人工智能的演进是伴随其核心技术的算法的演进进行的，例如，从经典算法到深度学习，也是人工智能从20世纪50年代居于支配地位的符号主义人工智能到80年代后逐渐走向统治地位的联结主义人工智能（或人工神经网络AI）的发展，而在机器学习算法中进一步开发了强化学习算法后，则随之有行为主义人工智能在20世纪末的问世。虽然人工智能的范式划分基于不同的标准有不同的结果，但将其划分为上述三种范式已成为目前普遍接受的视角；而这些不同的人工智能及其算法是以不同的认识论理论（亦即不同的哲学）为基础的。

　　人工智能的演进是对人的智能或认知活动的模拟范围或类型不断扩展从而模拟能力不断提升的过程，这个过程与不同范式的人工智能源自或表达的哲学认知观密切关联。这是因为人工智能在追求“像人一样思考”或相似于人的方式作出反应时，必然涉及人是怎样思考与怎样反应的问题，也就是如何进行认知的问题。“如何认知”既包含认知的方式也包含认知的机理和本质，由此构成了哲学上的“认知观”。人工智能演进中的不同范式所诉诸的不同纲领，就是基于不同的认知观而形成的：阐释“认识是什么”以及“认识如何进行”的哲学认知观，构成人工智能的哲学根基，它决定了人工智能如何去模拟人的认知，以及模拟人的什么样的认知，由此确立人工模拟的不同目标，设计不同的技术进路，进而形成不同范式或流派的人工智能。如同人工智能的创始人之一麦卡锡（John McCarthy）所指出：人工智能和哲学比一门科学与这门科学的哲学有更多的共同之处。这是因为人工智能的研究者需要具备一定的哲学态度，特别是认识论的态度。迄今面世的三种范式的人工智能，分别将认知的本质理解为理性推导、经验学习和人与环境的互动，从而分别建立了基于知识表示、人脑神经网络和感知—行动的人工智能系统或智能体，认识论在这里可视为对人工智能演替进行哲学阐释的主线。

　　逻辑实证主义将认识看作以逻辑为基础的符号推理过程或计算活动。这一认知观在符号主义人工智能中得到了透彻的贯通和体现。由经典算法支配的人工智能的工作模式就是：一个既有的算法犹如先在的理性规则或先验存在的信息加工装置，等待它要处置的个别数据；机器认知的过程就是将输入的数据按算法规则加工成输出的符号，形成知识表征。可以说，经典算法及其相应的符号人工智能较为成功地模拟了人的左脑的抽象逻辑思维。

　　建立在人工神经网络基础上的深度学习算法及其联结主义人工智能则跟经验主义的认识论相关联，在其看来，学习就是大脑所做的事情，学习的过程就是从不断积累的经验中归纳出一般原则的过程，机器学习就是要模拟并实现大脑的这种学习功能。

　　符号主义人工智能与联结主义人工智能之间的差别，关联着两种认识论的差别：前者是基于规律—规则的人工智能，人将规律—规则模型化程序化，其中包括从专家的经验中整理出来的普遍化知识，它能较好地解决理性思维中的推理或计算问题；后者根据人提供的经验数据等信息去生成模型，即系统从数据中提炼规律，形成知识，能够较好地解决感性认识中的识别问题。两相对比，一个是规则在先，一个是规则在后；前者是一般先于特殊，后者是特殊先于一般，所以后者使得算法背后体现的认识论原则或哲学范式发生了“转型”。正是这种转型，才克服了传统人工智能发展中的瓶颈，即智能机器不可能事先都设定好理论模型去处理各种问题。

　　追求“像人一样行为”的行为主义范式的人工智能与强化学习算法相关联。“强化学习”是指可以用来支持人们去做决策和规划的一种学习方式，它通过对人的一些动作、行为产生奖励的回馈机制来促进学习。作为学习算法中的一个类型，强化学习从某种意义上形成学习算法的又一次演化，使得学习算法在先前只用来解决“识别”和“理解”问题，进一步演进到用来处理与环境互动的问题，也就是从只行使认知功能（“像人一样思考”）扩展到“像人一样行动”的功能。其实，关于人工智能的目标，一开始就并非仅有“像人一样思考”的理解，而且有更广义的“像人一样行动”的追求，后者就是行为主义范式的人工智能。

