认知科学的几个基础理论问题-智能科学

认知科学的几个基础假设

刘晓力

一、认知科学概况

认知科学是以研究人类认知过程、智能和智能系统、大脑和心灵内在运行机制的一门学科。20世纪70年代(50年代？)兴起，是心理学、语言学、神经生理学、计算机科学、哲学和人类学的交叉学科。

认知科学不同的研究进路

认知科学依据不同的问题领域和研究方法划分为不同的研究进路

心理学进路

语言学进路

生物物理学进路

神经生理学进路

人工智能进路

广义进化论进路

复杂性科学进路

认知科学的起源

认知科学起源于不同学科领域，特别是：

图灵机概念的产生

人工智能研究的兴起

心灵哲学中以普特南（H.Putnam）和福多（J.Fodor）为代表的“功能主义”理论的确立

心理学和语言学乔姆斯基（A.N.Chomsky）等反对激进行为主义的“认知革命” .

认知科学所引发的一些基础问题成为20-21世纪之交涉及领域广泛、争论最为激烈的世界性的科学和哲学的热点问题。认知科学不同的研究进路，决定了关于它的哲学观上的巨大分歧和各种研究范式的激烈竞争。

二、认知科学的几个基础假设

D.Kirsh （1991）提出认知科学（人工智能）的五大问题

1）知识和概念化是人工智能的核心吗？

2）认知能力及其所预设的知识能否脱离其有机体进行研究？

3）认知的知识形态或信息形态的轨迹是否可用类自然语言描述？

4）学习能否与认知相分离加以研究？

5）是否有对于所有认知的统一结构？

这些问题最重要的是我们对于心灵哲学中的三个方面问题的困惑和困难

1、意向性问题

2、意识问题

3. 心灵是否是涉身的？

Mark Johnson总结30年来认知科学的成就对传统哲学的挑战时说，认知科学的三大发现是：心灵本质上是涉身的；

思想大部分是无意识的；

抽象概念大多是隐喻的。

70年代以前认知科学主要是基于理性主义的符号运算传统。

70年代以后，许多人认为，“理性绝不是宇宙的先验特征，理性也不是与身体无关的人类心灵的先验特征。心灵依赖于身体的生理结构，是由人的身体的特殊性质，由人脑的神经结构的特殊细节，由我们在世界中的日常举止的特殊情况塑造的，理性、心灵、概念、推理、思维等都是涉身的。”

三．人工智能的基本信念及认知科学的基础假设

人工智能的基本信念

（1）认知和智能活动是信息处理过程。

（2）人工系统可模拟生命和智能过程。

（3）通过研究虚拟世界各类人工智能的详情可以把握真实世界人类认知和智能的基本性质。（4）虚拟世界与真实世界具有同样的实在性。

这些信念事实上基于认知科学如下一些基本假设

1）功能主义假说

功能主义是认知科学的最基本的假定。

心理学“认知革命”的结果是诞生了认知心理学，即心理学的信息处理理论。把智能有机体视作接收、存储和处理信息的信息处理系统。认知是信息加工的过程或计算过程。

普特南（ H. Putnam ）对功能主义的标准表述：人类心理状态就是大脑的计算状态，要理解心理状态就必须进行抽象，就像我们在编程或使用计算机时，对硬件进行抽象一样，心理状态就像软件（普特南1观点1960’s ）。计算机隐喻是功能主义的基本隐喻。

塞尔对功能主义的描述：心智之于大脑，如同程序之于硬件，因此即使不研究神经生理学，也能研究心智。程序是至关重要的，与它在计算机中的实现毫不相干，心智的功能与载体无关。

随着后来联结主义的兴起和发展，功能主义的计算机隐喻面临着一定的挑战，甚至普特南后期也放弃了早期的功能主义的普特南?观点：“人脑是否能被模型化为计算机这一问题远远悬而未决，但我不再坚持心理状态与计算状态同构的思想了”。

2）物理系统符号假设

物理系统符号假设是纽厄尔（Newell）和西蒙（Simon）1976年提出的理解人类认知行为的计算主义形式化认知模型，为此提供理论基础和进一步阐释的有Chomsky, Minsky, Fodor and Pylyshyn等.

