領(lǐng)域的適配性，而且還具有通用領(lǐng)域的穩(wěn)定性。表面上看，這是因?yàn)榇竽Ｐ汀按罅Τ銎孥E”能夠盡可能地實(shí)現(xiàn)分析的邏輯可能性，本質(zhì)上而言卻呈現(xiàn)出大模型學(xué)習(xí)的可行性和習(xí)以獲智的必然性。當(dāng)然，也正是因?yàn)榇竽Ｐ捅旧韮?nèi)置了“大力出奇跡”的原則，雖產(chǎn)生了難以闡明的智能過程的黑箱問題，但從根本上肯定了學(xué)習(xí)獲智是智能發(fā)展的基本方式。

大模型的表征收斂并非是以高容量模型來窮舉復(fù)雜多樣的內(nèi)容信息形成的有限歸納，而是以大模型本身的“大力”去表達(dá)信息有效的結(jié)構(gòu)。或者說，大模型的表征收斂不是暴力計(jì)算的還原論，不是“通過簡單現(xiàn)象的疊加‘涌現(xiàn)’出來”[48]的一致性和穩(wěn)定性，而是在實(shí)際對(duì)比的學(xué)習(xí)中建構(gòu)起獨(dú)立于時(shí)間和空間的表現(xiàn)形式。大模型的表征收斂有兩個(gè)基本面：一是“信息等同于底層世界的信息”[49]的收斂性，二是轉(zhuǎn)換信息能力的收斂性。顯然，這兩種收斂都不是事先定義好標(biāo)準(zhǔn)和目的的收斂，而是寬容信息的增減，并是利用隨機(jī)機(jī)制基于“經(jīng)驗(yàn)數(shù)據(jù)的方法”[50]達(dá)到的收斂。因此，收斂的大模型和大模型的收斂，本身只是以“大力出奇跡”的方式“找到了一條較好的路徑”[51]，但并非是最好或最佳的唯一路徑，這一事實(shí)已被不同公司開發(fā)的大模型表現(xiàn)出同一能力的收斂性所證明。當(dāng)然，無論是體現(xiàn)為結(jié)果的收斂性，還是呈現(xiàn)為挖掘數(shù)據(jù)能力的收斂性，本身都表達(dá)知識(shí)的有效性，能夠有效地解釋更多發(fā)生的現(xiàn)象、深入地挖掘更多的可能、高效地實(shí)現(xiàn)更遠(yuǎn)的目標(biāo)，等等。比如，“訓(xùn)練有素的自動(dòng)回歸生成文本的模型還捕獲了許多其他模式的統(tǒng)計(jì)關(guān)系，如符號(hào)推理、視覺生成、蛋白質(zhì)折疊和機(jī)器人學(xué)”[52]。無論這一過程是自上而下還是自下而上，大模型的表征收斂本身就意味著不斷的學(xué)習(xí)本身可以增加系統(tǒng)的智識(shí)穩(wěn)定性，這一方面緣于大模型神經(jīng)網(wǎng)絡(luò)的可塑性，另一方面則與“大力出奇跡”的學(xué)習(xí)相關(guān)。因此，大模型本身就是不斷“改進(jìn)對(duì)經(jīng)驗(yàn)的表征，就是通過已有的內(nèi)在條件對(duì)外部實(shí)在作出適當(dāng)?shù)谋碚鳌盵53]，事實(shí)上就是以支持隱喻的方式肯定了“實(shí)踐出真知”這一基本的認(rèn)識(shí)論命題。大模型以“大力出奇跡”的方式不斷地將系統(tǒng)運(yùn)行的結(jié)論（可能是外在干預(yù)的，可能是預(yù)先設(shè)定的，可能是動(dòng)態(tài)判定的）內(nèi)化為系統(tǒng)表征的構(gòu)成要素。

