引言

Alva No? 目前是加州大學(xué)伯克利分校的哲學(xué)教授。他的研究領(lǐng)域集中在認(rèn)知科學(xué)、分析哲學(xué)的起源、現(xiàn)象學(xué)、心智哲學(xué)、藝術(shù)理論、感知理論和維特根斯坦。

思想和評論

在科學(xué)領(lǐng)域，還原論（reductionism）的意思是發(fā)現(xiàn)復(fù)雜現(xiàn)象之下的機(jī)制，一種可能的方法是將其約簡成更簡單的組分。這種方法是很多已經(jīng)發(fā)展成熟的研究領(lǐng)域的基礎(chǔ)，比如經(jīng)典力學(xué)、化學(xué)等。比如在認(rèn)知科學(xué)背景中，我們可以通過研究神經(jīng)元的生物學(xué)機(jī)制來發(fā)現(xiàn)認(rèn)知的奧秘。在工程領(lǐng)域，當(dāng)前最佳的深度學(xué)習(xí)也受到了神經(jīng)科學(xué)發(fā)現(xiàn)的啟發(fā)。

但是，No? 提出目前使用還原論方法來進(jìn)行的神經(jīng)科學(xué)研究遠(yuǎn)遠(yuǎn)不能理解我們意識背后的原理。在我看來，還原論也遠(yuǎn)不足以構(gòu)建出真正的人工意識機(jī)器。

他對意識的起源持有一種“行為性（enactive）”的看法，他也特別討論了視覺意識，幾十年來他一直都在積極研究這一主題。他的書 [1] 中談到，視覺意識應(yīng)當(dāng)源自與周圍環(huán)境的交互，而不是某種直接在我們的大腦中發(fā)生的作為單向視覺流的東西。因?yàn)樗鼰o法解決主觀視覺意識從客觀的電子和化學(xué)信號中產(chǎn)生的方式，所以我們必須將人腦和身體的不同部分視為一個(gè)整體，因?yàn)樗鼈円黄鸩拍茏屓藫碛幸曈X體驗(yàn)。類似地，當(dāng)前最佳的深度學(xué)習(xí)方法也不足以解決視覺意識的奧秘，更不要說發(fā)展出人工意識了。

大腦的模塊化理論已經(jīng)被大眾廣為接受，該理論宣稱大腦的不同部分負(fù)責(zé)不同的任務(wù)。比如，視覺系統(tǒng)負(fù)責(zé)視覺感知，運(yùn)動(dòng)區(qū)域負(fù)責(zé)動(dòng)作。我們在日常生活中也常常無意識地提到這一思想，比如某人可能會(huì)說“那家伙腦子里負(fù)責(zé)看東西的地方壞掉了吧？”在這個(gè)句子中，人們假設(shè)大腦里有一個(gè)區(qū)域是負(fù)責(zé)看東西的，而不會(huì)做其它事。但是，正如 No? 提到的 Hubel 和 Wiesel 案例（這是他們的一項(xiàng)后續(xù)研究），研究者發(fā)現(xiàn)“兩個(gè)視覺流”中的背流（dorsal stream）實(shí)際上提供的是與視覺輸入?yún)f(xié)調(diào)的動(dòng)作的轉(zhuǎn)換。另一方面，視覺系統(tǒng)（以及其它的感知）不可能是獨(dú)立的，還依賴于身體的運(yùn)動(dòng)和指引 [2]。

但是，回頭看看當(dāng)前的 AI 應(yīng)用，比如自動(dòng)駕駛汽車、Facebook 自動(dòng)推薦或圖像識別，它們都遵循簡單的輸入輸出映射模式；即 AI 算法會(huì)學(xué)習(xí)并嘗試尋找輸入和最優(yōu)輸出之間的最佳映射函數(shù)。在深度卷積神經(jīng)網(wǎng)絡(luò)中，分類和感知都是作為同一網(wǎng)絡(luò)的一部分而訓(xùn)練的。當(dāng)訓(xùn)練足夠時(shí)，這些網(wǎng)絡(luò)能夠?qū)ⅲ?zhǔn)）符號表征（目標(biāo)類別）與相機(jī)感知到的圖像像素鏈接起來。如果我們使用 CNN 構(gòu)建一個(gè)人工智能體（比如機(jī)器人），那么符號表征就永遠(yuǎn)不會(huì)為該人工智能體本身提供任何意義?！胺选被颉盎@球”究竟是什么？它們有相似的外形，但它們能為人工智能體做什么？所以 CNN 網(wǎng)絡(luò)也是一種單一的模塊網(wǎng)絡(luò)，只能處理視覺信息。如果我們想要構(gòu)建對這兩個(gè)目標(biāo)的視覺意識，No? 的觀點(diǎn)是：只有當(dāng)人工智能體理解視覺目標(biāo)所處的真實(shí)世界的形境（context）時(shí)，這些符號表征才具有意義。

