自然计算及其智能观问题

高新民

摘 要： 人工智能的自然计算研究在模拟广泛的自然事物的功能作用，建构诸如退火算法、进化算法等过程中，不仅在提升和拓展人类能力方面做出了积极的探索和贡献，而且为我们从哲学和工程技术角度进一步思考有关智能观问题、解决人工智能中深层次的基础理论问题提供了难得的素材。面对自然计算，人工智能哲学的迫切问题是区分开规范性问题和事实性问题，解决智能观中的本质循环问题。人工智能在模拟和超越自然智能上要想取得积极的进展，不能只以一种智能样式为解剖的原型实例，陷入“沙文主义”极端，而应在避免“自由主义”错误的同时放宽智能标准，坚持智能的复杂多样性理论，不犯以偏概全的错误，着力解剖尽可能多的智能样式的构成、作用方式和运作机理，以此为基础创造出更多、更有用的人工智能新样式。

关键词： 自然计算;智能观;本质循环问题;智能多样性

中图分类号：TP18文献标识码：A文章编号：1004-8634（2020）05-0086-（12）

DOI：10.13852/J.CNKI.JSHNU.2020.05.010

人工智能的理想境界或“圣杯”就是用“某種不是活组织的东西”来实现过去只能由人体实现的智能，（B. P. 麦克罗林：《计算主义、联结主义和心智哲学》，载卢西亚诺·弗洛里迪主编：《计算与信息哲学导论》上册，刘钢译，商务印书馆2010年版，第313—314页。）甚至超越和增强人的能力。要实现这一目的，无疑要弄清智能的表现形式、本质、内在机理、实现机制及条件方法等。正是在这里，人工智能一开始便与哲学结下了不解之缘，乃至掉进了哲学争论的漩涡。有鉴于此，著名认知科学家丹尼特说：“人工智能就是哲学”，“享有与追问知识如何可能的传统认识论一样的学科性质”。（D. Dennett，“AI as Philosophy and as Psychologe”， in M. Ringle （ed）， Philosophical Perspectives in AI， Atlantic Highlands， Humanitices Press，1979， pp.60-64.）这样的说法尽管一开始就遭到了许多人工智能专家的批判，但它以极端的形式道出了人工智能这样的宿命，即人工智能自始至终必须回答属于哲学的智能观问题，如什么是心灵、智能？其判断标准是什么？它们是不是人类独有的？研究智能应以什么为“原型实例”？是否只应关注人类的智能？是否可以像 “异人工智能策略”或泛智能主义所主张的那样，将智能研究视野指向非人类的行为及能力？机器表现出的、符合“图灵测试”的行为特性能否被看作是我们抽象智能本质的原型实例？不仅如此，在回答上述问题时，必然会继续心灵哲学和认知科学中的“沙文主义”与“自由主义”的旷日持久的争论。人工智能的自然计算探索，以及在此基础上所展开的深层理论思考，以自己独特的方式回应了上述问题和争论，因为它在模拟一些自然事物（如蚁群行为、蜂舞、事物的退热过程等）的功能作用，建构诸如退火算法、进化算法等过程中，不仅在提升和拓展人类能力方面做出了积极的探索和贡献，具有重要的工程技术意义，而且具有重要的人工智能哲学特别是智能观意义，对于我们从哲学和工程技术角度进一步思考有关智能观问题、解决上述人工智能中深层次的基础理论问题提供了难得的素材，值得深入研究。

一、自然计算及其对智能样式的“地理大发现”

自然计算是人工智能专家受人以外的自然事物（如生物乃至无生命事物）的特定的发挥作用方式和过程及其机理启发而开发出的一种人工智能算法，包括进化计算、蚁群算法等许多不同的形式。根据中国学者汪镭等人的概括，它指的是“以自然界，特别是其中典型的生物系统和物理系统的相关功能、特点和作用机理为基础”而建立的各种算法的总称。它要研究的是，“其中所蕴含的丰富的信息处理机制，在所需求解问题特征的相关目标引导下，提取相应的计算模型，设计相应的智能算法，通过相关的信息感知积累、知识方法提取、任务调度实施、定点信息交换等模块的协同工作，得到智能化的信息处理效果，并在各相关领域加以应用”。（汪镭等：《自然计算——人工智能的有效实现方式》，载涂序彦主编：《人工智能：回顾与展望》，科学出版社2006年版，第50页。）这一算法由于模拟的是非人事物表现出的智能现象，因此根本有别于以人类智能为模拟的“原型实例”的人类智能算法。尽管如此，在倡导者看来，只要将它们实现于一定的硬件中，就会有相应的、像人的智能一样的智能现象凸现出来。它们不仅弥补了传统算法的许多缺陷，拥有许多不可替代的优势从而显示出方兴未艾的发展生机，而且由于提出了一些深刻的智能观问题，并对传统智能观发起了挑战，因此，受到人工智能哲学的高度关注。例如，对智能是否是人类独有的特性这一既有理论意义又有实践价值的问题提出了冒天下之大不韪的看法。正如何灿华等学者概括的：“人并不是唯一有智能的动物，地球生命活动中的生物进化、个体发育和免疫、神经网络、大脑思维、社会系统、生态系统都表现出了某种形式的自然智能。”（何灿华等：《从逻辑学的观点看人工智能学科的发展》，载涂序彦主编：《人工智能：回顾与展望》，第99页。）更宽泛的理解是，智能有其生存上的表现，即只要事物生存下来了，就表明其有智能。尽管这是智能观上的革命性思想，但无疑是一家之言，争议极大。