　　可以说，以上基于不同算法的人工智能表达和主张了不同的认知观，它不仅论证或支持了某种认识论，也体现了一种反向制约：持何种认识论或认知观，决定着设计出何种范式的人工智能；从而人工智能要获得新的突破，也有待于认识论的整合与突破。同时，不同范式人工智能已经实现和尚未实现的目标，又可以进一步对我们反过来评价既有的认识论理论提供可验证的根据。某种人工智能的长处和不足，在何处成功以及何处陷入困境，可追溯到其认识论立场的长处或不足，从而可以帮助我们反思相关认识论的有效性范围或有限性程度，并为不同认识论之间的互补协同提供启示。在这个意义上，人工智能是认识论展现的新平台或新用武之地，也是认识论理论的校验场，抑或是在人工载体上运行的各种被模拟的人类认知及其能力。

　　从不同人工智能范式模拟了人的不同认知活动这一关联中，我们还可以进一步在人工智能与人的认知之间区分出“同理关系”“同构关系”和“同行关系”等不同的特征，甚至在基于“情感算法”的情感AI成为可能之后，还会形成“同情关系”或“同感关系”。

　　人的认知中还有情感、意志、直觉、灵感等要素或方面，存在大量基于本能的“凭感觉行事”的现象，这些方面的能力还未能开发出相应的算法（如情感算法、意志算法……），甚至它们能否被算法化都是存疑的，所以至少迄今还未能与某种算法的类型建立起成熟的关联。乐观的看法认为赋予机器情感只是时间问题。如果相应的算法（如“情感算法”）在将来可以开发出来，则将形成的就是人工智能与人的认知之间的“同情”或“同感”、“同意（志）” “同觉”即“同情共感”（sympathy）的关系，这也正是“终极算法”和“超级人工智能”所追求的目标。目前“人工情感”（情感计算、情感智能体）、“人工意志”的研究虽然被评价为并不是真正意义上的情感模拟和意志模拟，但从其字面所表达的含义上，至少隐含着建构人与机器之间可以同情共感的期待。

　　从前面所介绍的算法演进的大致过程来看，如果将以后可能出现的情感算法也包括在内，就有一个如下的演进链条：传统算法—深度学习算法—强化学习算法—情感算法，它们对应了人工智能的演进链条：符号主义人工智能—联结主义人工智能—行为主义人工智能—（未来的）情感人工智能。与这些范式相对应的则可以归纳并分型出如下的认知类别：推算认知—学习认知—行为认知—本能认知。“推算认知”即人所进行的推理和计算活动，是标准的“理性认识”，也是人所从事的“高级形态”的认知活动，甚至是人所具有的与其他动物区别开来（即所谓“人是理性的动物”）的一种认知能力。这一类型的认知也是既有的哲学认识论中被普遍承认的一种认知类型，因此也是一开始就被符号人工智能认定为代表人类认知的本质从而力求加以模拟的对象。作为人工智能及其算法技术发展的起点，推算认知是最早纳入其视野的认知，它是理性主义视野中唯一被推崇的认知类型，基于它开辟了基于人工智能的认知科学中计算主义、功能主义所贯通的信息加工模式：从普遍性的知识出发，根据严格的规则推演出某种特殊的结论，使得输入在经过程序加工后产生输出。“学习认知”是人在学习过程中进行的认知活动。人具有学会某种知识、形成某种认知能力的智能，这就是学习认知，它尤其指借助符号表征或语言媒介在信息交流中进行的学习，即“以语言为中介，自觉地、积极主动地掌握社会和个体经验的过程”，可简称为“基于表征的学习认知”。“行为认知”是人在从事行动、发生行为时贯穿的认知，它主要是人在行动时应对各种周围环境、调节行为指令的认知活动，也是为了在身体与环境的互动中达到预期目的从而需要对行为逻辑加以理解和运用中形成的“实践知识”或“技能知识”，就是基于身体行为的认知或“具身认知”。“本能认知”是基于遗传、可凭借本能对外界进行反应的认知活动，也是人与生俱来确保自己能够生存下去的“天赋”认知能力（广义地还包括人的“天性”“本性”等），如“直觉”地理解世界的运作模式，像“儿童在早期就可以利用结构化的表征和算法处理对象、集合、位置以及时空连续性等概念。”