另外，還出現(xiàn)了 AlphaGo，盡管它沒有實(shí)際的身體，但它還是擊敗了世界冠軍。盡管強(qiáng)化學(xué)習(xí)本身是一種通過物理交互探索外部世界的出色方法，但不幸的是 AlphaGo 中的深度強(qiáng)化學(xué)習(xí)僅被用于探索圍棋的最優(yōu)下法。因此，根據(jù) No? 的觀點(diǎn)（本文作者也同意），這不過就是一個(gè)桌面計(jì)算器。強(qiáng)化學(xué)習(xí)算法是一種優(yōu)良的工具，讓我們可以通過我們的行為探索世界，并由此發(fā)展出感知意識。AlphaGo 本身只是先進(jìn)強(qiáng)化學(xué)習(xí)算法的一個(gè)優(yōu)良測試平臺，但卻沒有身體，無法通過感知和動(dòng)作來探索世界，它永遠(yuǎn)無法理解圍棋的每一步的意義。

根據(jù) No? 的感覺運(yùn)動(dòng)偶然性理論（sensorimotor contingency theory），我們應(yīng)該從整體角度理解我們的大腦，而不是將其理解成分離的。比如，感知和動(dòng)作有類似定律的規(guī)律，不能被分開。我們的運(yùn)動(dòng)動(dòng)作的影響會(huì)導(dǎo)致感知世界發(fā)生改變，而且我們的這些行動(dòng)也能幫助我們真正了解我們感知的是什么物體。簡而言之，我們會(huì)通過采取行動(dòng)來為自己提供更好的感知，這能提升我們對世界的理解，然后提升我們采取行動(dòng)的能力。通過構(gòu)建這些感覺運(yùn)動(dòng)技能，我們得到了理解世界中的事物和規(guī)律的智能。然而，目前當(dāng)前最佳的 AI 還缺乏這樣的能力。

因此，在理想情況下，也許我們可以構(gòu)建一個(gè)嘗試接住飛來的籃球和測試番茄柔軟度的機(jī)器人，以便其真正理解（即有視覺意識地理解）番茄和籃球之間究竟有何不同。

Alva No? 的原始文章

如果你停下來思考一下，你能通過一個(gè)復(fù)雜系統(tǒng)中某些部分的詳細(xì)描述來理解該系統(tǒng)，這個(gè)想法實(shí)際上是很不切實(shí)際的。

如果你只關(guān)注單個(gè)鳥的內(nèi)部情況，你不太可能非常了解鳥群行為組織的原則。而且你也不太可能通過研究羽毛的性質(zhì)來搞清楚鳥飛行的方式。

第二個(gè)例子來自視覺科學(xué)先驅(qū) David Marr，并且他也在拒絕視覺理論的神經(jīng)還原論的背景中推進(jìn)了它。為了理解我們觀看事物的方式，他相信需要思考動(dòng)物在觀察事物時(shí)所采取的行動(dòng)。視覺的任務(wù)是什么？視覺是為了什么？只有在那時(shí)，有了在動(dòng)物及其需求和興趣層面的現(xiàn)象的描述，我們才能問：我們（或自然）可能怎樣構(gòu)建出能夠執(zhí)行或?qū)崿F(xiàn)這一功能的機(jī)器或動(dòng)物？而且只有到那時(shí)候我們才能去了解：單個(gè)的腦細(xì)胞有怎樣的貢獻(xiàn)來實(shí)現(xiàn)這樣的整體成果？它們會(huì)不會(huì)無法做出這樣的貢獻(xiàn)？

有意思的是，Marr 的著作發(fā)表之時(shí)，David Hubel 和 Thorsten Wiesel 剛好也因他們在哺乳動(dòng)物視覺系統(tǒng)中的信息處理的研究成果獲得了諾貝爾獎(jiǎng)?；趲状茖W(xué)家的研究成果，他們發(fā)現(xiàn)了貓和猴的細(xì)胞的感受野（receptive field）。用非專業(yè)術(shù)語說，他們發(fā)現(xiàn)不同細(xì)胞會(huì)被調(diào)整到對單一一種刺激的響應(yīng)更好（比如線、條紋、運(yùn)動(dòng)）。他們沒有提出也沒有回答一個(gè)隱約顯現(xiàn)的問題：單個(gè)神經(jīng)元構(gòu)成的回路何以創(chuàng)造出有意識的視覺體驗(yàn)？這個(gè)問題有一個(gè)答案——某種版本的還原論思想；可能不僅 Hubel 和 Wiesel 想當(dāng)然地采用這一思想，而且那些評估他們的研究是否值得科學(xué)領(lǐng)域最高獎(jiǎng)項(xiàng)的科學(xué)家也想當(dāng)然地采納了這一思想。