因此看來，大模型的表征收斂雖然是“大力出奇跡”的技術(shù)成功，但本質(zhì)上卻指向了學(xué)習(xí)尤其是充分而有效的學(xué)習(xí)之于智能的意義與價(jià)值。大模型的表征收斂之所以能夠突破傳統(tǒng)人工智能“大數(shù)據(jù)小任務(wù)”的限制，在于其引入了學(xué)習(xí)機(jī)制。不論是向?qū)ο髮W(xué)習(xí)的復(fù)刻式再現(xiàn)，還是向自我學(xué)習(xí)的反思式改進(jìn)，都是獲取穩(wěn)定知識(shí)的不二途徑。無論是對(duì)人還是對(duì)人工智能，在“智力的獲得是人與外界交流學(xué)習(xí)的結(jié)果”[54]這一點(diǎn)上是相同的。因此，人工智能表征的收斂必然依賴于數(shù)據(jù)的大、算力的強(qiáng)和領(lǐng)域的廣。這意味著人工智能這一“以我們自身的形象創(chuàng)造的、具有智能的人工造物”[55]正在以社會(huì)歷史性的力量拓展我們的認(rèn)知、擴(kuò)展我們的視野、豐富我們的知識(shí)。因此，人工智能大模型的成功，不僅意味著人類獲智的方式得到了拓展，更意味著人類智能必須學(xué)習(xí)新的內(nèi)容，人工智能大模型已然成為人類學(xué)習(xí)必須面對(duì)的客觀對(duì)象。

跨越現(xiàn)統(tǒng)一與高維達(dá)簡潔

大模型的表征收斂意味不同模型通過訓(xùn)練后具有處理數(shù)據(jù)能力的一致性，這對(duì)于當(dāng)今人工智能一直追求的通用化絕對(duì)是一個(gè)利好的進(jìn)展。按照一般的觀點(diǎn)看，這是大模型高度的復(fù)雜性“涌現(xiàn)”出來的智能所致，不過仔細(xì)分析就會(huì)發(fā)現(xiàn)，大模型雖然存在黑箱的解釋難題，但卻以強(qiáng)大的算力實(shí)現(xiàn)了數(shù)據(jù)的高維處理。而大模型本身又是以指令、存儲(chǔ)和自動(dòng)運(yùn)行為基本邏輯，這使得大模型可以在高維中以多模型的轉(zhuǎn)譯來再造真實(shí)、以浸入式讀寫來豐富知識(shí)、以通用化生成來生成現(xiàn)實(shí)。[56]因此，大模型表征收斂顯然不是其處理數(shù)據(jù)維度的收斂性，而是高維達(dá)到的降維的簡潔。一方面，“不要從技術(shù)角度想，從哲學(xué)高度想”[57]大模型的表征收斂，才能夠真實(shí)地把握為什么不同模型表示數(shù)據(jù)的方式愈發(fā)一致。另一方面，大模型的表征收斂本身既是技術(shù)標(biāo)準(zhǔn)和目的之事，更是以技術(shù)方式展示的智能之事。