认知科学的先驱纽厄尔（A.Newll）和西蒙（H.A.Simon）曾乐观地宣称：“作为一般的智能行为，物理符号系统具有的计算手段既是必要的也是充分的”。“所有人类认知和智能活动经编码成为符号，都可以通过计算机进行模拟”。

一个物理符号系统有两个特点：（1）遵从物理定律，可以由任何可能的物理机体——如人脑或计算机——来实现的系统。（2）不局限于人的符号系统，任何可以为认知器官或认知功能分辨的有意义的模式都可以归入符号系统。

物理符号包括印刷文字、光波、声波符号，计算机构造系统，人的神经系统，大脑的神经元等。

一个完善的物理符号包括：输入符号，输出符号，存储符号，复制符号，建立符号结构，条件性迁移。

符号主义范式

在物理系统符号假设下，诞生了认知科学中的符号主义研究范式，而且至今这一研究范式仍然具有生命力，同时也产生了许多难以克服的困难。

符号主义采用经典一阶逻辑工具，寻求知识的符号表征和计算，特点是自上而下。

这一假设受到来自联结主义和动力系统理论和整体论的挑战。

3）联结主义假设

联结主义受大脑神经网络研究的启发。80年代以来，随着不依赖于大脑研究认知和心智的功能主义在理论上困境的加深，开始掀起认知神经科学研究，以人工神经网络、计算神经科学、神经计算等名义实践着联结主义思想。

联结主义的核心是，认知和智能是从大量单一处理单元的相互作用中产生的。核心概念是“并行分布式信息处理”。

目前普遍认可的大脑的功能和特征有：

大脑是一个神经元联接的巨型复杂系统。

大脑神经元个数大约是1012 ，其不同的联结方式至少有6×1013种以上。

大脑中的信息处理建立在大规模并行计算的基础上。

大脑具有很强的容错能力和联想能力，而且善于概括、类比、推广。

大脑功能虽然受先天因素制约，但后天的经历、学习、训练和文化环境作用等起重要作用。大脑具有很强的自组织和自适应的特性。

联结主义范式

从1943年麦克洛克和皮兹的《神经活动中内在观念的逻辑运算》到1986年鲁梅哈特和麦克莱兰德《并行分布处理：认知的微观结构》出版，经历40年联结主义在20世纪80年代重新复兴，成为继符号主义之后真正有竞争力的认知科学研究范式。联结主义是要模拟发生在人类神经系统中的认知过程，不同于符号主义之处在于强调，“构架至关重要”。

它的特征是自下而上的：

内在并行性

分布式信息存储

容错性

自适应性（通过学习）

4．行为主义

自1925年华生提出“行为主义心理学”，建立了“刺激-反应”的心智解释模式，否定人类心灵的存在。

新行为主义者引入“中介变量”概念，将“刺激-反应” 模式发展为“刺激-中介变量-反应”模式，用行为与刺激、行为与环境之间的函数关系来体现和解释心智的内在存在。

新激进行为主义更强调行为、环境、心智三者互动的解释原则。

认知科学中的行为主义吸收新行为主义思想，认为心智是可以信息加工的，心智表现为认知行为，而行为不是有机体对刺激的单一的反应，而是表现为高度整合的功能，心智在与环境的作用中得到进化。

纳金斯强调世界是一个和谐不可分割的整体，人类行为的核心在于考察行为主体与环境之间的

函数关系，这种关系涉及行为主体、行为环境和行为结果。

托尔曼认为，有目的的行为是利用环境作为手段和方法的。产生行为的环境是一个充满各种途径、工具、障碍的环境。有机体为了达到目的，必须把途径、工具、障碍等作为中介，与之进行特殊形式的交流。

