|
自20世纪70年代以来，“认知可计算主义”研究纲领一直占据认知科学研究的主导地位，但是，由于这一研究纲领建基在“图灵机算法可计算”的概念之上，有其不可克服的内在局限，也是认知科学和人工智能各种理论困境和实践困难的真正根源，几十年来认知科学内部发生的从符号主义经联结主义到行为主义工作范式的转换，以及对最初意义上的还原主义基础假设所进行的调整正是对这一强纲领的局部修正。我们认为,新近的一些进展显示，认知科学正在面临研究纲领的变迁，应当倡导一种以“认知是算法不可完全的”理念为基础的新的研究纲领。 一、认知科学面临理论困境和实践困难的根源 认知科学已经被称作21世纪智力革命的前沿，它是哲学、心理学、语言学、计算机科学、人类学和神经科学六大学科的一个交叉领域。今天，这一领域汇集了一大批数学家、物理学家、计算机科学家、生物学家、心理学家、语言学家和哲学家，形成了相对独立的研究群体，最近二十几年，随着学科建制化步伐的加快，哈佛大学等院校的认知科学研究机构相继问世，以“认知科学”为名义的杂志相继创刊，1986年加州大学圣地亚哥分校率先设立认知科学博士学位，麻省理工学院等成立了世界上第一批认知科学系，这些都标志着这一学科逐渐走向成熟。更为重要的是，认知科学作为一门独立学科，已经逐渐形成了一套独特的研究纲领、工作范式和基础假设，人工智能也已成为这一学科的智力内核。 然而，一直使认知科学家和人工智能专家感到困惑的难题是，早在 1965年，认知科学的领袖人物西蒙（H.A.Simon）就曾预言“在20年内，机器将能做人所能做的一切”；明斯基（M.Minsky）1977年也曾预言：“在一代人之内，创造‘人工智能’的问题将会基本解决” 。但是，几十年过去了，认知科学领域不断涌现出各种流派和花样翻新的问题解决方案，但其先驱者当年预期的目标并没有达到，在认知科学的实践中不时会遇到难以克服的深刻困难。今天，最先进的计算机可以做人不能做的许多复杂工作，但在模式识别、感知和在复杂境域中决策的能力远不及人。这些困难背后的真正根源究竟是什么？是我们的技术有问题，还是我们的理论基础有缺陷？一部分从事计算机设计工作的专家认为，目前计算机的功能足够强大，关键是我们的软件编程的能力不能与之匹配，因此，必须发掘新的计算方法；而一些从事理论计算机研究的专家却认为，是目前计算机量级规模限定了模拟人类高级智能，必须寻求新的计算机模型。然而，根据近年对认知科学各个理论派别和工作实践的深入考察，我们的结论是，认知科学和人工智能工作的出发点是建立在一种强纲领的基础上，这一纲领可概括为“认知可计算主义”，其核心是，“认知的本质就是计算”。同时，由于这里的“计算”观念完全基于“图灵机算法可计算”的概念，因而有其不可克服的内在局限，成为认知科学和人工智能各种理论困境和实践困难的真正根源。我们认为，目前认知科学正在面临研究纲领的变迁，应当建立以“认知是算法不可完全的”理念为基础的新的研究纲领。因此，有必要借鉴新的研究成果，对认知科学几十年来形成的研究纲领的内核，从符号主义经联结主义到行为主义工作范式转换的诱因，以及还原主义等基础假设的确立和修正进行深刻的哲学反思，从中揭示出认知科学和人工智能面临困境的深层根源，说明新的研究纲领产生的势所必然。 二、认知可计算主义研究纲领的核心 由于认知科学思想的智力资源除了哲学上的理性主义，还来源于形式计算理论、计算机技术以及大脑科学的奠基性贡献，认知科学也因这三个领域所提供的新概念和新事实而使研究问题域不断拓展，研究方法和手段不断深化。这其中至为重要的无疑是“算法”概念数学定义的产生。可以说，没有1936年的图灵机概念，就没有对人类认知和智能的真正科学研究。正是对“能行可计算”这一直观概念的数学刻画和丘奇-图灵论题的提出，才使人类对智能的研究从一种哲学思辨式的争论、依赖于直觉的猜想或停留于过分经验式的观察结论，开始转向对智能的产生和认知本质的理论研究。