大模型拼接不同模型，表面上增加了表征收斂的復(fù)雜度，實(shí)質(zhì)上卻通過增加維度的方式實(shí)現(xiàn)了模型類別的跨越。從當(dāng)前人工智能的發(fā)展路徑看，系統(tǒng)的冗余雖有限度，但卻允許增加維度的模型拼接。顯然，這并非表明一個(gè)經(jīng)過系統(tǒng)訓(xùn)練后的模型就能夠直接運(yùn)用于其他模型之中，而是表明不同種類的組合、處理維度的增加并非把系統(tǒng)的表征能力推向發(fā)散的方向，恰恰相反，其反而加強(qiáng)了系統(tǒng)的收斂性。即是說，拼接之后的高維度系統(tǒng)對(duì)于降維之后的對(duì)象而言更具有簡潔性的表征能力。因此，今天的大模型之所以特別依賴于強(qiáng)算力和大數(shù)據(jù)，雖然有通過挖掘數(shù)據(jù)適配更多情形的動(dòng)因，但卻更是為了讓系統(tǒng)能夠獲得高維的處理能力。只有高維度地解析屬性、分析要素和組合特質(zhì)，才能超越對(duì)象特殊屬性泛化成一般屬性的同維度歸納，使系統(tǒng)能夠在對(duì)特征的響應(yīng)中更直接地把握整體，從而生成收斂性的表征能力。或者說，拼接的高維度事實(shí)上是大模型實(shí)現(xiàn)整體知覺的有效方式。一方面，如果沒有拼接的高維度，表達(dá)為數(shù)據(jù)的實(shí)體或經(jīng)驗(yàn)不可能構(gòu)成表征收斂的存在規(guī)定性，大模型也不可能具有跨越的靈活性；另一方面，拼接雖然并非直接運(yùn)用格式塔的接近律、相似律和連續(xù)律來實(shí)現(xiàn)模型的跨越，但是卻真正體現(xiàn)了大模型在設(shè)計(jì)中運(yùn)用了人類認(rèn)知的一般結(jié)構(gòu)。正如“人體解剖對(duì)于猴體解剖是一把鑰匙”[58]一樣，如此而來的大模型也就自然獲得了跨越的形而上學(xué)根據(jù)；再一方面，大模型正是通過拼接獲得了類整體知覺的表征結(jié)構(gòu)。雖然其有邏輯推理的根據(jù)，但卻是由高維度的數(shù)據(jù)挖掘來保障。大模型的拼接事實(shí)上構(gòu)造了一條整合以往經(jīng)驗(yàn)的技術(shù)道路，從而為獲得跨越的簡潔奠定了存在論基礎(chǔ)。可以說，大模型的拼接構(gòu)造了一種結(jié)構(gòu)，這種結(jié)構(gòu)既解決了蘊(yùn)涵于數(shù)據(jù)的規(guī)律和特質(zhì)進(jìn)入模型知識(shí)內(nèi)容的道路，使其具有更廣的適應(yīng)性和更好的跨越性，又解決了模型“感知”對(duì)象的廣泛性問題，因?yàn)槠唇拥拇竽Ｐ湍軌驑?gòu)成一種高維度的“看”，同時(shí)這一過程充分實(shí)現(xiàn)了大模型輸入與輸出的簡化原則，即“得出一個(gè)最簡單、最有可能的形象去與刺激模式相匹配”[59]，Sora所引發(fā)的一系列哲學(xué)議題就是最好的證明。