动物和人类对于中介的“手段-对象”具有选择性，使有目的的认知具有“认知色彩”，有机体的认知选择性通过整体行为的“符号-格式塔”学习，建立起“认知地图”。

行为主义在人工智能中的体现是控制论、自动机理论模型、遗传算法、人工生命和自主机器人的研究。因为行为主义适合解决环境交互型运动控制问题。

例如，布鲁克斯认为，人工智能应当强调现场化、实体化、智能化和突现性。在机器人在进行认知活动时，一种行为结构可以包容或控制另一行为的结构。

布鲁克斯（R.Brooks）基于行为的机器人研究

布鲁克斯宣称，将建造一种完全自动的、能动的行为者（创造物），它们与人类共存于世界上，并被人类认可是有自己权利的智能存在。创造物在它的动力环境中必须以随机应变的方式恰当处理问题。它们应有多种目标，能适应环境，也能利用偶发环境。方案是把复杂系统分解为部分建造，再连接到复杂系统中。

在他设计的机器人中，控制不同层次直接与环境作用，因此他宣称根本不需要表征。

早期的艾仑（Allen）会沿墙走、识别门口。

后来赫伯特（Herbert）可躲避障碍物，拾起饮料罐。

格根斯（Genghis）有6条可独立控制的腿，它可以利用感应器监控信息，产生新行为。遇到障碍拾时，表现出自主学习和适应的能力。

还研制了有更强功能的阿提拉（Attila）和有类似人的外貌的机器人考格（Cog）。

5.动力系统理论（dynamical systems theory）假设

动力系统理论是运用复杂性思想将人类认知过程和智能行为看作复杂的动力系统，用微分方程来表达，其核心概念是“吸引子”。动力系统理论期望对认知功能提供不同于符号主义和联结主义的新解释，认为这种理论是对人类认知的最好的描述。并且主张有可能代替符号主义和联结主义范式，成为第三种新的认知科学范式。

6．非还原的物理主义假设

狭义的物理主义是指20世纪30年代维也纳学派提出的以物理语言统一科学的主张（Carnap）；

广义的物理主义是一种科学还原的理论主张，主张从物理层次上对所有现象做出彻底的说明。认知科学中的物理主义认为，“每个心理过程在大脑中都有一个平行的物理过程，心理对象的每个特性都明确地对应于大脑过程的某个物理特性。”

非还原的物理主义是弱化了的物理主义。

认知科学中的非还原的物理主义首先否认精神实体的独立存在，同时，否定将人类认知活动完全用有机体的物理、化学语言描述，否认人类认知活动可以完全还原为大脑神经的生理活动。但斯佩里90年代以前、克里克等持有强物理主义。

从心身类型同一论到功能主义的发展反映了由还原的强物理主义到非还原的弱物理主义的转变。转变过程中，Davidson提出了作为非还原的物理主义基础的心身附随关系思想。

