人工智能的语境论范式探析

来源：原载《自然辩证法通讯》2011年第4期 作者：殷杰、董佳蓉

摘要：人工智能的发展历程中贯穿着鲜明的语境论特征，现有的范式理论已无法对人工智能的发展状况做出正确描述，语境论有望成为人工智能理论发展的新范式。语境论范式的最大特征，就是所有问题都围绕语境问题而展开。人工智能中的语境，可分为表征语境和计算语境。建立在现有范式之上的语境论范式，必然以表征语境和计算语境为主要特征。表征语境与计算语境围绕智能模拟的语境问题逐步走向融合，将是语境论范式下人工智能发展的主要趋势。

关键词：语境；语境论范式；表征语境；计算语境

20世纪50年代以来，以表征和计算为基础的人工智能理论，出现了符号主义、连接主义和行为主义三种主导性范式。但经过50多年的跌宕起伏，仍未形成较为统一的理论范式。随着人工智能理论和应用的迅速发展，目前的人工智能技术逐渐突破已有范式局限，开始趋向于对各种范式进行逐步融合。然而，如何对人工智能范式进行融合，以及在什么样的基础上来进行融合，或者说，融合的哲学基底应该是什么样的，这一尚未解决的难题，成为了人工智能理论进一步发展的瓶颈所在。通过考察人工智能研究的发展历程，揭示其自始至终贯穿着的鲜明语境论特征，我们认为，语境论有望成为人工智能理论发展的新范式，语境问题的解决程度，决定了以表征和计算为基础的人工智能所能达到的智能水平。

一、人工智能语境论范式的形成

伴随对“语境”（context）认识所发生的根本性变化，即从关于人们在语境中的所言、所作和所思，转变为了以语境为框架，对这些所言、所作和所思进行解释，“语境论世界观”（contextualism as a world view）[1] 逐渐显现在了自然科学和社会科学各个学科的发展中。当我们以这样一种具有普遍性的“语境论”思维，来反思50年来人工智能理论的发展时，可以清晰的看到，实际上语境论观念就内在于符号主义、连接主义和行为主义的发展中，并逐步成为当代技术背景下人工智能理论融合和发展的新范式。

1. 符号主义中的语境论观念

物理符号系统假设认为，“符号是智能行动的根基”.[2]符号主义人工智能系统是一个具有句法结构的符号表述系统，在对所处理的任务进行表征的基础上构造相应的算法，使其可以在计算机硬件上得以实现。采用何种表征方式直接决定了可采取的相应的计算方式，即表征决定计算。并且，同一表征可以由不同的算法来实现，算法描述与所表征的语义内容没有必然的对应关系。也就是说，在符号主义中，表征和计算之间是一种一对多的关系。因此，决定符号主义发展的主要是表征理论的变更。以表征为基础，可以看出符号主义的各个发展阶段，实际上体现出了从语形到语义、再到语用的特征。

人工智能领域主要关注于，为了具有智能行为，符号系统应该如何组织知识或信息。因为信息必须以能够在计算机中运行的方式来表征。从根本上讲，计算机是一个形式处理系统，即便在语义和语用处理阶段，语形处理也是基础。因此，在人工智能领域，应根据计算机系统在组织和表征知识时，对处理对象采用何种表征原理和分析方法，来确定其体现出的语形、语义和语用特征。

受乔姆斯基有限状态语法（finite-state grammar）、“短语结构语法”（phrase structure grammar）以及“转换生成语法”（transformational grammar）等三种语法模式理论的影响，早期符号主义认为，计算机对知识进行组织和表征时以语形分析方法为主，并以语形匹配为主要计算方式，从而完成指定的处理任务。因为任何领域的知识都是可形式化的，在任何范围内实施人工智能的方法，显然都是找出与语境无关的元素和原理，并把形式的符号表述建立在这一理论分析的基础上。然而，基于语形处理的解题过程，对处理对象的概念语义并无确切掌握，处理结果往往精确度不够，常常会出现大量语义不符的垃圾结果，或遗漏很多语义相同而语形不同的有用结果。

为了提高系统的智能水平，人们开始关注表征的语义性以及相关的语境因素。表征理论必须解决的首要问题，就是如何将语境中的语义信息通过语形方式表征出来。由此从20世纪70年代起，人们相继提出了语义网络、概念依存理论、格语法等语义表征理论，试图将句法与语义、语境相结合，逐步实现由语形处理向语义处理的转变。