自然计算的诞生与人工智能发展的辩证本性息息相关，这是由它面临的困境使然。布里德曼在评价过去几十年人工智能的成绩时不无沮丧地说：“传统的人工智能研究……已经在几乎所有曾经看来大有可为的领域止步不前……近四十年光景里人工智能领域并没有什么实质性的突破。”（布里德曼：《制脑者：创造堪与人脑匹敌的智能》，张陌等译，生活·读书·新知三联书店2001年版，第29页。）这不是布里德曼一个人的忧虑，而是许多人的共同困惑。为了找到答案，人们纷纷打破常规，从不同的方面展开探索。著名认知科学家克拉克（A. Clark）等学者说，要冲破困境，必须“彻底改变思考智能行为的方式”。（A. Clark and D. Chalmers， “The Extended Mind”， in D. Chalmers （ed.）， Philosophy of Mind， Oxford University Press， 2002， p.644.）事实也是这样，一方面，为了模拟和超越人类智能，人们不再只是关注智能的静态结构，而将目光投向大自然缔造智能的历史过程，解剖和学习大自然的智能建筑术。目的论意向性理论和关于人工进化、进化算法的种种方案就是这些探索的一些成果。它们的思路是这样的，要想让人工系统表现出真正的智能，就应研究智能的根源和机理。而要如此，又必须研究大自然是怎样设计和缔造了它。因此，当务之急是向大自然这位设计师和缔造者学习，研究它缔造智能的历史过程。把其弄清了，一切问题便会迎刃而解。另一方面，冲破智能“沙文主义”的牢笼，将智能的存在范围拓展到人以外的生物乃至无机物上，研究这些事物所表现出的智能现象及其运作机理。随之而来的便是各种自然算法的诞生和蓬勃发展。在一些专家看来，对于人工智能来说，进化的模拟远比神经网络的模拟更有前途，于是经过大量的实践，人工进化研究已成为一个蔚为壮观的研究领域。人工免疫系统也是这一运动的产物。钟义信先生说：“最近的研究表明，扩展人类智力的更为深刻的方法是‘智能生成机制模拟（即‘机制模拟）。”不仅如此，还可以“在机制模拟的框架下”实现结构模拟、行为模拟和功能模拟的统一。（韩力群：《人工神经网络教程》，北京邮电大学出版社2006版，“序”。）总之，包括进化计算、人工神经网络等在内的自然计算就是基于这样的动机和思路而建构出来的。布里德曼概括说：“许多进入这一领域的年轻研究人员已经希望在别处找到灵感。灵感就是自然本身。”“以自然为基础的研究策略开始在人工智能研究领域逐渐成型。”（弗里德曼：《制脑者：创造堪与人脑匹敌的智能》，第57—58页。）中国学者也十分关注这一领域，有的学者甚至提出了AI研究要“向生物界学习”“师法自然”等响亮口号。

这里不可回避的哲学和科学问题是，人以外的事物所表现出的那些特性，如退火算法所模拟的金属的冷却过程及机理，蚁群算法所模拟的蚁群觅食行为，是不是智能现象？倡导自然算法的人的回答是坚定的：能解决问题就是有智能的标志。根据这一标准，生存下来、有适应性等都可看作智能现象。鲁格尔（G. Luger）说：“智能世界就是生存下来的世界。”“分布的基于主体的结构和自然选择的适应性压力综合在一起，形成了智力的起源和运作的强大的模型。”（G. Luger：《人工智能：复杂问题求解的结构和策略》，史忠植等译，机械工业出版社2006年版，第588、595页。）根据这一观点，人的智能与非人的自然智能在本质、性能上没有差别，差别只在于实现方式的不同。用心灵哲学的一个概念“可多样实现”很容易说清这个道理。正如桌子既可用木头做成（实现），又可用钢铁制成（实现）一样。此即著名的“可多样实现性”原则。同理，一种能力或一个软件模型离不开硬件的实现，并受到硬件结构的限制。但同一软件模型可在不同造物的不同硬件上实现，而同一硬件可实现不同的软件。质言之，人和非人的自然事物都有表现智能的可能性，只是表现、实现的方式不同罢了。例如，人和非人都有寻优的能力，但实现方式可能各不相同。如果是这样，坚持人以外的事物可成为智能的载体这一观点就没有什么理论上的障碍了。

自然计算是在有关自然事物运行机理启发下形成的一种算法。其灵感和构建过程都源自自然规律，因为自然界中存在许多自主优化的现象。既然如此，只要有办法挖掘其中所隐含的条件、机理，弄清它们的形式结构及转化过程，就可为算法建构提供参照。事实也是如此，如模拟退火算法就是将金属物体降温过程中的自然规律引入化优求解的产物;遗传算法就是受生物物种进化机理的启发而建立的;蚁群算法就是在观察、研究蚁群个体间信息传递方式和作用机制后提出的;粒子群算法就是模擬鸟群捕食的过程而产生的;混沌优化算法是借鉴自然现象的混沌规律而创立的。总之，自然算法要么是通过仿生的途径、要么是通过拟物的途径产生的。就仿生算法而言，它又有模仿个体智能和群体智能两种方式。其目的在于，以自然界中生物的功能、特点和作用机理为基础，研究其中所蕴含的丰富的信息处理机制，抽取相应的计算模型，设计相应的算法。这样形成的算法的作用在于，能解决传统计算方法难以解决的复杂问题，其应用前景十分广阔，如在大规模复杂系统的最优化设计、优化控制、计算机网络安全等中都可大显身手。