Putnam基于功能主义提出了心理状态多重实现论题。

7.还原论与整体论

四、认知科学的计算主义纲领

在功能主义假设下，目前占据认知科学主流的是认知科学的计算主义纲领。

计算主义纲领的核心是认知的本质是计算。

认为一切认知过程和智能行为都是可计算的。

这一纲领从诞生之日起，就面临着来自各方的挑战。

马尔（D.Marr）的三层次理论

对于研究复杂的信息处理系统，人们已经普遍接受了马尔的三层次理论，即分为计算理论层、表征与算法层以及实现层。

其中，计算理论层解决的是“处理信息（计算）的目的是什么”、“用什么理论处理”，以及“说明所用理论为什么能达到此目的”等问题。

计算理论层是最基本，也是最困难的。

算法层要对计算理论找到具体的算法，尤其是，输入和输出的表征是什么，转换的算法是什么。实现层是将表征和算法转化为可执行程序。

即使解决了计算理论层和算法层的问题，还有一个实现层的问题，计算是否可实现，还有一个计算的时间复杂性和空间复杂性问题。

如果求解一个问题，需要过量的时间和存储量，即使有算法存在，实际上也是不可解的。

丘奇图灵论题断言，可计算性是不依赖于形式系统的选择的。

所有合理的计算模型都是等价的，即所判定的语言类都是相同的，计算能力是一样强的。

但是，在复杂性理论中，模型的不同选择会影响时间复杂度，在一个模型上线性时间内可计算的问题，在另一个模型上就不一定是线性时间内可计算的。

1. 什么是可计算的，

什么是不可计算的？

可计算的问题就是存在算法可解的问题。

一类问题称为可计算的，即存在算法可解这一类问题中所有的问题。

一类问题不是可计算的，即不存在算法解这类问题中的所有问题。

一系列不可计算问题

1）. 停机问题是不可计算的。

2）. 程序验证问题是不可计算的

3）. 检查一个图灵机是否接受一个给定的输入符号串是不可计算的。

4）. 如下的“波斯特对应问题”是不可计算的。

……

一个重要问题：认知是可计算的吗？

在功能主义假设下，认知科学家的基本任务是探究在人类心智中发生的表征和计算的具体类型、机制和形式。

2.认知可计算主义纲领的核心

认知可计算主义纲领的核心——认知的本质是计算。

其最初的含义是，作为信息处理系统，描述认知和智能活动的基本单元是符号，无论是人脑还是计算机，都是操作、处理符号的形式系统。

1）认知和智能的任何状态都是图灵机的一种状态，认知和智能的任何活动都是图灵意义上的算法可计算的。

2）认知和智能的任何活动都是信息的收集、存储和处理的过程，因此都是算法可计算的。

自20世纪70年代，这一思想上升为统帅认知科学和人工智能的强纲领。

在这一纲领下，认知科学有两种基本工作范式：符号主义、联结主义。这一纲领至今仍有着强大的生命力。

质疑：是走向计算主义？还是一条新的研究进路？

3.对认知可计算主义的质疑

质疑认知可计算主义的几条路线：

哲学路线（现象学、反行为主义……）

生物学和复杂性科学路线（大脑的特异性、意识的自指性……）

计算机技术路线（DNA计算机、量子计算机、其他超越图灵机的各种设想……）

诉诸哥德尔定理

哥德尔不反对用不完全性定理作为推出“人心胜过计算机”的部分证据。

但不完全性定理不能作为“人心胜过计算机”论断的直接证据，要推出如此强硬论断还需要其他假定，例如“理性提出的问题理性都能解答” 。

哥德尔首先严格区分了心（mind）、脑（brain）、计算机（computer）的功能。

人类大脑的功能不过像一台计算机。

心-脑同一论是我们时代的偏见。

心的可计算主义是应当批判的。

假定存在超过人心的机器我们能证明吗？

哥德尔认为，根据第二不完全性定理，不排除存在一台超过人心的计算机的可能，但是，假定有这样的机器，我们或者不知道它的详情，或者不知道它能够如我们期望的那样准确无误工作。为什么？因为我们无法消除内涵悖论（罗马教堂、上帝、机器觉知程序吗？）。

4．复杂性科学的观点

1）大脑结构的复杂性

许多人认为，与现代计算机不同，大脑不是一种通用图灵机，大脑的每一部分都是特异化的，并且是在相互作用中完成整体心智活动的，体现出一种内在的、依存性的、整体自涌现的形式。

协同学领袖哈肯（H.Haken）曾经预言，“从长远的观点看，有希望制造出以自组织方式执行程序的协同计算机来模拟人类智能”。

哈肯在1996年的《大脑工作原理》中，系统阐述了他的脑活动和认知的协同学研究结果。

但事实上，目前，我们除了对大脑神经元及其联接在量级规模方面的复杂性有一些描述外，对其功能的复杂性并没有深刻研究，特别是没有有关复杂性测度的结果。

我们对大脑的功能和运作机制的复杂性仍然很无知。迄今提出的50多种人工神经网络模型，虽然广泛用于模式识别、图象处理、控制和优化、金融预测与管理、通讯等领域，但最大的困