事實(shí)上，我們?nèi)匀徊涣私獯竽X中的視覺意識是如何產(chǎn)生的。而且我們可以回到 Marr 的書，了解一下可能的原因是什么。我們根本就不能通過了解單個(gè)細(xì)胞的運(yùn)作來理解整體（不只是大腦，而是整個(gè)生物體）的情況。在將感受野用于理解或解釋任何事情之前，還有許多概念性的工作要做。

我和其他人已經(jīng)探討過這個(gè)問題一段時(shí)間了，但對大眾的認(rèn)知還沒有產(chǎn)生什么明顯影響?，F(xiàn)在有“大腦年”、“大腦的十年”、“連接組計(jì)劃”、“腦計(jì)劃”等等。所以出現(xiàn)了一個(gè)值得提及的事件——也許是一個(gè)真正具有歷史意義的事件：一組來自世界各地的頂尖神經(jīng)科學(xué)家聚首一處在《Neuron》期刊上發(fā)表了一篇意見文章（doi: 10.1016/j.neuron.2016.12.041）：呼吁神經(jīng)科學(xué)“糾正還原論的偏錯(cuò)”并擁抱“更多元化的神經(jīng)科學(xué)”。

記得嗎？Hubel 和 Wiesel 因在貓和猴大腦上的單細(xì)胞電極研究而獲得了諾貝爾獎(jiǎng)。那時(shí)候可用的僅有的另一種研究大腦的工具是尸檢。自那以后，研究活著的人類和其它動(dòng)物的大腦的技術(shù)和方法經(jīng)過了爆炸式的發(fā)展，出現(xiàn)了 fMRI、PET 和其它成像工具，甚至還有更新的基因操作技術(shù)和個(gè)體發(fā)生回路控制（ontogenetic circuit control）。將這些新的發(fā)現(xiàn)技術(shù)與大數(shù)據(jù)和越來越高的計(jì)算能力結(jié)合起來，卻讓研究進(jìn)入了理論或解釋性的死胡同。更多信息并不意味著更多知識。無法被理解的數(shù)據(jù)就只是噪聲而已。實(shí)際上，這比噪聲還糟糕。這是偽裝成見解的噪聲。

每個(gè)人都知道無法在單個(gè)細(xì)胞中找到意識。但現(xiàn)在我們有工具可以從時(shí)間和空間上建模分布式的細(xì)胞群。我們當(dāng)然可以在這些更大的集群中找到心智的核心！在我們知道問題是什么之前，我們不太可能發(fā)現(xiàn)任何東西。（或者我們會(huì)發(fā)現(xiàn)某些東西，但毫無頭緒那是什么，就像哥倫布到達(dá)美洲時(shí)，他認(rèn)為他到了印度。我舉這個(gè)例子是因?yàn)?Hubel 在 1981 年的諾貝爾獎(jiǎng)獲獎(jiǎng)辭中將他與 Wiesel 的研究比作是哥倫布的探索。）

在《Neuron》上發(fā)表那篇文章的 John Krakauer 等人并不是悲觀主義者——并不比 Marr 更悲觀。他們提到，要理解人類心智或非人類動(dòng)物的心智，我們需要研究大腦之外的情況，去了解動(dòng)物的行為，也就是動(dòng)物生活和行為的方式、面臨的問題、所處的環(huán)境等。這不僅僅是分子生物學(xué)的問題，而是整個(gè)生物學(xué)的問題；這不僅僅涉及神經(jīng)活動(dòng)，也關(guān)乎認(rèn)知和意識。在我們仔細(xì)研究行為之前，我們將無法理解大腦實(shí)現(xiàn)心智的方式。

哲學(xué)不是也從未成為過哲學(xué)家的認(rèn)知屬性。科學(xué)需要哲學(xué)，不僅是科學(xué)家應(yīng)該關(guān)注哲學(xué)家的工作，而且甚至更重要的是至少有些時(shí)候（也許是出現(xiàn)危機(jī)的時(shí)候）需要科學(xué)家來研究哲學(xué)。他們需要自己去質(zhì)疑他們的預(yù)設(shè)前提以及做困難的概念塑造工作，以為他們自己設(shè)定更可靠的基礎(chǔ)。我很贊賞這些科學(xué)家對價(jià)值的理解——為了他們的科學(xué)研究，他們需要設(shè)定框架以及為他們的研究方法設(shè)定更好的背景。

科學(xué)從來都不只是信息或數(shù)據(jù)?？茖W(xué)的目標(biāo)是理解，是知識。通過呼吁拒絕想法簡單的還原論以及鼓勵(lì)腦科學(xué)家思考理解生物體與其周遭環(huán)境和生物體內(nèi)部情況之間的關(guān)系，這些神經(jīng)科學(xué)家能在建立適當(dāng)?shù)恼J(rèn)知和意識神經(jīng)科學(xué)方面邁出重要的一步。