与传统的一些算法一样，自然算法也属于问题求解寻优方法，或最优化方法。传统方法的特点是，初始值确定以后，寻优分析的结果固定不变，因此是典型的确定性方法。其形式很多，如单纯形法、牛顿法、最速下降法、变尺度法、步长加速法、卡马卡算法等。它们也有自己的优点，如稳定性强、速度快。但问题在于，由于对初始值过于依赖，对连续性、可微性的要求高，因此容易陷入局部极值，难以找到全局最优解，尤其是对现代工程实践中的那些较复杂的非线性、不确定性问题无能为力。鉴于这些问题，非确定性算法应运而生。较早的形式有，退火算法、遗传算法。它们的特点是，对自然规律和人类进化规律做了简单模拟，属于拟物和仿生智能方法。由于在传统算法基础上做了改进，因此它们能保证全局收敛性，有解决复杂问题的潜力。后来又陆续诞生了基于群智能的优化方法，如蚁群算法、粒子群算法。再后来，又相继出现了系列机制融合型算法，其特点是，把遗传算法、退火算法等算法中的机制引入粒子群算法中，从而使该算法的性能大大提高。（陈杰等：《智能优化方法的聚集性与弥散性》，载涂序彦主编：《人工智能：回顾与展望》，第254页。）

目前对自然算法的分类差异很大，如汪镭等学者将它们列举为，进化计算、神经计算、生态计算、量子计算、群体智能计算、光子计算、分子计算、人工内分泌系统及其他相关复杂自适应计算等。（汪镭等：《自然计算——人工智能的有效实现方式》，载涂序彦主编：《人工智能：回顾与展望》，第50页。）还有人认为，算法有确定性和非确定性之别。笔者认为，可根据自然算法所模拟的对象将算法分为这样两大类，一是以生物及其进化、遗传过程为模拟对象的算法，如进化算法、人工免疫算法、协同进化算法等;二是以模拟非生物过程为基础而形成的算法，如退火算法、量子算法、光子算法、分子算法等。笔者认为，每一种算法尽管还不是现实的智能能力，但一旦由硬件实现，则成了现实的能力，因此至少可能说，一种算法就是一种现实能力的潜在形式。从心灵哲学的心理地理学来说，自然计算形式的发现具有心理能力“地理大发现”的意义，就像心灵哲学在前不久发现了“感受性质”、作为认知能力组成部分的民间心理学等一样，经过自然计算倡导者的积极探索，大量新的智能形式，如人类智能以外的生物智能、自然智能、人造智能乃至群智能等，纷纷呈现于心灵哲学、智能科学面前。这些对于人类的心灵、智能认识的发展都是功不可没的。下面，我们将按对自然计算的分类，分别对它们的具体样式及其智能观意义做出考释。

二、进化计算与生物现象中的智能

进化计算侧重模拟的是生物进化的过程与机理，由于有不同的理论基础，如有的以达尔文的进化论为根据，有的以拉马克、门德尔等人的进化论为根据，因此，其内部又有达尔文式算法与非达尔文式算法之别。前一类算法的例子是，人工神经网络、遗传算法、进化计算等;后一类算法的例子是，协同进化计算、拉马克克隆选择计算等。尽管有侧重点上的这些差别，但有一点是共同的，即都承诺或预设世界上的智能不局限于人类，人以外还客观存在着各种形式的“生物智能”。正是它们成了进化计算构建各种人工智能系统的理论基础和创新源泉。焦李成等人说：“生物智能是人工智能研究灵感的重要来源。从信息处理的角度看，生物体是一部优秀的信息处理机，而其通过自身演化解决问题的能力让目前最好的计算机也相形见绌。”（焦李成等：《非达尔文进化机制与自然计算》，载涂序彦主编：《人工智能：回顾与展望》，第228页。）

先看达尔文式计算。这种计算提出的灵感来自自然设计师的策略。早在20世纪60年代，德国柏林工业大学的热奇伯格（I. Rechenberg）等人在从事空气动力学试验时发现，在描述物体几何形状的参数时，难以用传统方法实现优化。由于想到了生物的遗传变异，于是随机改变参数值，结果出人意料地收到了预期的效果。后来，他们还在此基础上，系统地提出了所谓的“进化策略”。与此同时，美国加利福尼亚大学的科学家在研究自动机时也提出了类似的“进化规则”方法。再后来，密歇根大学的霍兰和同事在综合有关成果的基础上，结合自己的独立研究，最终系统地阐发了进化计算的思想。

只要细心观察大自然就会发现，进化、选择是极为微妙、富于创造性的过程，且常常以想象不到的方式解决问题。根据智能的解决问题标准，这些无疑是奇妙的智能。在有关专家看来，生物的进化就是问题求解的最佳范例，其进化的过程实际上就是问题求解寻优的过程。对于给定的初始条件和环境约束，选择使表现型尽可能向最优靠近。加上环境处在不断的变化中，于是物种就不断地向最优进化，其突出的表现是强鲁棒性。所谓鲁棒性是指生物在不同环境中通过效率与功能之间的协调平衡而达到更好的生存能力这样的特性或能力。进化的内在机理是什么呢？新达尔主义的看法是，进化之所以表现为向最优的逼近，根源在于，物种和种群内部存在着复制、变异、竞争、选择这样的内在过程。复制是指生物的主要特征向一代的传递，变异则是复制过程中所表现出的差异，竞争是生物为争夺有限资源而表现出的行为，选择是对要传承下去的特征的取舍。在强调生物智能的人看来，这些现象即使不是十足的智能样式，也包含着智能的元素和根据。