大模型雖然是由數(shù)據(jù)訓(xùn)練出來的系統(tǒng)，但是卻有“可以學(xué)習(xí)感知概念的表征”[60]能力，顯然不是概念基礎(chǔ)的物理再現(xiàn)，而是高維計(jì)算收斂的簡潔智能。大模型是由多層神經(jīng)網(wǎng)絡(luò)構(gòu)成的高維計(jì)算體系，但卻能夠跨越視覺和語言模式，并以線性變換來實(shí)現(xiàn)同一表征的不同表達(dá)。大模型已創(chuàng)造出解決“高維并行計(jì)算”的諸多算法，多處理器協(xié)調(diào)、分布式系統(tǒng)和云計(jì)算等為高維度表征提供了可能。雖然引發(fā)了一直為人詬病的黑箱問題，但是卻以“站得高看得遠(yuǎn)”的隱喻預(yù)示了大模型表征收斂的哲學(xué)意象。其一，高維度計(jì)算的并行響應(yīng)，事實(shí)上和“大腦以并行的方式對(duì)景物的很多不同‘特征’進(jìn)行響應(yīng)，并以以往經(jīng)驗(yàn)為指導(dǎo)，把這些特征組合成一個(gè)有意義的整體”[61]在邏輯上是同構(gòu)的。當(dāng)然這并非簡單地因?yàn)楣杌斯ど窠?jīng)網(wǎng)絡(luò)和碳基生物神經(jīng)網(wǎng)絡(luò)在物理結(jié)構(gòu)上的一致性，而是由于前者在面對(duì)任務(wù)、喚回記憶、跨越類別和泛化結(jié)構(gòu)等領(lǐng)域與后者的一致。或者說，雖然表征收斂直接達(dá)成了大模型和人腦認(rèn)識(shí)能力與成效上的對(duì)齊，但實(shí)質(zhì)上卻是人類建構(gòu)高維結(jié)構(gòu)、統(tǒng)觀降維對(duì)象的一致性。這和人類通過復(fù)雜訓(xùn)練來完成簡單任務(wù)，通過精深專業(yè)而達(dá)到觸類旁通并無二致。其二，大模型的表征收斂是高維的簡單計(jì)算在復(fù)雜函數(shù)約束化下的收斂性問題，高維為多任務(wù)的縮放、多通道的融合和多層面的交互提供了可能，這就從技術(shù)路徑上回避了哥德爾不完全定律對(duì)系統(tǒng)完備性要求的問題。或者說，高維計(jì)算“通過可能的隱性或顯示正則化降低了經(jīng)驗(yàn)對(duì)系統(tǒng)收斂的影響”[62]，使大模型能夠以升維的方式而非構(gòu)造完備系統(tǒng)的方式來解決系統(tǒng)表征原則的收斂性問題。一方面，這符合人類自近代以來注意經(jīng)驗(yàn)形而上學(xué)本質(zhì)的哲學(xué)傳統(tǒng)；另一方面，意味著大模型充分考慮了人類實(shí)踐活動(dòng)中打破既定因果邏輯、開創(chuàng)全新聯(lián)結(jié)的客觀事實(shí)；再一方面，表明高維雖不能完全保證系統(tǒng)降維之后的完備性問題，但卻具有現(xiàn)實(shí)的實(shí)踐有效性。因此，作為邁向通用智能重要成果的大模型的表征收斂，如果是類人智能的“思維”，那么其“是否具有客觀的真理性，這不是一個(gè)理論的問題，而是一個(gè)實(shí)踐的問題”[63]。這也就是為什么在人工智能通用化的過程中，無論是技術(shù)專家還是哲學(xué)學(xué)者，都特別注重用以訓(xùn)練人工智能大模型的原始數(shù)據(jù)的多與廣、真與大的根本原因之所在。因?yàn)閷?duì)于大模型而言，高維的簡潔雖然表現(xiàn)了表征的穩(wěn)定性，但實(shí)質(zhì)上卻意味著在更高的維度上本身有可能形成簡單的透視和簡潔的規(guī)則。