但以词汇为核心的语义表征，所描述的内容都是词汇中各个语义组成部分的固有的、本质的语义特征，同样与词汇所在语境无关，是一种以静态语义关系知识为主的语义表征，在动态交互过程中很难发挥应有的作用。也就是说，这种语义描写方式局限于对单句内固有场景的描述。这种静态语义表征无法根据语用的不同对词汇所描述的场景进行语用意义上的语境重构。所以，建立在这类语义表征理论之上的智能程度是极为有限的。

因为语用涉及到语言的使用者即人的视角问题，针对同一个问题，不同的视角将产生不同的理解。因此，到了语用阶段，将会是一种站在语言使用者立场的动态语义表征。尤其在网络的动态交互语境中，对于每个网络用户（无论使用系统的人还是某个虚拟系统），都需要以某个视角或立场进入到交互过程中。这就需要引入虚拟主体，使系统在交互过程中以某个视角或立场的主体地位，来对交互过程中的问题加以考虑，在特定语境中为达到特定的交流目的，进行相应的语用化处理。

正如维特根斯坦所指出的，语言意义只有在具体使用过程中才能体现出来。主体的参与性以及不同主体使用语言的不同目的，是考察话语意义的前提。引入语用技术，消解了存在于语言中的歧义性、模糊性以及隐喻等问题。在这个意义上，将虚拟主体引入以语用为特征的动态语义表征过程，将是人工智能从语义阶段向语用阶段迈进的关键所在。借助于建立在语形和语义基础上的语用思想，可以实现更高层次的智能化服务。当然，在现阶段，语义表征问题尚未完全解决，语用研究的基础则更为薄弱，向语用阶段迈进将是一个相对较长的过程。

2. 连接主义中的语境论观念

连接主义认为，人工智能源于仿生学。以整体论的神经科学为指导，连接主义试图用计算机模拟神经元的相互作用，建构非概念的表述载体与内容，并以并行分布式处理、非线性映射以及学习能力见长。

在符号主义时代，连接主义的复兴是很多领域共同驱动的结果。不同领域的专家利用连接主义这一强大的计算工具，根据具体需要分别构建特定的网络计算结构。然而，在诸多与连接主义相关的领域中，更多的则是存在于这些研究中的不统一。研究目的与应用语境的不同，使连接主义缺乏与某个研究计划的相似性，更重要的是它似乎成为模拟某些现象的便利工具。[3]在不同的语境中，人们编写结构不同的连接主义程序，来满足特定语境下的应用需求。一旦语境范畴发生改变，该程序便失去原有的智能功能。这使得连接主义不具有符号主义的统一性，无法在一个统一的基础上开展研究。因此，直至今日，这一按照生物神经网络巨量并行分布方式构造的连接主义网络，并没有显示出人们所期望的聪明智慧来。

知识表征一直是符号主义研究的核心问题。许多学者认为，连接主义独特的表征方式避免了知识表征带来的困难，可以通过模拟大脑的学习能力而不是心灵对世界的符号表征能力，来产生人工智能。作为对传统符号主义方法论的翻转，连接主义由计算开始，在比较复杂的网络中构建出对语境高度敏感的网络计算。并通过反复训练一个网络，来获得对一个任务的高层次理解，从而体现出一定的概念层次的特征。算法结构直接决定了连接主义程序是否可以体现出一定的概念，以及可以在何种程度上表征概念的内容，即计算决定表征。连接主义网络中没有与符号句法结构完全相似的东西。非独立表征的内容分布在网络的很多单元中，也许很难辨别一个特定单元执行的是什么内容。单元获取并传输激活值，导致了更大的共同激活模式，但这些单元模式并不按照句法结构来构成。并且，在连接主义系统中，程序和数据之间也没有清晰的区别。无论一个利用学习规则的网络是线性处理的还是被训练的，都会修改单元之间的权重。新权重的设置将决定网络中未来的激活过程，并同时构成网络中的存储数据。此外，连接主义网络中也不存在明确的支配系统动态的表征规则。（[3],p.153）这些都表明，表征并不是连接主义的主要特征。不论是否含有语义内容，连接主义程序的运行结果都是由不断变化着的计算语境决定的。因此，计算语境是连接主义的一个主要特征，建立在计算语境上的连接主义从一开始便是以语境思维为基础的。