正如西蒙1988年在回顾认知科学发展的历史时所说的：“在把计算机看作通用符号处理系统之前，我们几乎没有任何科学的概念和方法研究认知和智能的本质” 。 从我们的观点看，丘奇-图灵论题给我们这个时代最重要的贡献在于三个方面：第一，指出了能行可计算函数就是递归函数，也就是图灵机算法可计算的 ；第二，指出了任何计算机都是通用图灵机的特例；第三，澄清了抽象的形式系统的真正涵义，指出形式系统不过是图灵机概念准确刻画的机械程序。 随着第一台电子计算机诞生，人们不仅看到了通用图灵机的物理实现，更重要的是看到了这种物理装置如何神奇地涌现出了人类的某种智能。于是，认知科学领域的先驱者似乎由此找到了建立人类认知和智能的形式模型的有效工具，而且乐观地认为，人类认知和智能活动完全可以解释为大脑中实现的能行过程，因而可以转换成计算程序用机器进行模拟。可以说，从图灵的《计算机与智能》（1950）到麦卡洛克（Warren S. MaCulloch）和皮茨（W. H. Pitts）的《神经活动内在概念的逻辑演算》（1965），再到纽厄尔（A. Newell）和西蒙的《作为经验探索的计算机科学：符号和搜索》（1976），建立在“图灵机算法可计算”这一核心概念之上，认知科学领域已逐渐形成了“认知可计算主义”的研究纲领，它的核心是“认知的本质就是计算”。其含义是，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，认知和智能的任何状态都不外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。正是基于这一认识，纽厄尔和西蒙曾乐观地宣称：“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” ，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。可以说，从20世纪70年代起，这一主导思想已经无可争议地上升为统帅认知科学和人工智能研究的一种强纲领。 三、认知科学范式转换的动因 认知科学研究基本上沿着心理学、生理学和机器模拟三条进路展开，几十年来，在“认知可计算主义”纲领下，催生了一系列新思想、新方法。随着大脑科学、复杂性科学和计算机技术的进展，认知科学经历了从最初的符号主义到联结主义，再到行为主义工作范式的转换；从最初的问题求解程序到人工神经网络和人工生命的研究，经历了从符号计算到神经计算和进化计算的倡导和实施， 认知科学的进展也越来越显示出这一强纲领的局限，而且我们随后可以看到，正是通过一系列范式转换，不断吸收自然科学领域的新成果，认知科学对其研究纲领进行着局部修正以求新的突破。事实上，在我们看来，各范式的竞争和转换的根源都是由于“认知的本质是计算”这一观念受到了某种程度的深刻挑战。 1．符号主义与基于规则的形式系统研究 符号主义是认知可计算主义纲领最早和最直接的担当，也是最具局限性的一种工作范式。20世纪50年代初纽厄尔和西蒙就指出，由计算机操作的二进制数串能够表达包括现实世界的任何东西，大脑和心灵与计算机一样，都不外是一种物理符号系统，无论它们在结构和动力机制上可能有多大不同，但在计算理论层次上 都具有产生、操作和处理抽象符号的能力。在这个层次上，大脑和恰当编程的计算机可以被看做同一类装置的不同特例，完全可以在形式系统中通过用规则操作符号演算来生成智能，故而，这一范式也被称作“基于规则”的范式。 符号主义范式指导下的工作经历了三个明显的阶段，但每一个阶段都会遇到难以解决的新的困难： 第一个阶段是寻求表达和搜索的阶段（1955-1965）。这一阶段的主要任务是借助离散符号系统的功能实现知识的获取、表达和处理，从而揭示计算机如何能借用称为“意义-目标分析”的通用启发技术解决特定领域的问题。最早的符号主义程序是20世纪50年代由西蒙、纽厄尔和肖尔（P. Shor）发明的通用问题解决器，到1956年已经能成功地解决简单的智力测验、命题演算定理的证明、机器编程等问题，致使西蒙60年代断言，直觉、顿悟和学习不再是人类专有，任何大型高速计算机都可以通过编程表现出这些能力。 