大模型高維達(dá)簡潔的表征收斂，顯然不是對(duì)人腦智能的復(fù)刻，而是人類理智智能對(duì)象化具有的一種能力。因此，大模型推進(jìn)通用智能實(shí)現(xiàn)本身并不意味著創(chuàng)造與人類等量齊觀的認(rèn)知主體，而是再一次推進(jìn)了人類認(rèn)知追求超越的必要性。本質(zhì)上講，大模型的跨越模型呈現(xiàn)的表征的統(tǒng)一性，是借助于高維達(dá)簡潔的泛化來達(dá)成的一種智能模型的通用性。高維計(jì)算能夠在多模態(tài)認(rèn)知、多任務(wù)處理和多層次生成方面幫助模型在其本身的泛化能力與模型結(jié)構(gòu)之間達(dá)到平衡狀態(tài)，否則系統(tǒng)就會(huì)成為停不下來的圖靈機(jī)。一種模態(tài)的數(shù)據(jù)進(jìn)行訓(xùn)練，另一種模態(tài)的數(shù)據(jù)進(jìn)行測試，再一種模態(tài)的數(shù)據(jù)表達(dá)生成，是常用且有效的技術(shù)開發(fā)方法，這種方法不僅是“檢驗(yàn)?zāi)Ｐ驮诳缒B(tài)特征學(xué)習(xí)和共享表示學(xué)習(xí)方面的能力”[64]的重要方式，更能夠呈現(xiàn)模型本身跨越能力的關(guān)鍵。因?yàn)椋挥懈呔S計(jì)算才有可能挖掘出跨數(shù)據(jù)、跨模態(tài)和跨模型的邏輯結(jié)構(gòu)，才能使大模型形成的判斷知識(shí)體系、生成對(duì)象的邏輯原則和處理對(duì)象的思維鏈條表現(xiàn)收斂性，成為具有公理的表征能力。[65]通觀大模型表征收斂跨越并實(shí)現(xiàn)統(tǒng)一的上述邏輯，可以發(fā)現(xiàn)這樣一個(gè)事實(shí)，即人類對(duì)智能本質(zhì)的理解、對(duì)思維邏輯的分析、對(duì)物質(zhì)力量的調(diào)用所構(gòu)成的高階自動(dòng)化體系能夠獲得類人的智能。顯然，這并非物自發(fā)獲得了智能，也不是人類創(chuàng)造出來了跨越物種奇點(diǎn)論的全新主體，更不是“圖靈人”[66]必將成為人類未來宿命的暗示，而是現(xiàn)實(shí)性地說明在人工智能時(shí)代探討智能一直在途中。大模型的表征收斂作為人類自我認(rèn)知旅途中創(chuàng)造出來的映射自我形象的存在，雖然存在著“數(shù)字的普遍理性”鄙夷受生物限定性的人之理智能力的可能，但卻永遠(yuǎn)不可能理解也無法達(dá)到人類從高維降維和從低維升維的心智能力和歷史理性。因?yàn)椋ㄓ腥祟愔悄懿庞斜帧案呔S即智能”的實(shí)踐智慧。

結(jié)論

誠如《三體》中所說，“基礎(chǔ)理論決定一切”[67]，“柏拉圖式的表征假設(shè)”[68]決定了大模型表征必然收斂。這與其說是技術(shù)專家在為技術(shù)發(fā)展趨向?qū)で笮味蠈W(xué)的根基，倒不如說需要對(duì)人工智能自身的發(fā)展和特質(zhì)進(jìn)行深入的哲學(xué)探討。雖然人工智能表征收斂體現(xiàn)出強(qiáng)大的功能，不僅使其成為創(chuàng)造知識(shí)的高階自動(dòng)化體系，而且使得人工智能生產(chǎn)知識(shí)的邏輯也成為今天知識(shí)的內(nèi)容。但這顯然不是人工智能這一被人創(chuàng)造出來的系統(tǒng)獲得主體感知力和實(shí)踐創(chuàng)造力所致，而是人類一般知識(shí)對(duì)象化、自動(dòng)化的社會(huì)歷史成就。因此，大模型的表征收斂顯然不是智能機(jī)器獲得獨(dú)立認(rèn)知的成功，而是人認(rèn)知對(duì)象、探尋自我和驅(qū)動(dòng)對(duì)象的巨大成功。人工智能大模型的表征收斂本質(zhì)上是以技術(shù)邏輯表達(dá)哲學(xué)敘事：其一，數(shù)據(jù)記錄了類人實(shí)踐的邏輯，大模型以表征收斂的方式呈現(xiàn)了實(shí)踐的穩(wěn)定性、認(rèn)知的過程性和存在的一致性。因此，大模型雖然對(duì)于人類當(dāng)下的理論而言還是黑箱，但卻是人類認(rèn)知挖掘能力的延伸。這樣的延伸雖然并不直觀，但并沒有超越人對(duì)象化認(rèn)知能力、升華認(rèn)知經(jīng)驗(yàn)和創(chuàng)新認(rèn)知范式的范疇。其二，大模型以人類生產(chǎn)的數(shù)據(jù)和系統(tǒng)生成的數(shù)據(jù)為學(xué)習(xí)對(duì)象，不僅以表征收斂的方式刻畫了數(shù)據(jù)描述對(duì)象的能力，而且還生成了生產(chǎn)數(shù)據(jù)的能力，并且體現(xiàn)出了結(jié)構(gòu)的創(chuàng)新性、預(yù)測的有效性和學(xué)習(xí)的深入性。因此，大模型通過深度學(xué)習(xí)達(dá)致的表征收斂，本身指向的是社會(huì)歷史性和人性的穩(wěn)定性，人類通過大模型不斷擴(kuò)展自我的學(xué)習(xí)能力本身并沒有止境，人總是在奔向真理的途中。其三，大模型不僅能夠跨越數(shù)據(jù)，而且能夠跨越模型的收斂性，顯然不是模型必將走向單一所致，也并非是對(duì)通用智能必將取代人類智能的預(yù)言，而是以大模型表征出來的人類智能的靈活性、發(fā)展性和歷史性。因此，大模型以技術(shù)邏輯的哲學(xué)敘事表明，人類智能是在高維抽象和降維具體之間達(dá)到的社會(huì)歷史性平衡。人類今天創(chuàng)造了人工智能大模型，明天也許會(huì)創(chuàng)造其他更為智能的社會(huì)歷史性存在，總是走在愈發(fā)智能的途中。