当然，不以符号的方式进行知识表征和没有知识表征是截然不同的两回事。正如H·德雷福斯（Hubert L. Dreyfus）所指出的那样，连接主义也不能完全逃避表征问题。因为计算机需要将那些对人来说是自然而然的东西用规则表征出来。而这并不比将人的知识和能力用符号主义系统表征出来更为容易。[4]连接主义虽然采取了不同的智能模拟形式，但它不可直接处理人类思维中形式化的表征内容，无法模拟符号主义范式下已经出现的大部分有效的智能功能，这都为其发展带来了难以跨越的障碍。

总之，连接主义在计算语境的基础上构造算法结构并生成智能，一定程度上正面回答了智能系统如何从环境中自主学习的问题。然而，在连接主义的各个应用领域中，发展出如此之多的神经网络模型，表明连接主义内部对如何模拟人类智能，还没有形成统一的方法论认识。这不仅使连接主义和符号主义之间难以实现完全的信息交换，也使得连接主义内部各网络模型之间的交流很难进行。“作为交叉学科，连接主义缺乏特征上的统一，而寄期望于一个研究程序。”“甚至在这些领域，如果重视由网络形成的不同用途，一个研究程序的特征统一在很大程度上也是缺乏的。”（[3],p.154）这些都表明，连接主义研究还处于初级阶段。“连接主义范式”是从计算结构的角度对这种计算形式所进行的概括，而“语境论范式”则是对这种计算形式的本质特征进行的概括。

3. 行为主义中的语境论观念

行为主义，更准确地说是基于行为的人工智能（Behavior Based Artificial Intelligence,BBAI），认为智能行为产生于主体与环境的交互过程，智能主体能以快速反馈替代传统人工智能中精确的数学模型，从而达到适应复杂、不确定和非结构化的客观环境的目的。复杂的系统可以从功能上分解成若干个简单的行为加以研究。在这些行为中，感知和动作可以紧密地耦合在一起而不必引入抽象的全局表征。而人工智能则可以像人类智能一样逐步进化（因此也称为进化主义）。所以，行为主义的研究目标，是制造在不断变化着的人类环境（Human Environments）中，使用智能感官与外界环境发生相互作用的机器人。因此，它首先假设外界环境是动态的，这就避免了使机器人陷入无止境的运算之中。

行为主义的创始人布鲁克斯（R. Brooks）认为，生物产生智能行为需要外在世界以及系统意向性的非显式表征，大多数甚至是人类层次的行为，都是没有详细表征的、通过非常简单的机制对世界产生的一种反射。传统人工智能就失败在表征问题上。当智能严格依赖于通过感知和行为与真实世界的交互这种方式来获得时，就不再依赖于表征了。在他的智能机器人中，从不使用与传统人工智能表征相关的任何语义表示，既没有中央表征，也不存在一个中央系统。即使在局部，也没有传统人工智能那样的表征层次。[5]在行为主义机器人的执行过程中，最恰当的说法是，数字从一个进程传递到了另一个进程。但这也仅仅是着眼于可将数字看成是某种解释的第一个进程和第二个进程所处的状态。布鲁克斯不喜欢将这样的东西称之为表征，因为它们在太多的方面不同于标准的表征。也就是说，行为主义表征不具备符号主义那种标准的语形、语义以及语用特征。行为主义所面临的语境特征在本质上是一种计算语境。

行为主义机器人的控制器超越了那种对环境的不完全的感觉表征，机器人在真实世界中的体现是控制器设计的主要成分。在这一方法中，物理机器人不再与问题不相关，而成为了问题的中心。日常环境被包括进来而不是被消除掉。可见，行为主义的智能是根植于语境的。离开语境，行为主义机器人便表现不出任何的智能特征。从这个意义上，行为主义在本质上是语境论的。