问题是，生物的进化有无可能被学习和模拟？回答是肯定的。因为进化过程有形式的一面，因此将它们加以抽象化，并加以编程，就可形成一种计算模型，进化计算正是这样形成的。如用一组特征数据（基因）表示一个生命体，用它对生存环境的适应度来评价它的优劣，然后再让那些适应度优的特征繁殖得更快，甚至取代适应性差的特征。从类型上说，已有的达尔文式进化计算有四种形式，即进化规划、进化策略、遗传算法、遗传程序设计。目前还有这样一种新的走势，即进化计算的各种形式相互融合，人们把它称作人工智能的进化主义方向。

就遗传算法来说，它是以达尔文进化论为基础形成的算法，浓缩了达尔文进化的主要过程，如借自然选择、重组与变异所实现的基因突变。从特点和作用上说，它是依据“适者生存、优胜劣汰”的进化原理而创立的一种搜索算法。其创立的动因有两方面，一是应用方面的动因。例如，有许多复杂问题需要找到最优解，而可能的解却很多，每一种推演下去会非常复杂。如果考题到决定问题的因素本身是在变化的，那么可能的解就更难确定了。用穷举的寻优方法显然是不行的，很多时候根本不可能找到解。二是理论上的动因。自然界的生物是按进化的规律不断向前发展的，其内在机理究竟是什么？这一问题如果能弄清楚，那么将有利于人工系统的设计。遗传算法在借鉴有关生物学理论的基础上，形成了自己特有的概念体系，如遗传算法。遗传算法是一种概率搜索算法，它把某种编码技术用于被称作染色体的二进制数串，进而模拟由这些数串组成群体的进化过程，通过有组织的、随机的信息交换，重组那些适应度高的数串。因此，它是通过作用于染色体上的基因、寻找好的染色体来完成问题求解最优化的一种随机算法。此外还有染色体、变异、适应度和选择等概念。

遗传算法有简单和复杂之分。简单的一般包括三种基本操作，即复制、交叉和变异。复杂遗传算法又称高级遗传算法。简单遗传算法的优点是实现起来比较简单，因为它采用一般复制法即转轮法来选择后代，使适应值高的个体具有较高的复制概率。其问题在于，种群最好的个体可能难以产生出后代，造成所谓的随机误差。为了解决这一问题，有关专家提出了一些新的复制方法，从而使遗传算法变得更为复杂。这些复制方法有，稳态复制法、代沟法、选择种子法等。选择种子法也可被称作最优串复制法，其作用是能保证最优个体被选进下一步进化种群。由于遗传算法有对问题的依赖小、可以获得最优解等优点，因此应用的领域非常广，如在模糊控制、神经网络、图像处理与识别、规划与调度等方面都有较成功的应用。

遗传算法模拟的是大自然在进化过程中所用的操作过程和机制，无疑是师法自然、向大自然这位心智建筑大师学习的成功的范例。从信息论的观点看，它的加工过程非常类似于人的寻优过程。如从问题开始，经过一系列中间过程，最后获得关于问题的解答。如果人的解题、寻优过程具有意向性这一智慧的根本特性，那么遗传算法也有。当然，这只能是遗传算法倡导者的一家之言。不错，从形式上看，遗传算法有类似于生物、对于外在环境的意向性、关联性，如在操作开始时，向它提供的是关于环境的某些信息，是待求解的问题，因而不是形式或符号本身，在操作结束时，它提供的是关于问题的最优解，至少能以很大概率提供整体最优解。总之，它所处理的代码以及对代码的处理过程和结果都超出了自身，并关联于它们之外的东西。但从实质上说，它并没有真正的关联性，充其量只有派生的、形式上的关联性。因为，它从始至终只是在进行代码的转换，即使其中也夹杂着较复杂的操作，如杂交、变异、适应度和个体的选择，等等。但它们本身什么也不代表，什么也不关涉。初始状态中的个体以及结果状态中的输出本身什么也不代表。它们要能代表、表示什么，一点也离不开设计和操作人员。

再看进化策略，20世纪60年代由比纳特（Peter Bienert）等人创立，它是在模仿自然进化原理的基础上建立的一种数值优化算法，最近被应用于离散型优化问题的解决。它的一般过程是，先确定要解决的问题，然后从可能的范围内随机选择父向量的初始种群。父向量通过加入一个零均方差的高斯随机变量以及预先选择的标准偏差来产生子代向量。通过对误差做出排序来选择保持哪些向量。那些拥有最少误差的向量被确定为新的父代。最后，通过产生新的实验数据、选择最小误差向量以找到符合条件的答案。从与遗传算法的关系看，它们尽管都是通过模拟生物进化智能属性而产生的，但进化策略中的个体的每个元素因为不被看作是基因，而被看作是行为特性，因此它便有别于遗传算法。其特点在于，不注重父代与子代或复制的各个种群之间的遗传联系，而更多地强调它们之间的行为上的联系。

进化规划也是一种进化算法。刚开始，这种方法与进化策略十分相似，后来逐渐演变成一种有自己鲜明特点的算法。促成这种变化的主要是福格尔（D. B. Fogel）等人。他们认为，一个系统要产生智能行为，必须有根据给定目标来预测环境，且还能根据这种预测完成响应行为的能力。在这种思想的指导下，他们在有限状态机的基础上建构了一种新的进化算法，即根据环境中出现的下一個符号以及定义完善的目标函数，来产生对算法最有利的输出符号。这种进化计算可用于离散状态的优化问题、实数值的连续优化问题。不同于进化策略的地方在于：其一，进化策略所采用的选择机制是严格确定的，而进化规划一般注重随机性选择;其二，进化策略中的编码结构一般对应于个体，而进化规划中的编码结构则对应于物种。因此，前者可通过重组操作产生新的尝试解，而后者做不到这一点，因为不同物种之间不可能进行所需的沟通。