　　四种认知尽管不同，但关联性极强，彼此之间形成从初级到高级的前后相继的阶梯。本能认知是最为基础的认知类型，是一切其他类型认知的“始基”，提供了以后可以形成行为能力、学习能力和推算能力的普适的动作机制、学习机制和计算机制，没有它就没有后面的一切其他认知。它也如同初始条件，可以影响后续各类认知的进行。行为认知是在本能认识基础上衍生的认知类型和认知能力，由它又进一步衍生出基于表征的学习认知和学习能力，所以它既以本能认知为基础，又是学习和推算认知的基础，这也是实践（行）对于认识（知）的基础关系。从行为认知到学习认知，也是从直观认知到符号认知或间接认识的能力提升，使人在不和对象直接交互（行为）时也能认识对象，这是人的认知发展的一次重大飞跃，它使人从只能以实指的方式把握概念到可以用定义（符号界定符号）的方式把握概念，从而使更多无法直观的对象得以认识。基于表征的学习认知对于行为认知和推算认知具有居间性：学习是为了行动，或者说学习包括习得如何行为，如何控制自己的肢体，形成行为方面的默会知识和明言知识；学习也包括推算能力的习得。学习认知可以下沉为感知经验，以便更好地去行动，也可以上升为理性和逻辑能力，以便更好地去进行推算。从总体上四种认知的递进关系是，能推算者必先能学习（通过学习而掌握推算的原理和规则，并掌握熟能生巧的推算技艺），能学习者必先能行动（只有行动中才能取得直接经验，有了直接经验才可能形成间接经验），能行动者必先有生存的本能。

　　这一认知分型与“感性”和“理性”的分型之间也相互交叉且部分重叠。如果行为认知多属感性认识，推算认知属于理性认识，学习认知则介于两者之间，既有感性也有理性。于是从行为认知经学习认知再到推算认知，也体现出人的认知由初级阶段的感性到高级阶段的理性的提升过程。

　　基于人工智能范式区分的这种认知分型对于认知外延的覆盖也具有一定程度的全面性。人工智能力求越来越完全地模拟人的智能，在这一历程中所形成的上述演进，也真实地反映了它对人类智能逐渐趋向更多认知类型的覆盖，所以才有了关于人工智能的越来越多的定义，如认为“人工智能是与人类思考方式相似的计算机程序”，“是会学习的计算机程序”，“是根据对环境的感知，做出合理的行动，并获得最大收益的计算机程序”，如此等等。这些定义也反映了三种范式的人工智能所模拟的分别是人的三种类型的认知，这种“分别模拟”不仅缺乏统一的AI范式，而且还未进入对本能认知的模拟，所以还处于“弱人工智能”的阶段。而到了“强人工智能”阶段，不仅需要实现对三种认知模拟的整合，形成统一的人工智能范式，而且还要能够模拟包括情感认知在内的人的本能认知。如果四类认知能够在人工智能中实现融合与会聚，就可以构成具有完整意义的智能：从情感、意志到感知、认知、推理、学习和执行，这也是所谓“通用人工智能”的真实追求所在。还需要指出的是，这种认知分型并不是为了在人的认知类型之间划出不可逾越的鸿沟。实际上它们之间是互相渗透和彼此交织的，还是可以过渡和转化的。

　　人工智能本身的发展就是一个新的范式不断克服先前范式缺陷的过程，但新的范式同时也形成了新的局限，所以范式间的融合就成为人工智能进一步发展或突破的根本要求。这种融合的可能性，其根基在于它们所模拟的认知类型之间的可融合性。人的认识能力提高的一种普遍路径：认识的各种类型在融会贯通的过程中往往可以生成更高的认知能力，就类似于不同的物种在杂交后有可能形成品性更优良的物种一样。目前人工智能“分而治之”所面临的各自困境，正是它们排他性地秉持单一的认识论理念和方法所致；而要实现AI的纲领融合或算法融合，在基底上还是要寻求一场“认识论革命”，即走向一种可以整合理性主义、经验主义和具身认知的新的认识论。认识论和人工智能的内在关联在此也愈加紧密。人工智能不同流派和算法的融合，也反映了人工智能对人的认知本质的更全面、更完整的把握以及在此基础上的模拟；如果要追求“通用人工智能”，也只能在此基础上去追求。这里同样也展现了人工智能与认识论的互释互惠关系，即：我们将智能或认知的本质在认识论上理解为什么，就会在技术上去追求将人工智能做成什么；而我们实现了什么样的人工智能，则印证了我们对认知本质的相关理解之合理性，所以在一定意义上我们甚至可以说：人工智能就是认识论。

　　（作者单位：华南理工大学马克思主义学院。原题《人工智能与认识论的哲学互释：从认知分型到演进逻辑》，《中国社会科学》2020年第６期，中国社会科学网 阮益嫘/摘）