（本文系國家社會(huì)科學(xué)一般項(xiàng)目“馬克思主義哲學(xué)視域中的人工智能奇點(diǎn)論研究”的階段性成果，項(xiàng)目編號(hào)：21BZX002）

注釋

[1][4][6][11][14][30][33][34][36][41][49][52][62][68]H. Minyoung et al.， The Platonic Represtation Hypothesis， https：//arxiv.org/abs/2405.07987.

[2]涂良川：《人工智能“無生命之生命化”技術(shù)敘事的歷史唯物主義審視——再論人工智能奇點(diǎn)論的哲學(xué)追問》，《學(xué)術(shù)交流》，2023年第12期。

[3][5][16][26][28][29][48][50]約瑟夫·希發(fā)基思：《理解和改變世界》，唐杰、阮南捷譯，北京：中信出版社，2023年，第114、87、85、113、113、117、19、27頁。

[7][13][63]《馬克思恩格斯選集》第1卷，北京：人民出版社，2012年，第134、669、134頁。

[8]瑪格麗特·博登：《AI：人工智能的本質(zhì)與未來》，孫詩惠譯，北京：中國人民大學(xué)出版社，2017年，第829頁。

[9]呂其鎂、涂良川：《“圖靈測試”技術(shù)敘事的哲學(xué)追問》，《哲學(xué)動(dòng)態(tài)》，2023年第3期。

[10][15]派利夏恩：《計(jì)算與認(rèn)知——認(rèn)知科學(xué)的基礎(chǔ)》，任曉明、王左立譯，北京：中國人民大學(xué)出版社，2007年，第28、27頁。

[12]梅瑞狄斯·布魯薩德：《人工不智能：計(jì)算機(jī)如何誤解世界》，陳少蕓譯，北京：中信出版社，2021年，第23頁。

[17]王天恩：《大數(shù)據(jù)和創(chuàng)構(gòu)認(rèn)識(shí)論》，《上海大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版）》，2021年第1期。

[18][19][20]Y. Bansal， P. Nakkiran， B. Barak， "Revisiting Model Stitching to Compare Neural Representations，" Advances in Neural

Information Processing Systems， 2021， pp. 225–236.

[21][22][42]斯拉沃熱·齊澤克：《連線大腦里的黑格爾》，朱羽譯，西安：西北大學(xué)出版社，2023年，第9、9、215頁。

[23][56]涂良川：《Sora“抽象—具象”生成邏輯的真理觀敘事》，《思想理論教育》，2024年第5期。

[24]D. L. Yamins et al.， "Performance-Optimized Hierarchical Models Predict Neural Responses in Higher Visual Cortex，" Proceedings of the National Academy of Sciences， 2014， pp. 8619–8624.