第二阶段是建构微型世界阶段（1965-1975）。虽然，符号主义范式早期在证明几何学定理、弈棋，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，因此符号主义倡导者又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。最初的努力是试图建构一个嵌入机器的“微型世界”，这种微型世界是对真实世界特征的极大简化。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。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。 第三阶段是寻求极小常识知识集合的阶段（1975至今）。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。如明斯基的“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）的“非单调逻辑”、赖特（R. Reiter）的“缺省推理逻辑”、麦卡锡（J. McCarthy）的“化界系统”，以及麦克德莫特的“时态逻辑” 等，都是试图构造一个极小系统，通过借助经典和非经典的演绎推理的形式实现对整个知识体系的把握，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。包括1985年德克萨斯奥斯丁微电子和计算机中心开始启动的，预计建立包含上亿条逻辑语句的常识知识数据库的重大项目，由于难以摆脱用机器程序处理日常问题遇到的“组合爆炸”问题，目前仍在艰难进行之中。 从以上分析可以看出，符号主义工作范式的目标是寻找一种形式结构，将人类的认知和智能活动转换成抽象的符号系统的运作。符号主义倡导者们坚信，只要能对我们所了解或我们所相信的日常生活的非形式知识提供形式化理论，就能通过恰当的编程来获取、表达和处理知识。但是，将人类的认知和智能活动转换成抽象符号的一个主要障碍是，任何实际问题涉及到大量的背景知识，背景知识本身是一个不确定集合，而且这些知识大部分不能基于符号逻辑推理获得，即使局限于求解小范围问题的专家系统，也仍然不能克服符号逻辑功能的固有局限。如此说来，在认知可计算主义纲领指导下，建基在“认知的本质就是符号运算”这一理念上的符号主义工作范式必然与认知科学早期目标相距甚远。 2．联结主义与人工神经网络研究 为了摆脱符号主义的困境，80年代认知科学发生了一场“人工神经网络革命”，认知科学的“联结主义”研究范式诞生。联结主义范式是基于对人类认知机制的另一种理解，即认为一切人类认知活动完全可归结为大脑神经元的活动。 由于人们观察到，认知活动产生的同时大脑的物理硬件在工作，而大脑是由极大量的神经元经过复杂的相互连接构成的信息处理系统。因此，联结主义者主张，应该用机器程序去精确阐明大脑的硬件结构，采取一种“内在”眼光，考察大脑是如何真正记录我们认为是“智能”的行为的，以及大脑的这种硬件结构是如何产生“智能”行为的。人工神经网络研究就是力图体现大脑的分布式并行计算和非线性等特征 ，所建构的人工神经网络是一种具有大量连接的并行分布式处理器，具有通过学习获取知识并解决问题的能力，且知识是分布存储在与大脑神经元突触相类似的连接的权重中 。因此，通过人工神经网络，联结主义者看到机器体现的思维如何从连接的各种模式中以一种涌现的方式产生 。 与人工神经网络研究相伴的是从计算理论层次上研究人工神经网络的神经计算，主要是运用现代数学方法探究人工神经网络系统非程序的、适应性的、大脑风格的信息处理的本质和能力，以及信息处理的机理和途径。人工神经网络与基于符号主义的处理离散符号的计算系统不同。