软计算的认知模型构架

李勇

摘 要：软计算是不同于传统的硬计算的一种全新的算法体系，与传统的硬计算不同，软计算在解决问题时具有较高的容错性、灵活性，它更为接近人的认知，能够在充满不确定因素的环境下以更为贴近现实的方式处理一些模糊的、动态的、非线性的问题。软计算的这种“软”特性反映出一种与“硬”计算截然不同的认知思想，它构建了一个全新的认知模型，即模块化的动态语境模型。具体的论述将从三个方面展开：其一，软计算的静态认知模型构架；其二，软计算的动态认知模型构架；其三，软计算的语境模型构架。

关键词：软计算；认知；认知模型；语境

中图分类号：B0 文献标志码：A 文章编号：1002-2589（2017）03-0083-02

软计算是指对于研究对象只求近似而非精确解释的有效计算方法，是一种包含多种不同算法的计算方法集，如模糊逻辑、遗传算法、人工神经网络等。软计算的认识模型构架，简单来说，就是软计算及其理论构建中所表现出的对于认知以及认知发生过程的组织结构和表征模式的宏观理解。软计算是与传统的硬计算不同的新型计算方法，传统的硬计算要求计算的精确性、确定性，而软计算则允许了不精确以及不确定的存在；软计算与硬计算的这种差异，从根本上来讲，是由于它们是基于不同的认知模型构建的。在传统的硬计算理论中，认知的本质就是“符号+规则”，认知过程就是符号串按照一定规则变换的过程。而在软计算理论中，认知是依赖于语境的，认知具有具身性、生成性、延展性和嵌入性，认知在功能上是模块化的，在发生上是动态适应的，在总体上看来是语境性的。

一、软计算的静态认知模型构架

在软计算理论系统内，认知不再是一个严密和精确的逻辑符号系统或逻辑运算过程，而是一个由不同的功能模块构成的集成系统。总体来看，认知系统应该被分为具有范围非特异性的“中枢系统”和具有范围特异性的“输入系统”。范围非特异的“中枢系统”的典型功能就是通过范围非特异性的认知系统来固化信念，形成新的认知模块，它负责陌生的语境处理。范围特异性的“输入系统”是由不同的子功能模块构成，它负责熟悉的语境处理，不同的功能模块负责不同的语境，不同的功能模块之间有一定的封闭性。

认知“中枢系统”主要功能在于适应陌生的语境，解决浅层输入系统无法处理的问题，并在新的语境适应过程中形成专门处理这一问题或这一类问题的新算法。认知中枢系统的一个重要特征是容错性，认知中枢系统不会因为一次反馈的失败而终止或崩溃，中枢系统通过分析由输入系统传递来的问题或信息，不断提出问题的解决方案，直至问题解决或问题不需要解决为止。认知中枢系统的另一个重要特征是非范围特异性，这主要表现在两个方面：其一，中枢系统会接受来自输入系统各个不同模块传递来的信息，它与输入系统之间不存在绝对界限；其二，中枢系统是以解决问题为导向，认知中枢系统不会拘泥于某一种反应模式或逻辑系统，它会根据具体问题提出不同解决方案，而这些方案也许是“输入系统”某些模块的组合和重构，或者是与这些功能模块完全不同的全新算法。人工神经网络就是一种类似于“认知中枢系统”的软计算方法，它是一个非线性的并行的、分布处理结构，具有极好的可塑性和自组织性。这就意味着，它能够接受和处理模糊的、随机的、陌生的问题，并形成能够处理某一问题的固化的神经网络。

“认知输入系统”的主要功能在于处理熟悉语境，是认知的初级层次，它能够对一些已经熟悉的问题做出恰当的反馈，“认知输入系统”包含有许多的子系统，如知觉系统、逻辑系统、语言系统、运动系统等。输入系统的其中一个特征是范围特异性，它的子系统各自处理不同的问题，彼此之间几乎不存在联系。与中枢系统不同，输入系统对于问题的处理是被动而快速的，一个算法就是一个功能模块，语言系统专门处理语言问题，识别系统专门处理模式识别，就如同人的条件反射一样。而在软计算理论中，许多的算法也具有范围特异性，不同的算法适用于不同的问题域；如遗传算法主要用来解决搜索问题，人工神经网络用来处理模式分类问题，模糊逻辑主要用来处理不精确的概念和模糊事件。

总体而言，软计算不是一个已经定型或固化的算法系统，而是一个不断发展的算法，基于软计算思维可以构造各种各样的算法，如蚁群算法、模拟退火算法、混沌理论等；而构成软计算的各种具体的算法又有自身的局限性，只能处理特定的问题。因而我们可以说，软计算理论体现出了“中枢系统+输入系统”式的静态认知模型构架方式。

二、软计算的动态认知模型构架

软计算以模糊的自然语言表达代替精确的人工符号表达，不去试图构造某种绝对严密精确的、完美的形式逻辑系统，而是以问题解决为导向，以更为灵活的方式和贴近实际的方式解决问题，因而它不是一种纯粹的構造算法，它更像是一种生成算法，一种与具体语境共生的算法。传统的硬计算在解决问题时，总是试图从纯粹的数学关系出发，构造出关于问题的数学模型（确定变量、常量以及它们之间函数关系）。然而，在现实世界中许多问题的数学模型很难构建或无法构建。因为，世界本身是动态的、非线性、复杂的、不确定的，而传统的硬计算则要求计算是严密的、精确的，二者之间存在着诸多不相容之处。