难是，仍然不能解决人的意识问题。

莱道文（Radovan）1997年已经证明，目前的人工神经网络模型的计算能力与用传统符号逻辑方法所得的计算能力没有差别。

2）意识的复杂性

克里克（F.Crick）提出惊人假说：

“现在是可以用科学的方法研究意识的时候了，人的意识和精神活动完全由神经细胞、胶质细胞的行为和构成方式、以及影响它们的原子、离子和分子性质所决定”。完全由物理化学规律支配，果真如此吗？

意识的最重要特征是的它的意向性、自明性，或称自指性，依照彭罗斯的观点，这些特征显然是超越逻辑的，因此是超越目前的算法的。

卡普坦尼（G.Captain）1997年证明，符号逻辑方法不能完全描述意识现象。

依照彭罗斯（R.Penrose）在《皇帝新脑》（1989）和《大脑的影子》（1994）中的说法，目前我们的物理理论，甚至包括量子力学还无法刻画意识的规律，需要一种建立在微管理论基础上的新的量子力学理论。

艾德尔曼（G. M. Adelman）在1998年的《意识的空间》中认为，人的意识和心智活动是动态的达尔文过程，所有行为现象都是由神经细胞活动的时空模式决定的，意识和心智活动无非是大量神经活动中模式选择“胜者为王”的结果。

艾德尔曼强调的恰是意识的自涌现机制，和它的不可计算的特性。

但是，依照遗传算法之父和复杂性科学先驱霍兰（J.H.Holland）在1998年《涌现》一书的说法，我们目前还没有理论和模型能够清楚地表现意识的自涌现的现象。

事实上，我们不但没有理论和模型，甚至还没有这样的人工系统，能显示每个神经元主体与成百上千的通过突触连接的其他神经元主体之间的相互作用。

著名的裂脑研究专家，诺贝尔奖获得者斯佩里（R.W. Sperry）1991年指出：精神和意识是大脑的整体性质。在认知过程中，神经元事件可看成是嵌入在更高层次的因果现象之中。

在大脑活动的因果链中，意识经验以不可还原的突现形式出现在大脑过程的较高层次（认知层次）上。这些突现的心灵实体不仅在认知水平上相互作用，而且，对作为组成成分的神经元的活动实施自上而下的控制。

我们不能再认为，仅靠化学和分子生物学能对大脑功能作出完整的解释。统一的主观意图必定因果地控制每个脑半球的神经元的激发模式。人的包括信仰和价值观念的整个精神系统具有因果效力地控制大脑行为。