在神经网络中，知识由网络各单元之间的相互作用的加权参数值表征，网络的学习规则决定于以这些连续参数为数值的变量的活动值方程，因此描述认知和智力活动的单元已经不是离散符号了，而是“亚符号”的数值变量。显然亚符号研究模式与以往关于“离散符号的处理对于任何智能活动既是必要的也是充分的”的观念相冲突，联结主义者工作的目标也从用符号模拟大脑转变成用大规模并行计算建构大脑。 但是，即使经历了这次范式转换，模拟人类高级智能的目标仍然显得遥不可及。这里的一个重要原因是，大脑结构是经历了生命进化和与环境的交互作用长期形成的，人工神经网络专家尝试了各种方案后逐渐开始意识到，试图通过机器程序建立一个与大脑功能类似的人工网络实在过于困难了。借用德莱弗斯的话：“如果分析的最小单元是同整个文化世界联系起来的整个有机体，那么，类似于符号化和程序化的计算机式的神经网络就仍然有很长的路要走” 。造成困难的另一个重要因素是，联结主义程序自身仍然难以摆脱认知科学中最棘手的常识知识问题。虽然迄今为止研究者已经提出了五十多种人工神经网络模型，广泛应用于模式识别与图象处理、控制与优化、金融预测与管理以及通信等领域，但是人们已经从理论上研究了现有神经网络模型计算能力的局限性，认为它们仍然不能解决传统的基于物理符号系统的人工智能中的困难 。于是，研究者又开始寄希望于行为主义范式指导下的进化计算和人工生命的研究。 3．行为主义与人工生命研究 行为主义工作范式的基本出发点是，略去知识的表达与推理的环节，考虑在感知与行为之间建立直接的联系，期望认知主体在感知刺激后，通过自适应、自学习、自组织方式产生适当的行为响应。行为主义者坚信，认知行为是以“感知-行动”的反应模式为基础的，智能水平完全可以，而且必须在真实世界的复杂境域中进行学习训练，在与周围环境的信息交互作用与适应过程中不断进化和体现。专家们从研制具有自学习、自适应、自组织特性的智能控制系统，开发各种智能机器人开始，到90年代，在行为主义工作范式下进一步发展成了人工生命 和模拟进化计算的研究。 如果说20世纪6 0-70年代人工智能的研究主要是面对规则的系统和逻辑推理的方法，90年代认知科学家已经开始不局限于基于规则的系统，转而进入建基在细胞自动机理论、形态形成理论、非线性科学理论和遗传理论之上的人工生命研究，试图通过用计算机生成自然生命系统行为的仿真系统，了解真实世界中的生命和生命过程，这一领域的有效工具是采用信息数学模型模拟进化的遗传算法 。人工生命的倡导者认为，生命是系统内各不同组成部分的一系列功能的有机化，这些功能的各方面特性能够在物理机器上以不同方式被创造 ，进化本身可视为一种搜索试验的复杂过程，最重要的是生物的自适应性、自组织性造就了自身，而不在于是不是由有机分子组成。当1990年托马斯•雷（Tomas Ray）意外发现他所设计的复杂程序梯尔拉（Tierra）在机器上演化出了一个丰富多彩的电子生态系统时，他看到了从人工有机体最基本的结构中涌现出一种令人吃惊的复杂性，行为主义倡导者认为这是进化的威力。他们认为，进化过程完全可以独立于特殊的物质基质，可能简单地发生在为了争夺存储空间的计算机程序的某种聚合中，就像在早期环境中以碳为基础的有机体在竞争中发生的进化过程那样。这样，在行为主义范式指导下，人工生命专家期待的就不是要构造一个大脑，而是要通过遗传算法进化出一个大脑。从联结主义到行为主义范式转换的重要特征是对复杂性科学和“人工有机体”自演化、自涌现特征的强调。目前行为主义被认为是极有前途的研究范式，虽然我们不能苟同“生命的本质就是计算” 的断言，但人工生命和进化计算的成果已经为我们研究纲领的变迁带来了新的启示。 四、认知科学基础假设的确立和修正 在认知可计算主义研究纲领指导下，认知科学领域的各路专家遵循着不同的工作范式不断修正着自己的目标和策略，归结起来可以说，符号主义者试图用符号演算模拟人类大脑；联结主义者试图通过人工神经网络的并行计算建构大脑；而行为主义者则试图通过遗传算法进化出大脑。