再看非达尔文式进化计算。20世纪70年代，生物学向分子水平发展，产生了分子水平的综合进化论，此即非达尔文主义。它有多种形式，如受拉马克思想影响的进化论。拉马克认为，物种可变，稳定性是相对的。进化的方式或法则是，用进废退、获得性遗传。所谓获得性遗传是指，生物由于受环境的影响，受用进废退的作用，便会获得一些特性，而这些特性可传给下一代，这种传递就表现为进化。一些专家受拉马克的进化学说影响创立了有效的机器学习算法，即“拉马克学习”，它模拟的是生物的获得与传授过程，而表现出的则是智能中最重要的学习行为和能力。协同、共生进化论也是非达尔文式进化论。它认为，达尔文的进化论过分强调物种的独特性和生物竞争，而没有看到生物的相互依存、协同、共生对进化的作用。有鉴于此，这种理论便突出了这些方面。另外，达尔文的进化论只是从宏观上研究了物种进化，而没有具体触及生物进化的内在过程及其机理，孟德尔的遗传学弥补了这一不足。于是，达尔文进化论与遗传学便走向了融合，并与系统分类学、古生物学结合在一起，形成了现代达尔文主义。其基本观点是，在生物进化过程中，个体基因结构是自变量，个体对外界的适应度是唯一因自变量变化而改变的量。基因结构改变后，不同基因的后代在适者生存的法则作用下，后代数量也不同。

在上述非达尔文式进化论思想的启发下，许多新的进化算法便应运而生，协同进化算法就是其中的一种形式。协同进化算法是在协同进化论基础上产生的一种进化算法。其不同于其他进化算法的特点在于，它在肯定进化算法的基础上，同时强调种群与种群、种群与环境之间的协调对于进化的作用。这一算法有多种形式。一是基于种群间竞争机制的协同进化算法。它把种群再分为子种群，并认为子种群处在有合作行为的竞争关系中，子种群通过个体迁移达到信息交流。其中，最简单的算法是并行遗传算法，有三个模型，即踏脚板模型、粗粒度模型、细粒度模型。它们都通过个体迁移等手段实现信息交流，进而使各种群得到协同进化。二是基于捕食—猎物机制的协同进化算法。这一算法依据的是捕食者与被捕食者在追捕与反追捕的斗争中共同获得进化的过程及机理。捕食与猎物的关系不外是遭受选择压力的个体间的一种反馈机制。由于有这一机制，系统便获得了进化，如由简单走向复杂。三是基于共生机制的协同进化算法。其操作是，把总问题分解为子问题，每个子问题对应于一个种群，然后让每一种群按一种进化算法来进化。对于一个待解的问题，每个进化个体只提供部分解，而完整的解则取决于这些部分解的相互作用。（焦李成等：《非达尔文进化机制与自然计算》，载涂序彦主编：《人工智能：回顾与展望》，第232—234页。）

拉马克克隆选择计算是非达尔文式进化计算的又一新的形式。由于它依据的是脊椎动物免疫系统的作用机理，特别是人这样的高级脊椎动物免疫系统的信息处理模式，因此经这种方法构建而成的智能算法也可被称作人工免疫系统算法。众所周知，作为它的“原型实例”的生物免疫系统十分复杂，功能也很明显和独特。例如，它能抵御细菌、病毒和真菌等病原体的入侵，消除变异、衰老的细胞和抗原性异物，还要在发挥这些功能作用时不断通过学习、识别、记忆外界入侵者，自动建立、更新自己的防御体系。它学习的方式很独特，不像神经系统那样通过改变神经元连接强度而学习，而是通过改变细胞网络单元间的浓度与亲和度来完成学习任务。有关专家认识到，免疫系统完成其功能所用的方法、手段、策略如果能被模拟，转化成计算机的东西，那么它们本身尽管不是智能，但极有利于智能的形成和发展。另外，免疫系统的通信机制、免疫反馈机制、冗余策略、多样性遗传、工作可靠性和网络分布特性等也都值得模拟。只要能建构关于它们的计算模型，那么就会产生许多新的人工智能样式。人工免疫系统就是通过模拟这些特性而形成的智能系统。尽管被模拟的功能还十分有限，但在当今，它已成为推动人工智能研究的新的动力。这里更激进的观点是，“生物免疫系统就是高度进化的智能系统”，模拟它而形成的人工免疫系统因具有自己独特的信息处理能力和方式，因此被认为其有智能属性。（史忠植：《智能科学》，清华大学出版社2006年版，第388—389页。）它有无教师学习、自组织、记忆等进化学习机理，还综合了分类器、神经网络和机器推理的优点。其应用范围十分广泛，效果显著，在控制、数据处理、优化学习和故障诊断等领域中都显示了强大的生命力。从哲学上说，这样的算法无疑具有一定程度的智能特性，甚至有智能中最关键的意向性，它们能根据环境的变化形成对问题的较优的解决办法，表明它们与外在的东西有动的交涉。这类算法有许多不同的形式，如克隆选择算法。它有类似于遗传算法的地方，但由于它侧重于模拟生物体免疫系统自适应抗原刺激的动态过程以及它的学习、记忆、抗体多样性等生物特性，尤其是模拟克隆选择机理，因此被称作克隆选择算法。再如拉马克克隆选择算法，它是在前述克隆算法的基础上通过引入拉马克进化机制而形成的一种自然算法。其特点是强调个体不断学习和适应周围环境的能力，强调父代只要能提供适应性经验，就能将它们传给下一代。