从上述分析可以看出，无论是符号主义、连接主义还是行为主义，从根本上讲都是基于“语境”观念的。目前，在人工智能科学研究中，虽然新理论层出不穷，但涉及到应用问题时大都局限于某个领域。与早期人工智能研究的整体性和普遍性相比，表现出明显的局部性特征。很多研究甚至是“玩具型问题”,不具备应用推广的条件。隐藏于这些表象之下的人工智能领域的根本困境，就在于常识知识问题，而常识知识问题的本质则是语境问题。人工智能的实用性是建立在对研究对象规律的归纳基础之上的。只有找到规律，才有可能编写适合于运行在机器之上的智能程序。然而，“无秩序（disorder）是语境论的绝对特征”,[6]由于无法用形式化的描述方式模拟“无秩序”这一人类语境的根本特征，人工智能就不可能模拟相对全面的人类常识知识，只能局限于范围较小的专家系统开展研究。也就是说，从功能主义角度对人类认知特征进行模拟，人工智能是相当局限的。所以，人工智能要想获得真正的突破，在相当长的一段时期内，研究的核心问题，就是解决建立在形式系统之上的计算机应该如何处理各种各样的语境问题。正是在这个意义上，人工智能研究必须引入“语境”观念。

二、人工智能语境论范式的特征

在语境论范式下，最大的特征就是所有问题都围绕语境问题展开。无论在已有三种范式下进行的研究，还是在三种范式交叉领域开展的研究，甚至后来出现的各种新技术，所研究的关于智能模拟的核心问题，都是围绕语境问题展开的。而对这些问题的研究之所以无法继续深入，也都是由于无法解决所遇到的语境问题造成的。这就要求以语境问题为核心，在更为本质的层面上着眼于人工智能未来的研究，为今后的研究工作提供研究纲领及方法论指导。

必须指出，我们这里提出的人工智能语境论范式，是通过对已有范式理论核心价值的继承以及新技术新问题的概括，为解决当前人工智能学科所遇到的核心瓶颈问题而提出的新的研究框架。它不是某个局域层次的个别认识，而是对整个人工智能学科及相关学科实际发展过程中得出的新概括。着眼于人类智能模拟问题的人工智能，目前已经从早期的语形处理转向语义处理，并提出要从语义网（The Semantic Web）向语用网（The Pragmatic Web）转向的互联网发展规划。在这其中，由于语言的任何层次都与语境相关，所以，对自然语言意义的理解，各个层次的静态语境描写技术只是起点与基础，关键是篇章级别及动态语境下的意义理解。而对动态语义理解的实质就是“一种在实践中通过相互作用构成的模式”[7],仅仅依靠计算语境还远远不够，它必然是以层次性为基础的静态表征语境与动态计算语境紧耦合的结果。因此，人工智能语境论范式的关键就在于，如何在形式系统中，将建立在解构方法论基础上的层次性的静态表征语境向建构整体性的篇章语境扩张，并与动态性的计算语境相结合。这是人工智能语境论范式籍以超越现有范式理论而必须解决的核心问题。

事实上，人工智能语境论范式的理论本质就在于为人工智能研究提供了新的认识论视角，“当我们谈到语境论，我们便由理论的分析类型进入合成类型（synthetic type）”.“语境论坚持认为变化展现事件”,（[6],p.232）并且，语境变化的“这种可能性是无限的。”[8]在解构方法论基础上，如何将“无秩序”的语境以形式化的方式表征出来，并实现在动态语境中的语义理解，整体性的语境认识论便显得尤为重要。基于此，人工智能语境论明确认识到，形式系统之上的“语境”与真实的人类语境相比是相对有序的。这种相对有序性是基于形式系统的计算机的本质属性，它不会因为语境论的引入而达到人类认知能力对“无秩序”语境的认知程度。此外，人工智能的语境很大程度上是“先验”的。无论是表征语境还是计算语境，都是在对现实世界某种规律性的认识基础上的形式概括基础上，预先以形式化的方式写入计算机系统。

因此，不论在什么范式下，人工智能说到底还是一个表征和计算的问题。所以，建立在现有范式之上的语境论范式，必然以表征语境和计算语境为主要特征。具体表现为：

1.围绕表征的语境问题，对基于人类语言的高级智能进行模拟，使计算机具有一定程度的语义理解能力，是语境论范式的一个主要特征。

本质上讲，计算机是一个形式系统，而形式系统所能表现出的智能程度，根本上由建立在表征和计算之上的功能模拟决定。对基于人类语言的高级智能进行模拟，必然要以已有的符号主义技术为基础，围绕语形、语义和语用相结合的语境描写技术，来让计算机对人类语言具有一定程度的语义理解能力。