我们认为，他们实际上在不同的探索道路上都在对认知可计算主义纲领进行着局部修正，而且都自觉或不自觉地默认了一些基础假设，历史地看，这些假设随着范式的转换也经历了一个逐步确立和修正的过程，今天它们可概括为： 假设1：大脑是人类认知和智能活动的载体。 假设2：认知和智能活动是一个物理过程。 假设3：图灵机可模拟任何物理过程。 假设4：通过研究虚拟世界各类人工生命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。 假设5：一切认知和智能活动的复杂系统都可以通过各个组分的动态行为和整体性相互作用加以解释（可以称作“借鉴了整体主义的还原主义假设”）。 假设1对于不同范式下工作的认知科学家的区别在于，主张符号主义的群体认为，我们所要做的只是抽象出大脑的思维规律并编码为计算机可识别的形式，而不必考虑大脑的硬件构成。主张联结主义的群体则认为，人类大脑特殊的物理构成方式对于认知起了关键作用，因此，应主要集中于通过构造能尽量反映大脑功能结构的程序来模拟人类智能。行为主义研究群体认为，大脑是生命进化的产物，因此主张通过机器程序模拟生命进化过程来实现对人类智能的模拟。 假设2在哲学上是对纽拉特（O. Neurath）和卡尔纳普（R. Carnap）的早期物理主义、普特南-奥本海莫（H.Putnam-P.Oppenheime）20世纪60年代的科学还原纲领，以及福德(J.Fodor)的非还原的物理主义的修正，而且大多数科学家坚信假设2的真理性。克里克（F. H. C. Crick）1990年把它称为“一个惊人的假说”：“人的精神活动完全由神经细胞、胶质细胞的行为和它们的构成，以及影响它们的原子、离子和分子的性质所决定” 。而且他认为，人的喜悦、悲伤、记忆和抱负、自我感觉和自由意志，实际上都不过是一大群神经元而已。因此，“从神经元的角度考虑问题，考察他们的内部成分以及他们之间复杂的、出人意料的相互作用的方式才是研究意识问题的本质” 。而且这一生物物理主义观念从90年代起深刻地影响着目前相当活跃的关于意识-神经计算的研究。 假设3断言，任何物理过程的信息传递规律都能在恰当程序化的计算机上模拟。1985年多奇（D.Deutsch）将“能行可计算的函数”替换为“有限可实现的物理系统”，陈述了“物理版本的丘奇-图灵论题”：“每个有限可实现的物理系统，总能为一台通用模拟机器以有限方式的操作来完美地模拟” 。依多奇之见，作为物理过程的自然界和人类心智原则上都可以用通用计算机完美地模拟。显然多奇论题是较丘奇-图灵论题更强的“工作假说”，多奇等人甚至认为，算法或计算这样的纯粹抽象数学概念完全是物理定律的体现，计算系统不外是自然定律的一个自然结果，通用计算机的概念很可能就是自然规律的内在要求。 假设4主张：我们所称的真实世界的实在性并不比在机器上显示的“人工有机体”组成的虚拟世界更实在，通过考察一台机器内部人工生命的所作所为，能使我们认识机器之外的人类生命是如何形成和演化的。换言之，机器世界的版本和真实世界的版本是“同构的”。因此，把注意力从模拟智能转移到模拟生命就意味着，如果能够在一台机器上创造出生命，那么智能将自然产生。可以说，假设4是整个认知科学和人工智能事业存在的理由。 实际上，以上4个假设都可归结为借鉴了整体主义观念的还原主义假设 。如果说符号主义早期立场还具有较强的逻辑原子主义的还原倾向，后期的联结主义和行为主义则更强调整体主义的某些观念与还原主义融合，这种立场一方面强调物理作用可以解释人类认知和智能活动，另一方面又强调认知和智能活动是复杂的生命系统的子系统，需要强调其整体性、动态性观念，甚至需要强调突现的观念。因此，这种新的还原主义假设使认知科学家逐渐地不仅把问题求解看作认知和智能的基本形式，还把学习和与环境的相互作用作为认知和智能的基本形式。