3）认知过程的复杂性

霍兰对复杂适应系统（CAS）的研究对认知科学研究提供了非常好的范例。

他提出CAS的4个特征（聚集、非线性、流、多样性）和3个机制（标识、内部模式、积木）

从抽象角度讲，人类认知过程事实上构成了复杂适应系统（CAS）的一个子系统。

由于霍兰的研究基本上是一种描述性的，还有一个寻求一般原理，并进一步数学化的过程，因此仍在探索之中。

关于认知的复杂系统的研究，已经提出了两个模型，B A模型和B C I模型。

关于自相似现象，小世界现象的研究，B A模型发现，自相似的出现与偏好连结的机理有关。

由此有人提出两个设想：

1）复杂系统性质的出现，不完全在于系统的规模，而是在一定的规模下，取决于系统内连接的机理，比如偏好。

2）在一定的规模下，利用连接机理，可以利用模型研究“涌现”等现象，如果对网络的节点赋予一定的含义，那么，从大量的类似事物中能否出现“概念”？

B C I的出现，使很多人认为，在信息处理的意义上，人脑与电脑的本质是一致的。

借用生物脑的知识，对人工智能的发展是十分重要的。

对生物脑的发展起关键作用的进化在某种意义上是适应环境的优化，人工智能是否可以借用？根据B A和B C I的尝试，有人提出：

能否利用复杂系统的“涌现”现象，研究智能中的“创新”、“概念”等问题？

能否利用生物脑的知识改进人工智能，例如，进化对人工智能的作用？

生物脑与人工脑互补，结合工作的可能性？

人——机结合的途径与可能？

4）常识知识结构的复杂性

认知科学目前的最大的难题是语言和常识知识（默会知识、背景知识）问题。

符号主义范式早期在证明几何学定理、弈棋、定理再发现，以及运用逻辑演算和少量现实世界背景知识就可精确控制的一些领域取得了成功。

但是，人们很快认识到，日常生活中要解决的大多数问题无法归入少数几种因素的形式组合。至少机器语言翻译的经验告诉我们，人类认知是与真实世界的大量背景知识相关的（机器翻译要过五道关）。

认知科学工作者试图发明一些解决日常生活实际问题的程序，致力于按照规则的观念阐明必要的背景知识，寻求最小知识系统。

人们猜测，只要抽象出真实世界中那些对于求解问题非常重要的特征，机器就能给出这个抽象世界足够的背景信息，并智能地思考简化了的人工世界中的对象及其关系，从而实现模拟真实世界的目的。

最初的努力是试图建构嵌入机器的“微型世界”，微型世界是对真实世界特征的极大简化。

不幸的是，如休伯特·德莱弗斯（H. Dreyfus）所说，“微型世界不是世界，而是孤立的，缺乏意义的不毛之地，不能指望这样的不毛之地生长出我们日常生活的多彩世界”。

由于上述困难，人们寄希望于从尽量少的知识集合出发，通过形式化手段演绎出整个知识系统。1975至今，开始进入寻求极小常识知识集合的阶段。

极小常识系统有明斯基的“框架”程序和尚克（R. Schank）的“脚本”程序、麦克德莫特（D. McDemott）和多伊尔（J. Doyle）和赖特（R. Reiter）的“非单调逻辑” 、麦卡锡（J. McCarthy）的“化界系统”，以及麦克德莫特的“时态逻辑” 等。

但事实上，这些结果都只能完成某一范围的局域性特定任务，难以真正广泛通用。

最重要的是常识知识结构本身的复杂性我们很少了解。

1985年德克萨斯奥斯丁微电子和计算机中心开始启动的常识知识数据库的重大项目，预计包含上亿条逻辑语句，由于难以摆脱用机器程序处理日常问题所遇到的“组合爆炸”问题，目前仍在艰难进行之中。

5）复杂性和不可计算性

具有复杂性的对象未必是不可计算的

非决定性与不可计算性的区别

是否存在不可计算的认知对象？

彭罗斯说：“这个世界很可能是决定性的，但同时却是不可计算的，这样，未来有可能以一种在原则上不能计算的方式被现在决定”。

五．倡导“认知是图灵算法不可完全的”新理念

认知科学范式的转换已经启示我们，基于规则的“认知可计算主义”纲领的局限性，应当拓展“计算”概念。

因此我们主张建立以“认知是算法不可完全的”理念为基础的研究纲领和研究范式,寻求新的计算模型。超越图灵计算？

例如，自然机制+算法的模式：可以归约为经典图灵机计算层面的问题，就采用算法计算；不能归约为计算层面的问题就引进“自然机制”。

自然机制包括生物学机制和量子物理机制等。

目前有人倡导的“生物学计算”就是一种新的模式。它指的是人工培养的神经元在一个适宜的营养基中进行生物学意义的生长，根据构建系统的计算要求完成定型。

它既不同于作为抽象神经元计算机模型的人工神经网络，也不同于用于解决复杂问题的利用DNA分子的化学性质的DNA计算机，指的是人工培养的神经元，可以进行真正生物学上类似人脑那样的操作。

另一种思路是在神经元集群层面援用量子物理机制对意识局部建模，进行人工意识研究。

可能获得突破的几条路：大脑科学的新进展，生物学进展，人机交互系统，复杂性科学的进展

但是能否像另一批乐观主义者所预期的“以自然为基础的”半人工智能已经走在快车道上，40年之内就能造出堪与人脑相匹敌的智能来，我们拭目以待。