对基于语言符号的人类思维进行模拟，从人工智能诞生之日起，就一直是智能模拟的核心问题。建立在形式系统之上的计算机，不可能具有意向性，也无法对人类语言意义给出真正的理解。计算机要想表现出类似于人类的智能，首先就要具有人类的常识知识。人们希望通过研究内容庞大的知识表征问题来解决计算机的常识知识问题。然而把常识阐述成基于形式描写的表征理论，远比人们设想的困难，绝不仅仅是一个为成千上万的事实编写目录的问题。威诺格拉德（T. Winograd）在对人工智能“失去信心”后，一针见血地指出：“困难在于把那种确定哪些脚本、目标和策略是相关的以及它们怎样相互作用的常识背景形式化。”（[2],p.351）

在语境论范式下，对语形、语义和语用的处理，必须将要表征的常识知识通过形式化的方法转化为计算机可以实现的方式。人工智能之所以要关注表征方式的变革，关键在于，表征方式直接决定了计算机对语义内容的处理能力。无论是纯句法的表征，还是各种语义表征，甚至是语用表征，本质上都是形式表征。形式表征理论关注的是如何便于计算机进行推理或计算，从而提供更为恰当的结果。而结果是否恰当关键在于语义，而不是语形。表征理论沿语境论转换的实质意义在于，使计算机更好地处理表征的语义内容。只有建立在语形、语义和语用基础上的表征理论，才能更加接近人类自然语言的表征水平。

然而，同句法范畴比起来，语义范畴一直都不太容易形成比较统一的意见。“层级分类结构”（hierarchy）的适用范围、人类认知的多角度性及其造成的层级分类的主观性，导致了语义概念的不确定性、语义知识的相对性以及语义范畴的模糊性。而语义知识必须进行形式化处理的特征，决定了它需要对各种情境或场景进行形式化表征。事实上，对一个对象进行的语义描述，在语境发生变化时就不再适用。要对之建立完整的描述就需要将其可能涉及的各个方面都考虑在内，但这是不可能的。因为我们不可能事先将这一对象将出现的所有语境都表述出来，并且这种表述上的无度发展很快就会变得无法控制。因此，各种描述常识知识的表征理论要想具有实用性，必须针对特定领域构建相关的描述体系，并应用于特定的专家系统。

总之，在语境问题没有得到根本解决之前，不可能构建适用于所有日常领域的表征体系。专家系统实质上是对常识知识工程所面临的表征语境根本问题的回避。在相当长一段时期内，表征语境问题将是语境论范式必须解决的首要问题。为使计算机具有一定程度的语义理解能力，围绕表征语境展开研究将是语境论范式的一个主要特征。

2.在计算语境方面，基于结构模拟和功能模拟的计算网络的智能水平，很大程度上是由计算语境决定的。围绕计算语境展开研究，将是语境论范式的又一重要特征。

语境论范式是对已有范式进行的新概括，其计算特征也源于已有的计算模式，并围绕计算语境问题而展开。具体表现在：

首先，从语境论范式的角度审视连接主义，可以发现，连接主义计算中存在的根本问题，从网络结构设计、到对网络进行训练以及网络运行的整个过程，都是基于特定语境而展开的。但对特定语境的依赖使连接主义计算在应用上非常局限。

（1）由于连接主义计算的构造前提是基于特定语境的，也就是，连接主义程序的计算结构，是根据某一特定问题的需要而专门设计的，没有相对统一的结构模式，所以每遇到一类新的问题，就需要重新构建相应的计算结构。这使得连接主义程序很难在同一结构上同时实现处理多种智能任务的功能，已开发的程序不能被重复利用。这也是连接主义范式无法走向统一的症结所在。这一问题表明，每个连接主义程序都是局限在某个特定语境下的。如何使连接主义程序突破特定语境的限制，从而具有更强的适用性，是语境论范式下迫切需要解决的问题。

（2）连接主义计算的学习能力是建立在特定语境中的归纳和概括之上的。

连接主义最大的优势就在于具有很强的学习能力。连接主义系统的智能程度不仅取决于系统结构，更取决于对系统的训练程度。在这种训练过程中，程序按照某种类型的“学习规则”对权重不断进行调整。这种调整的实质，就是对所学到的知识进行某种意义上的归纳和概括，但这种归纳和概括只有按照设计者预先设计好的规则来进行，才能是合理的。一个系统需要花费大量的时间重复训练，才能归纳和概括出符合设计者期望的智能程度。而这种预设语境的问题和“学习规则”,实际上规定了连接主义计算只有在特定语境中获得的知识才是有意义的。