他们一方面强调使用经典的和非经典逻辑，另一方面又不断探索借助统计学、生物学和复杂性科学来理解人类认知和智能的本质，我们认为，这是认知科学工作范式逐步发生转换的关键之处，更是依据自然科学的进展对认知可计算主义强纲领进行局部修正的必然产物。 五、认知可计算主义纲领面临挑战 认知科学的发展除了必要的哲学假定和各门自然科学的进展，更依赖于计算理论和计算机技术的突破。目前人们普遍接受了“计算机的复杂性遵循摩尔定律：每18个月翻一番”的说法 ，计算的观念也确实为人工智能带来丰硕成果，然而，在认知可计算主义旗帜下，几十年过去了，虽然从符号主义经联结主义到行为主义范式转换，最初完全基于规则的还原主义思想慢慢弱化，复杂性、整体主义思想逐渐增强，认知科学和人工智能的实践仍然困难重重，举步维艰。因此，应当引起我们反思的是，认知和智能的本质究竟是什么？图灵意义下的计算概念在认知和智能活动中的意义是什么？人工智能的研究是否存在不可逾越的逻辑和物理的界限？我们应当从生物学、物理学和复杂性科学中借鉴哪些方法和途径？目前对认知可计算主义研究纲领的反思主要聚焦于以下几方面： 1．哲学上的反思。认知科学家，特别是人工智能专家似乎都持有一种乐观主义态度，认为原则上不存在用机器模拟人类智能的障碍，惟一的争论是如何实现模拟。历史上，反对强人工智能立场的哲学论证基本上沿着三条路线 ：休伯特•德莱弗斯和斯多尔特•德莱弗斯（S. Dreyfus）诉诸现象学哲学所开辟的现象学路线；塞尔（J. Searle）主张的反行为主义路线；鲁卡斯（J. Lucase）和彭罗斯（R.Penrose）等人诉诸哥德尔不完全性定理的路线。三条路线的基本出发点是，人类的许多认知行为不能被简单地看作是遵循规则行事的。人类的心灵、大脑和计算机之间存在着“本质差别”，大脑的功能也许可以说是一台计算机，但更深层的以意向性为核心的心智活动决不是计算机的算法可穷尽的。照语法规则定义的计算机程序本身不足以担保心的意向性和语义的呈现，心的本质不是可计算的。哥德尔的不完全性定理已经设定了人工智能的极限，超过人类智能的计算机不过是强人工智能专家所钟爱的一副“皇帝新脑”而已。 2．复杂性科学和生物学的反思。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，心脑活动的基础是遵循非力相关性原理的，体现出一种内在的、依存性的、整体自涌现的形式 。因此必须放弃纯粹的理性主义、还原主义和物理主义倾向，而代之以复杂性思维和生物学眼光。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计算机来模拟人类智能。神经达尔文主义者艾德尔曼（G. M. Edelman）认为，我们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 。甚至认知可计算主义纲领的倡导者明斯基1990年也不得不承认，人脑在进化过程中形成了许多用以解决不同问题的高度特异性的结构，认知和智能活动不是由建基在公理上的数学运算所能统一描述的现象，无论是符号主义还是联结主义都受害于唯理主义倾向，都是用在物理学中获得成功的方法和简单而漂亮的形式系统来解释智力。他主张，要在认知科学领域有实质性突破，应当放弃唯理主义哲学，从生物学而不是物理学中去得到启示和线索 。 3．计算机技术的反思。一部分专家认为，目前计算机量级规模上的局限性，制约了人工智能实现高级人类心智。因为大脑的神经元及其连接构成了规模无比的神经元集群网络，因此，只要计算机的集成电路中基本元件与连接规模超过大脑的神经元件与连接的规模，就能指望计算机像大脑一样自涌现出高级心智现象。目前硅基材料的计算机远远达不到如此规模，应当寄希望于光子计算机、量子计算机和生物计算机。例如密尔本（G. J. Milburn）1999年提出，满足多奇原理的计算机只能是利用量子迭加效应实现大规模的高效并行计算的量子计算机。但是，密尔本已经断言，无论量子计算机的速度多快，仍是一种建立在量子图灵机基础上的计算机，丘奇-图灵论题依然是量子计算机的理论基础。