可以肯定，进化计算理论和实践不仅在生物世界发现了相同于或不同于人类智能的新的智能形式，而且尝试用不同于人类的方式将它们实现于机器之上，如协同进化算法较好解决了机器学习中的分类问题，同时用新方法将分类的能力实现于机器之上。其表现是不用个体表示规则，而用个体表示组织，所用的算子是迁移算子、交换算子、合并算子之类的进化算子，加上一组进化机制。非达尔文式进化计算由于模拟了生物体的较复杂的特性，并强调自适应、自组织、非线性和方法的多样性，因而有解决复杂问题的潜力。从特定的意义上可以说，它们不仅确认了智能多样性的本体论地位，而且以独特的方式创造了大量新的人工智能形式。

三、拟物算法、群智能与智能的物理机制

人工智能研究有一新的激进观点，那就是强调人工智能模拟的“原型实例”不仅超出了人类智能，进到了自然界广泛存在的信息处理系统，例如神經系统、遗传系统、免疫系统、生命系统、生物进化过程（微观机理与宏观行为），而且延伸到无生命事物的某些加工过程，如众多个体自发结合在一起形成的无意识的群体行为（蚁群的无意识的觅食行为导致的群智能）、物体的退热过程及机理（退火算法据此而产生）。这种观念上的变化导致了新的领域和研究热点的涌现。我们这里关注的是经模拟群体行为和无生命事物的作用机制而形成的一些自然算法形式及其智能观问题。

先看群智能算法。单个的蚂蚁好似没有头脑，至多只有极微弱的智能，事实也是这样，一个蚂蚁的构造极为简单，就那么几个神经元，但是蚂蚁集合在一起却有神奇的功能。如若干蚂蚁能围着一只死蛾转，经过大家的推拉，可以把它推向蚁丘。当人们观察它们的集体及其行为时，会感到吃惊，它们很像一个社会，一台计算机。它们能进行分工协作，其蚁丘、外墙、顶盖需要各种规格的材料，这些都是它们的杰作。白蚁群更神奇，它们能建造由许多穹顶小室组成、具有自然空调功能、冬暖夏凉的晶状大厦。少数的白蚁当然不可能有什么作为，但当越来越多的白蚁加入、达到某个临界值后，似乎便有了思维，如全部白蚁分工合作，操纵两柱合拢，形成天衣无缝的拱圈。总之，随着群体的变大，智能也随之出现并增大，当数量达到某个阈值时，便会导致性能的质变。这种由本无或很少智能的个体的集体行为所凸显出来的性能居然成了智能大家族中的一种别样的智能——群智能。这个概念极有意义，准确表达了一种新的智能样式。

人工智能专家受蚁群及其智能的启发，创造了各种模拟生物种群体的智能，如蚁群算法等。20世纪90年代初，在意大利米兰理工大学读博士的多里戈（M. Dorigo）基于对蚁群觅食行为、劳动分工、孵化分类、协作运输的细心观察，提出了蚁群算法的基本思想。多里戈说：蚁群算法的“灵感来自群体寻找食物的行为，而算法针对的是离散的优化的问题”。（M. Dorigo等：《蚁群算法》，张军等译，清华大学出版社2007年版，第2页。）其目的是，“通过开发引导真实蚂蚁高度协作行为的自组织原理，来调动一群人工自主体协作解决一些计算问题”。（M. Dorigo等：《蚁群算法》，第1页。）该算法模拟的主要是蚁群寻找食物的行为。显然，蚁群在觅食时会派出一些蚂蚁分头寻找。如果一只蚂蚁找到了食物源，就会返回。在返回途中，它会留下一连串的“信息素”，以便让其他蚂蚁行进时参照。如果两只蚂蚁找到了一个食物源，它们就会分头返回。如果返回的路径不一样，一个长，一个短，那么返回路径较直、较短的那一条留下的“信息素”会浓一些。模仿这种行为而产生的蚁群算法包括三方面的内容：其一，记忆。根据蚂蚁不会再选择搜索过而无结果的路径这一行为特点，该算法建立了禁忌列表;其二，利用信息素相互通信;其三，集群活动。如前所述，蚂蚁在搜索时，如果路径上留下的信息素数量大，那么蚂蚁选择它的概率就会加大，信息素也因通过的蚂蚁增加而加强。反之，路径上通过的蚂蚁少，其上的信息素则会随时间推移而蒸发。据此而形成的群智能路径选择机制，就会使蚁群算法的搜索向最优解推进。如此完成的行为之所以可看作是一种群智能，是因为无论是真实的蚁群的行为还是这个算法的执行，都可完成以前只能由人类智能完成的行为。不仅如此，它们有时的表现并不比人类智能差，如该算法在机器上实现可以以较高的质量、人类无法与之相比的速度和精确性解决各种路由问题、分配问题、调度问题、子集问题、最短公共超系列问题、箱子包装问题、机器学习问题等。

类似的自然计算还有粒子群算法或微粒群优化算法，它是受鸟群觅食行为启发而发展起来的一种基于群体协作的随机搜索算法。一群鸟的随机搜索食物的行为像蚁群觅食行为一样也表现出了群智能。假设某个区域只有一块食物，所有的鸟都不知道食物在哪里，但是它们知道当前的位置离食物还有多远。在这种情况下，找到食物的最优策略就是搜寻离食物最近的鸟的周围区域。有关专家受其启发认为，从这种行为模式中可找到解决优化问题的计算策略。根据这一策略，每个优化问题的解都是搜索空间中的一只鸟，可称作“粒子”。所有的粒子都有一个由被优化的函数决定的适应值，每个粒子还有一个速度决定它们飞翔的方向和距离。该算法的起点是一群随机粒子（随机解），然后通过迭代HYPERLINK“https：//baike.baidu.com/item/%E8%BF%AD%E4%BB%A3/8415523“＼t"_blank"找到最优解，在每一次迭代中，粒子通过跟踪两个“极值”来更新自己。第一个就是粒子本身所找到的最优解，这个解叫作个体极值，另一个极值是整个种群找到的最优解，这个极值是全局极值。如果不用整个种群而只用其中一部分最优粒子的邻居，那么在所有邻居中的极值就是局部极值。