这种在特定语境中产生的学习能力，其前提就是对要处理的任务对象进行分类，并在分类的基础上规定一个适用的语境范畴。但分类是一个主观认知的结果，具有不确定性。要把智能建立在某种分类前提下的归纳和概括之上，必然会使所表现出的智能被这种相对固定的形式系统所束缚，失去本来的灵活性。在某种语境下适用的分类以及归纳、概括体系，在其它语境下往往会变得不适用。在某种预设和规定语境下建立起来的连接主义网络，决定了其不可能发现这种预设语境范畴之外可能存在的归纳和概括。而人类智能则可以在同一个大脑结构中对各种语境以恰当的方式进行分类、归纳和概括。因此，连接主义网络只能在预设的语境中获得智能，不可能在同一个结构中像人类智能那样适应各种语境并获得知识。

（3）连接主义程序对计算语境具有高度的语境敏感性。

以非线性大规模并行分布处理及多层次组合为特征，连接主义程序通过计算语境给出的数据进行训练。这种花费大量时间训练而成的程序，其智能程度不仅取决于系统构造，更取决于在特定语境下对系统进行的重复不断的训练程度。从上述分析可以看出，连接主义网络构造的前提，是将问题限制在某个特定领域。网络具有智能的基础，是按照某种学习规则进行归纳和概括。这就使连接主义程序的功能被限制在某个预设的语境之中，而不是任意的和无规律的。所以，程序的训练和运行过程，也必然被局限在这种预设的语境之下，根据计算语境的变化不断调整权重，从而表现出更为符合于设计需要的智能功能。这体现出计算结果对计算语境的高度依赖。并且，如果计算语境的范畴发生改变，程序的计算结果就会毫无意义，这在一定程度上正面回答了智能系统如何从特定环境中自主学习的问题。因此说，连接主义对计算语境具有高度的敏感性。

以上特征说明，连接主义程序从设计、训练以致运行的整个过程中，都是基于特定语境而展开的，计算语境在很大程度上决定了连接主义网络的智能水平。在这个意义上，连接主义在本质上是语境论的。

其次，用语境论范式的观点重新看待行为主义，可以得出，行为主义所表现出的智能功能是由计算语境决定的。离开语境，行为主义机器人就不可能表现出任何智能特征。

作为计算语境的另一典型应用，行为主义采取自下而上的研究策略，希望从相对独立的基本行为入手，逐步生成和突现某种智能行为。行为主义以真实世界作为智能研究的语境基础，构建具身化的计算模型，试图避开符号主义研究框架的认知瓶颈，从简单的规则中“突现”出某种程度的智能来。

行为主义基于行为的主体框架可以看作是连接主义和控制论在智能机器人领域的延伸，其智能系统能够体现出一定的生物行为的主动特性和相应于环境所做出的自调整能力。因此，从本质上说，行为主义不仅继承了连接主义所有的语境特征，而且反过来对所处语境施加影响。在这种与真实语境的互动过程中，行为主义机器人表现出一定的智能特征。

然而，真实语境是动态变化的，行为主义机器人并不能适应全部的人类环境，其适应性是针对特定语境而言的。在基于行为的方法中，机器人通过不断地引用它的传感器来实现对人类环境的认知。这样，硬件技术必然会对机器人的认知活动构成限制。麻省理工学院的研究人员爱德森格（Aaron Ladd Edsinger）指出，“基于行为的方法在机器人操作中存在一个不足。目前以及在可预知的将来，传感器和驱动技术将强制一个机器人使用来自其自身和世界的不确定的、分解的观点去执行任务。同样，人类环境下的机器人操作将需要一套运算法则和方法去处理这种不确定性。基于行为的方法目前是作为这一难题的基本部分出现的。”[9]