而在软计算理论系统内，认知不再是封闭和静态的符号推演，而是基于语境的智能适应，也就是一个动态的进化发展过程。首先，认知不是某种先验的逻辑系统或绝对理念，而是后天的语境反应。软计算方法的构造都不是凭空捏造或先天就存在于人脑中的，而是根据具体问题而提出的。如模糊逻辑，它的产生是由于在我们的世界中总是存在着许多无法解释、预测、确定的事物或事件，对于这些事物或事件的研究和分析我们无法依靠精确的逻辑分析，对于它们的研究我们需要借助于模糊集以及模糊逻辑。通过模糊逻辑，我们可以处理原来二值逻辑无法处理的模糊概念和模糊关系等模糊现象，比如“年轻与年老”“小鱼还是大鱼”“相像关系”。其次，认知是一个动态发展的系统，而非静态封闭的。因为认知总是与语境相联系的，而语境总是在不断变化的，所以认知也是不断变化发展的。在应用软计算方法解决具体问题时，问题不会在一次计算过程中就被一劳永逸地解决；相反，问题的解决是计算方法与问题产生的具体语境不断接近和契合的调整过程。以遗传算法为例，它是模拟生物优胜劣汰的进化过程而构造的一种算法，遗传算法包括几个必要的运算过程：选择运算、交叉运算、变异运算。在遗传算法中，通过编码组成初始群体后，遗传操作的任务就是对群体中的个体按照它们对环境适应度（适应度评估）施加一定的操作（选择、交叉、变异），从而实现优胜劣汰的进化过程，在没有达到适应度要求时，遗传操作是不能终止的，它要不断进行交叉、变异运算，直至找到最优运算才能终止。

简而言之，软计算具有很好的适应性和可塑性，在处理问题时有较好的灵活性。这是因为在软计算思维理念中，认知从来都不是一个封闭的静态系统，而是一个开放的动态适应系统，即“语境刺激—认知适应”系统。认知是基于语境的，认知的发展与语境的变化相辅相成，二者不可分割。

三、软计算的语境模型构架

在传统的一元论或二元论影响下，人们往往把认知看作是某种孤立的、绝对的东西，比如“理念”或“规则”等，将认知与其具体的语境割裂开来，无视具体的环境或具体的认知主体在认知过程中的作用和意义。传统的硬计算受此影响，将认知归于二值逻辑运算，把计算从语境中孤立出来。因此，传统的计算思维在面对许多动态的、模糊的、不确定的问题时变得束手无策、漏洞百出。软计算理论对此做出了深刻反思，它将认知的客体、认知的主体、认知的结果统一于语境，认为认知是身体—心智—世界构成的动力耦合系统。

首先，认知的发生离不开认知主体的参与，也就是说认知的发生应该有必要的载体否则就是不可能的，比如在人的认知活动中，我们的大脑和身体的其他部分都是这个过程不可或缺的组成部分，没有身体和大脑的参与认知不可能发生。人工神经网络是模拟人脑生物神经系统结构和运行机制而构造的一种软计算方法，与人脑相似的物质系统是人工神经网络算法运行必不可少的运行单元。其次，认知的发生具有情境性，我们的认知总是基于一定的情景，并且只有在一定的情境中才能得到解释和说明。比如，在模糊集合中我们需要构造隶属度函数，这里的隶属度函数的取值取决于不同的情境，而隶属度函数本身就是一个语境，它是一个模糊集合适用的范围。另外，认知是身体—心智—世界三者构成的动力耦合系统，因而三者之间并不是绝对同一的，所以它们之间的信息传递必然存在着不完整、不精确、不确定。这也正是软计算为什么允许模糊性、不精确性、不确定性存在的原因。

总之，在软计算理论中，认知是语境性的，它是由身体—心智—世界构成的一个动力耦合系统，也就是由“语用反应”“语形约定”和“语义反馈”三个语境维度构成的一个动态系统。这在认知活动中，体现为认知主体、认知客体与认知结果之间的相互关系。其中，语用语境就是指客观的认知对象与认知主体之间的相互联系，如身体对于世界的感知反应，即认知的语用反应过程，语用语境是整个认知发生的基础，这一过程就类似于软计算方法提出的问题语境；语形语境指认知主体的直观反应与知识系统之间的联系，在语形语境中，主体的直观反应被抽象为规范的知识，即语形规范过程，语形语境是认知的核心部分，这与软计算方法的构造过程是相似的；语义语境指的是认知主体对于客观的认知对象的反馈，这也就是软计算方法的具体运用过程，它的完成标志着一个认知过程的实现。

总结，纵观软计算理论的具体内涵和算法特征，我们可以发现：软计算从根本上重构了人们对于认知的看法。在软件理论思維中，认知首先是语境的，认知发生于语境且依赖于语境，没有语境就没有认知；其次认知具有模块性，我们可以将认知划分为不同的功能模块（中枢系统和输入系统），不同的功能模块各有其特征，试图将认知统一于规则或程序是徒劳的，这种尝试往往是不可能成功的；最后认知是一个开放的智能适应系统，而不是封闭的静态系统。总而言之，软计算不单单是计算方法上的一种革新，它更是认知思想上的一次变革。深入理解软计算的认知模型构架，不仅有利于我们更好地认识软计算的理论内涵，也有利于软计算自身的发展。

参考文献：

[1]刘晓力.哥德尔对心—脑—计算机问题的解[J].自然辩证法研究，1999（11）.

[2]王大将，王敏.软计算融合技术研究[J].计算机技术与发展，2012（4）.

[3]J·A·福多.心理模块性[M].上海：华东师范大学出版社，2001.

[4]郭贵春，成素梅.科学技术哲学概论[M].北京：北京师范大学出版社，2006.

[5]魏屹东.认知科学与哲学关系的历史审视[J].文史哲，2005（2）.