[25][27]大衛(wèi)·查默斯：《現(xiàn)實(shí)＋：每個(gè)虛擬世界都是一個(gè)新的現(xiàn)實(shí)》，熊祥譯，北京：中信出版社，2023年，第185頁。

[31]A. Dravid et al.， "Rosetta Neurons： Mining the Common Units in a Model Zoo，" In Proceedings of the IEEE/CVF International Conference on Computer Vision， 2023， pp. 1934–1943.

[32][54]楊立昆：《科學(xué)之路：人、機(jī)器與未來》，李皓、馬躍譯，北京：中信出版社，2021年。

[35][38]宋冰編著，《智能與智慧：人工智能遇見中國哲學(xué)家》，北京：中信出版社，2020年，第42、43頁。

[37]伊恩·古德費(fèi)洛、約書亞·本吉奧、亞倫·庫維爾：《深度學(xué)習(xí)》，趙申劍等譯，北京：人民郵電出版社，2017年，第3頁。

[39][51]特倫斯·謝諾夫斯基：《深度學(xué)習(xí)》，姜悅兵譯，北京：中信出版社，2019年，第4、114頁。

[40]涂良川：《馬克思?xì)v史唯物主義視閾中的人工智能奇點(diǎn)論》，《東北師大學(xué)報(bào)（哲學(xué)社會(huì)科學(xué)版）》，2020年第1期。

[43]《馬克思恩格斯全集》第31卷，北京：人民出版社，1998年，第102頁。

[44]S. ?i?ek， Artificial Idiocy， Project Syndicate， 23 March 2023， https：//www.project-syndicate.org/commentary/ai-chatbots-naive-idiots-no-sense-of-irony-by-slavoj-zizek-2023-03.

[45]涂良川：《深度學(xué)習(xí)追問學(xué)習(xí)本質(zhì)的哲學(xué)敘事》，《學(xué)術(shù)交流》，2022年第11期。

[46]熊明輝：《多維考察ChatGPT》，《中國社會(huì)科學(xué)報(bào)》，2023年3月6日，第5版。

[47]安迪·克拉克：《預(yù)測算法：具身智能如何應(yīng)對(duì)不確定性》，劉林澍譯，北京：機(jī)械工業(yè)出版社，2020年。

[53]高新民、付東鵬：《意向性與人工智能》，北京：中國社會(huì)科學(xué)出版社，2014年，第457頁。

[55]喬治·扎卡達(dá)基斯：《人類的終極命運(yùn)》，陳朝譯，北京：中信出版社，2017年，第288頁。

[57]劉慈欣：《三體III》，重慶出版社，2010年。

[58]uolVAHkVH1lWwWc6cNVYfA==《馬克思恩格斯全集》第30卷，北京：人民出版社，1995年，第47頁。

[59]周昌樂：《將“芯”比心：“機(jī)”智過人了嗎？》，杭州：浙江大學(xué)出版社，2024年，第22頁。

[60]J. Ngo， and Y. Kim， "What Do Language Models Hear？ Probing for Auditory Representations in Language Models，" arXiv， 2024.

[61]弗朗西斯·克里克：《驚人的假說——靈魂的科學(xué)探索》，汪云九等譯，長沙：湖南科學(xué)技術(shù)出版社，2001年，第36頁。

[64]J. Ngiam et al.， "Multimodal Deep Learning，" Proceedings of the 28th International Conference on Machine Learning （ICML–11）， Stanford University， 2011.

[65]吳靜：《“世界模擬”的擬像迷思——基于通用視覺大模型技術(shù)的哲學(xué)反思》，《南通大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版）》，2024年第3期。

[66]尼爾·波斯曼：《技術(shù)壟斷：文化向技術(shù)投降》，何道寬譯，北京：中信出版社，2019年，第121頁。

[67]劉慈欣：《三體II》，重慶出版社，2008年。

責(zé) 編∕楊 柳 美 編∕梁麗琛