可见，对真实计算语境整体性的把握以及适应性，是决定行为主义机器人智能程度的关键因素。离开计算语境，行为主义机器人就不可能表现出任何智能特征。但同时，我们也应该认识到，仅仅建立在基于行为之上的智能研究，对于处理复杂的真实语境下的智能任务是远远不够的。布鲁克斯的研究成果使人们普遍产生误解，似乎以低智能为前提的反馈式的智能行为，可以逐步进化或突现出更为高级的智能形式。而实际上，反馈在智能形成机制中虽然起了重要作用，但不是全部作用。这是行为主义研究无法继续深入的根本所在。

总之，语境论范式在人工智能学科领域的提出，不仅仅是提供某些具体方法，而是给出了一种新的“根据范式中隐含的技巧、价值和世界观进行思考和行动的问题”.[10]在人工智能语境论范式下，所有的研究都围绕表征语境和计算语境而展开。表征语境与计算语境相结合，将是语境论范式下人工智能发展的主要趋势。

三、人工智能语境论范式的意义

从人工智能范式的发展过程中可以看到，符号主义范式从表征的角度对人类智能进行模拟，连接主义范式从计算的角度进行模拟，而行为主义则是在连接主义和控制论的基础上，试图从反馈式智能中进化或突现出更高级的智能形式。每种范式都从各自的角度出发，但随着研究的深入，都殊途同归地落在了语境问题上。正因此，语境论范式的提出对于未来人工智能的发展具有重要的意义，主要表现为：

首先，人工智能领域出现的新理论和新技术，突破了现有范式理论的局限，围绕语境问题表现出很多新的特征。具体体现在：

（1）当前，符号主义建立在大规模数据库基础之上的智能研究，需要进行大量的以统计为基础的数值计算。而传统的线性计算在一定程度上无法满足符号主义的这种应用需求，需要引入以非线性为特征的连接主义计算，来弥补符号主义在计算能力上的不足。随着技术的发展，连接主义程序逐步作为计算工具引入到符号主义系统中。这是一种将符号主义的表征优势，与连接主义的计算优势结合起来共同处理任务的新技术。这一新技术的出现，突破了原有的仅在符号主义或连接主义范式下研究问题的局限，实现了这两种范式在一定程度上的结合。然而，这种结合是建立在数据库统计基础之上的，具有很大的局限性。因此，将符号主义表征和连接主义计算在语境论范式下有机结合，将是语境论范式的一个重要趋势。

（2）连接主义在发展过程中，由于表征能力的不足，很多情况下无法对符号内容进行有效处理。为了弥补这种不足，研究人员对符号主义表征的语义内容按概念进行分类，再用连接主义结构以某种语义关系将其连接（即通常所说的语义神经网络），试图将对符号的处理融入到连接主义中。然而，对语义进行分类本身就是一个主观认知的结果，具有不确定性。要把自然语言理解按分类方式用语义网络相连，必然会使语义被这种相对固定的形式系统所束缚，失去本来的灵活性。在一种情况下适用的分类体系，在另一种情况下往往就变得不适用。这种将符号主义的语义特征融入连接主义计算的做法，在一些情况下可能是适用的，但在更多的情况下，可能反而会使对语言的处理受到符号主义和连接主义双重规则的限制。并且，基于继承等关系建立的语义网络，不能体现人类语言使用过程中灵活的语境特征。因此，将符号主义表征融入连接主义计算，在现实中存在着很大困难。探索二者在语境论范式下融合模式，将是未来人工智能研究的一个重要方向。

（3）行为主义采取的是自下而上的研究路径，用一种分解的观点来构造整个智能体系。而实际上，人类的认知活动无疑是整体性的。例如，我们在认知一个书架时，必然先对书架有一个整体的视觉感知，进而观察其细部特征。而基于行为的方法，则通过对视觉图片中的色彩值进行对比等，找到书架的某些关键点，进而通过这个点，像盲人摸象般利用触觉来感知一个面，然后才能对这个简单的书架产生一个并不完整的认知结果。在认知过程中，行为主义机器人将从语境中分别获得的处于分解状态的视觉与触觉等感知信息联合起来，才能对认知对象生成一个较为综合的认知结果。这种认知方法与人的整体性认知方式正好相反，成为行为主义发展过程中遇到的最大困难。而对整体性语境的全面把握，正是自上而下的符号主义智能系统的优势所在。正如麻省理工学院的开创者明斯基（Marvin Minsky）曾经指出的，布鲁克斯拒绝让他的机器人结合传统的人工智能程序的控制能力，来处理诸如时间或物理实体这样的抽象范畴，这无疑使他的机器人毫无使用价值。[11]因此，如何将自下而上的行为主义与自上而下的符号主义系统相结合，突破现有的单一研究模式，研制表征语境和计算语境相结合的智能机器人，将是未来机器人研究取得功能性突破的有效途径。