根据一种哲学解释，这些算法不仅表现了智慧特性，而且还缔造了一种新的智能形式，即群智能。它们是由本无或很少智能的个体的集体行为所凸显出来的。这就是说，一些简单的存在尽管本身没有智慧特性，但大自然的奇妙之处在于，这些存在以特定的方式集合在一起，相互作用，居然能导致智能大家族中的一种别样的智能——群智能——的诞生。有什么理由说它们是智能？因为它们不仅能解决以前只能由人类智能解决的问题，而且有时解决得比人类好，至少有人类智能所不及的特点，如这类群智能所有的灵活性、简单性、并行性、扩充性、鲁棒性等。这些特点根源于无智能或只有简单智能特点的个体所完成的群体协作和组织行为。由于它们没有中心的控制和数据，因此由个体所组成的系统就有鲁棒性，不会因一个或几个个体的故障而影响整个问题的求解;由于群体可以更好适应随时变化的环境，因此这样的系统就有上述灵活、并行等特点。在有关专家看来，自然界到处都存在着能导致智能产生的条件和机制。在这里，適应对群体表现智能特性至关重要。所谓适应就是一结构通过改变自身而让自身在环境中生存下来并有良好的表现。著名算法专家霍兰德（J. Holland）说，适应在本质上“就是一种优化过程”。（J. Holland：《自然与人工系统中的适应》，张江译，高等教育出版社2008年版，第1页。）由于适应有此作用且有广泛的存在性，因此智能在无智能性的事物中产生出来就不足为奇。

退火算法模拟的尽管是自然事物如固体的冷却、退火过程，但作为一种随机寻优算法，可为大规模优化组合问题提供解，因此也具有自己独特的智慧特性。它采用了Metroplis接受准则，还用一组被称作冷却进度表的参数控制算法进程，进而使算法在多项式时间中给出一个近似最优解。这种算法有保优和温控的智能特性，这些特性不是由神秘的或精神的力量使然，而是根源于自然事物本身所固有的构造和特性：其保优性能根源于事物本身所固有的聚集性，此特性能引导分析进而聚集到最优点所在的区域，而温控的特性和状态接受机制体现的是自然事物所固有的弥散性，它们能把分析分散到其他区域，减小遗漏最优点的概率。质言之，算法的寻优智能特性就根源于事物本身所固有的聚集性和弥散性。所谓聚集性即引力场中的粒子表现出的向心性，即向群体中心聚集的现象，弥散性即斥力场中的粒子表现出的群体离心扩散的现象。人类的寻优智能之所以能寻优，一方面是因其内有遍历性，即尽可能全面搜索、了解各种可能空间，另一方面有收敛性，即不断向中心收缩。有关算法及其所模拟的对象由于有聚集性和弥散性，因此也可表现智能所具有的那些遍历和收敛的智慧特征。另外，这些算法还有遍历的特性，只要有此特性，算法就有全局收敛性，这一收敛性可针对任意可寻优对象或函数。而对象和函数的多样性、复杂性又让算法在保证可以遍历所有点的能力时，能够确保随着算法的进步而找到全局最优值，即完成寻优这一原先要由人类智能才能完成的任务。

四、“沙文主义”“自由主义”与智能观问题的一种尝试性解答

各种自然算法在人工智能“师法自然”这一新的探索实践中无疑迈出了开创性的一步，不仅在认识智能的样式、本质和奥秘上做出了新的探索，而且为人类建造更接近于自然智能的人工智能积累了经验和教训。从实际效果来看，新的模拟进化和别的事物运作及其机制的方法，较之传统的方法在解决许多问题的过程中显示出强大的生命力，在优化问题上甚至有传统方法不可企及的优点。汪镭等学者说：“这些算法均具有模拟自然界相关生物组织和生物系统的智能特征。”（汪镭等：《自然计算——人工智能的有效实施模式》，载涂序彦主编：《人工智能：回顾与展望》，第50页。）但同时必须承认的是，自然算法的研究尚处在起步阶段，问题和困难在所难免。爱挑毛病的批评者正是看到了这一点，对自然智能提出了各种批评和责难，有的甚至做了彻底的否定，如断言所谓的自然计算根本算不上智能。

根据批评者的看法，这些算法的要害问题仍是太形式主义，甚至太拘泥于图灵机的概念框架，与人的真实的智能存在根本差异，因为人的心智并非只有形式的一面，并非只是一个按固定算法行事的机器。另外，人的智能是极其复杂的，或者说是复杂系统。而复杂系统的特点在于，能“根据规则做出决定，它们时刻准备根据新得到的信息修改规则。不仅如此，主体有能力产生以前从未用过的新规则”。（约翰·卡斯蒂：《虚实世界：计算机仿真如何改变科学的疆域》，王千祥等译，上海科学教育出版社1998年版，第230页。）也就是说，人的智能有非算法的、抵制编程的一面。根据批评者的苛刻智能标准，自由、自主的意向性或关联外物的作用是智能的根本标志，否则不是智能。自然算法及其所产生的所谓智能由于不符合这个标准，因此不能被看作智能。在彭罗斯看来，智能、智慧离不开意识、意向性。他说：“智慧问题属于意识问题范围内，我相信，如果没有意识相伴随，真正的智慧是不会呈现的。”（罗杰·彭罗斯：《皇帝新脑：有关电脑、人脑及物理定律》，许明贤等译，湖南科学技术出版社1995年版，第469页。）根据这个标准，自然计算没有智能特性。著名科学家哈肯也有类似的看法，他说：“现今的各种计算机仍然远远不能达到被称为‘智能这一要求，因而还无法谈及计算机的智商问题。”（赫尔曼·哈肯：《大脑工作原理：脑活动、行为和认知的协同性研究》，郭治安等译，上海科技教育出版社2000年版，第310页。）“可以毫无异议地说，大脑的工作不同于图灵机。用另一种方式讲，当图灵机產生一组数字作为一个数学问题的解时，是人给这些数字赋予了具体的含义。如果图灵机发现一个问题不可判定，人可以确定真正发生的事件！”（赫尔曼·哈肯：《大脑工作原理：脑活动、行为和认知的协同性研究》，第313页。）