因此在我们看来，量子计算机不过是实现图灵机算法的另一物理装置而已，试图以量子计算机模拟整个人类智能仍然没有超出“认知可计算主义”纲领的指导 。 显然，这三个层面的反思路线是对认知可计算主义纲领的深刻质疑，而且在历史上，恰是这些反思浪潮激励了认知科学家探索新的研究进路。我们认为，首先需要澄清的一点是，哥德尔本人并不反对用他的不完全性定理作为论证“机器永远不能超越人心”的部分证据，但是他曾指出，要推出如此强硬结论还需附加两个哲学假定，其一，人心（mind）没有物质载体；其二，人类理性提出的问题人类理性一定能够解答 。其次需要强调的是，人的心智是在不断进化之中的，迄今为止，对于大脑的运作机制、意识的本质、智能的本质等，我们只有极为肤浅的理解，基于这种理解就用哥德尔定理作出计算机永远能，或永远不能超越人类心智的断然结论都为时尚早。另外，对于机器量级规模的突破导致计算速度的提高是否能够带来难以预期的智能复杂性的模拟我们也不能盲目作出断言，因为即使机器程序可以产生自组织和突现的特性，依据切廷（G.Chitin）的算法信息论，这种复杂性本身仍然是有相当大限度的，期望这样的复杂性达到人类心智的复杂性恐怕还有相当距离，毕竟复杂性之复杂性本身仍是一大难题。但是我们相信，哲学、科学和技术这三个层面的反思，恰是孕育新的研究纲领最为重要的基础，也为我们的下一步研究提供了深刻的方法论启示。 六、探索以“认知是算法不可完全的”理念为基础的新纲领 从以上对认知科学的研究纲领、工作范式和基础假设的反思，我们应当更加明确图灵意义下的算法概念在模拟认知和智能活动中的作用。由于图灵机等价于形式系统，如果局限于图灵机算法可计算范围，我们将无法摆脱哥德尔不完全性定理设定的逻辑极限，尽管我们可以通过提高计算机运行速度解决目前不能解决的复杂问题，但借助逻辑手段，受到逻辑一致性的约束，任何超越逻辑运算的事情都是机器难以胜任的。即使用形式系统表达图灵机的方式不唯一，可以采取某种新型的物理装置，仍然不能忽视的一个问题是，新的物理装置体现的形式系统至少应当满足紧致性定理，这样一来，仍然回到了哥德尔不完全性定理设定的极限。当然，由于哥德尔定理仅仅揭示了形式推理的极限，并没有设定人类理性的界限，因此，我们面临三种选择：或者放弃逻辑的人工手段，超越图灵机算法可计算概念，探索其他生物或物理途径，这样，前景将不可预测；或者像目前我们所做的一样，依靠逻辑和图灵机算法，只求系统的局部一致性，局部模拟人类的某一部分智能，做计算机能够做到的事情，这样，认知科学和人工智能的原初目标将不得不予以修正；另一种较为现实的选择是，正视图灵机算法可计算概念的有效范围，认识到只要不突破原有的“算法” 概念，我们就永远不能追求完全模拟人类智能的最高目标，倡导基于“认知是算法不可完全的”理念的新的研究纲领，不局限于基于规则的系统，从复杂性科学等领域不断汲取营养，积极探索更加有效的模式解决认知科学的深层问题，例如“算法+自然机制”的模式。 其次，我们认为，认知科学所有的理论困境和实践困难的另一个重要根源在于我们对人类认知和智能的本质缺乏真正的认识 。人类心智活动的内在机制及其体现出的灵活性、选择性和自涌现性仍然是我们今天的科学不能完全解释的，建基于图灵机算法可计算的认知可计算主义纲领显然不足以深刻把握其本质。 目前，“人的智能和人工智能的极限”已经列为21 世纪需要解决的24个数学问题清单 ，未来的认知科学必将以对认知和智能的本质的理解为基础，也必然基于各门科学和计算机技术的进展不断修正其研究纲领、工作范式和基础假设。近年来人工生命、进化计算等领域的新成果预示了认知科学将会产生新的研究纲领。而且我们相信，在没有足够科学证据支持的情况下，对于认知科学前景的任何主观臆测和哲学思辨都难免武断和不完全，人类认知的本质规律以及人工智能是否会超过人类智能终究是一个科学问题。 作者:刘晓力 (责任编辑：admin) |