从以上三点可以看出，现有的范式理论已无法对人工智能的发展状况做出正确描述，急需要新的范式理论，来对人工智能领域表现出的新特征和新趋势做出新的概括。在这种情况下，语境论范式从人工智能的核心问题入手，在总结现有范式理论重要特征的基础上，对人工智能的发展现状以及未来的发展趋势做出合理判断，并为人工智能的进一步发展提供理论依据。

其次，语境论范式将人工智能领域的语境问题区分为表征语境和计算语境。对这两种语境进行区分的意义在于，二者虽然都是语境问题，但在人工智能中，二者的特征以及运行机制却不相同。对表征语境的研究，以符号表征的语形、语义以及语用问题为核心，而计算语境则是影响程序计算结果的外部要素的总称，并不特别针对具体的符号表征问题。在语境论范式下，只有对这两种语境做出区分，才有利于更好地理解和把握人工智能范式发展的特征所在。

第三，在人工智能中，智能功能的实现是表征和计算共同作用的结果。作为状态描述的表征与作为过程描述的计算是密不可分的。因此，在语境论范式下，表征语境与计算语境也是密切相关的。它们将围绕智能模拟的语境问题逐步走向融合，各自的不足也只有在融合的过程中才能得到弥补。这种融合已不再是建立在已有范式之上的简单叠加，而是围绕人工智能的核心问题——即语境问题——展开的。只有将表征语境与计算语境的优势相结合，才能从根本上解决当前人工智能面临的根本问题，而这也是语境论范式突破现有范式理论的关键所在。

综上所述，人工智能在发展过程中体现出了很强的语境论特征。语境论范式的提出，并不是对已有范式理论的否定，而是对已有范式在现阶段关注的核心问题的改变、表现出的新特征以及出现的新技术进行的一种全新概括，是对已有范式理论的提升。在语境论范式指导下，人工智能有望突破已有范式理论的局限，获得进一步的发展。

当然，并不是所有的人类思维都可以形式化，计算机在本质上是一个形式系统，不可能具有人类思维的所有特征，因而也不可能具有如同人类般对语义的理解。我们理解语境论范式的基础，是人工智能技术本身所具有的语境论特征。但无论是哪种类型的语境论特征，都不可能具有真正的意向性。因此，即使在形式系统之上实现了表征语境与计算语境的有机统一，人工智能也不可能具有人类智能的本质特征。在现有的科学发展阶段，常识知识问题能否从根本上得到解决，还需要经历一个漫长的探索历程。

【参考文献】

[1] Steven C.Hayes.Varieties of Scientific Contextualism.Context Press,1993,vii.

[2] （美）玛格丽特·A·博登著，刘西瑞、王汉琦译：《人工智能哲学》，上海译文出版社， 2005年。115.

[3] Dan Wieskopf & William Bechtel. The Philosophy of Science:An Encyclopedia.Routledge,2006.151.

[4] H.Dreyfus.What Computers Can't Do: The Limits of Artificial Intelligence. New York: Harper & Row,1979.

[5] R.A.Brooks.Intelligence without representation.Artificial Intelligence,1991（47）：139-159.

[6] Stephen C. Pepper. World Hypotheses: A Study in Evidence. University of California Press, 1970.234.

[7] A.Duranti and C.Goodwin （ eds. ）。Rethinking Context, Cambridge University Press,1992.22.

[8] Richard Rorty.Objectivity, Relativism and Truth.Cambridge University Press, 1991.94.

[9] Aaron Ladd Edsinger.Robot Manipulation in Human Environments. http://people.csail.mit.edu/edsinger/index.htm,2007-01-16.

[10] 加里·古延。 科学哲学指南。 成素梅， 殷杰（译）。上海科技教育出版社，2006. 511.

[11] 戴维·弗里德曼著，张陌、王芳博译：《制脑者：制造堪与人脑匹敌的智能》，三联书店，2001年，第31页。

人工智能社区精彩文章回顾：

扫一扫，关注我吧^_^