这样的争论表面上是关于自然计算之类的人工智能是不是真正的智能的争论，其实涉及的是关于智能观根本问题的争论，因此可看作是心灵哲学、认知科学和人工智能哲学中“沙文主义”与“自由主义”争论的继续。当然，在争论中派生出了许多有新的思想内容的理论形态。“沙文主义”和“自由主义”这两个概念是一方在批评、指责对方时送给对方的绰号。“沙文主义”认为，心智是人类独有的现象，是人与非人区分的标准。由于它坚持只有人类才拥有智能，人的智能是研究智能的唯一的“原型实例”，因此被批评者认为犯了人类沙文主义错误。“自由主义”则走向了另一极端，认为除人的智能是原型实例外，我们还应把心智现象归于人以外的生物、无机物、计算机、外星人甚至符号系统等。激进的做法是提出了智能普存论，认为智能在于信息加工，信息加工无处不在，因此智能遍在。（涂序彦：《人工智能的历史、现状与前景》，载涂序彦主编：《人工智能：回顾与展望》，第63页。）有的甚至认为，机器表现出的智能现象也应成为我们抽象智能定义的一个“原型实例”。鲁格尔说：“我们避免使用‘智能是人类的特有能力的粗浅说法，而相信我们能够通过设计和评估人工智能产物来有效地研究可能的智能空间。”（G. Luger：《人工智能：复杂问题求解的结构和策略》，第1页。）这一看法不仅别出心裁地强调智能样式具有多样性、无穷可能空间的新特点，而且隐含着一种研究人工智能的新战略，即主张通过从实验上研究和评估计算机上所表现出的智能现象来推进人工智能的发展。他说：“人工智能研究的是智能行为中的机制，它是通过制造和评估那些试图采用这些机制的人工制品来进行研究的。”（G. Luger：《人工智能：复杂问题求解的结构和策略》，第587—588页。）这是典型的“异人工智能策略”或泛智能主义。很显然，这里的争论是关于智能的本质、起源等智能观的一般性观点的争论。而智能观问题是哲学和人工智能科学都无法回避的问题。例如，一般人工智能专家认为，人工智能研究既是一门有形而上性质的抽象科学，又是一门十分具体的应用工程学。因为它不仅要解决计算机如何能表现出人类智能、计算机实现智能需要哪些原理、条件和技术支撑等问题，而且要站在像哲学一样的高度来回答智能是什么、有何标志、特征，其实现有何条件等问题。在此意义上，许多人工智能专家认为，这一学科“是一般性的智能科学”，“是认知科学的智力内核”，“它的目标就是提供一个系统的理论，该理论既可以解释（也许还能使我们复制）意向性的一般范畴，也可以解释以此为基础的各种不同心理能力”。（玛格丽特·博登编著：《人工智能哲学》，刘西瑞、王汉琦译，上海译文出版社2001年版，第2页。）

笔者认为，这里的争论焦点是，智能是一还是多？除了人有智能、能成为智能的原型实例外，非人事物是否能有智能特性？质言之，智能是否是遍在的？对这些问题，研究的论著可谓汗牛充栋，但观点莫衷一是。之所以如此，根本原因是这一问题没有得到清晰的分析和梳理，特别是没有看到里面缠绕的“本质循环难题”，没有对之做出合理的解答。这个难题的表现是：要按智能观的要求找到关于智能的本质，建构科学的定义，首先必须尽可能全面地查明智能的个别事例或原型实例，事例越多，越有望避免以偏概全的错误;而要如此，又必须找到区分智能与非智能的标准，即有对智能的本质的正确认识;要有这个认识，又得有对个例的了解;要想知道某个例是否是认识智能本质的个例，又必须有判断的标准或关于本质的认识，如此循环，以至无穷。以往的有些争论其实已触及了此难题，只是人们没有认识到予以解决的必要性和办法，或者通过预设回避了循环问题，如强调以人的智能为原型实例的“沙文主义”就预设了自己关于智能本质的一种观点，而坚持机器表现出的智能也应成为研究智能的可能空间中的实例的人也有自己对智能本质的预设。之所以争论没有促成认识向真理的逼近，原因在于，一是这里的循环没有得到清理和超越，二是都以预设作为论证自己观点、批驳对方观点的前提。究竟该怎样化解这一难题呢？

要化解危机、冲破迷雾，关键要认识到这一难题有两个问题没有得到足够清晰的认知。它们分别是“规范性问题”和“事实性问题”。笔者认为，智能观问题中的本质追问同时纠缠着这两个问题，不区分开来就直接去给出对本质问题的回答，必定陷入自说自话、各唱各调的境地。所谓规范性问题是指语词或命名问题。命名是一种规范性行为，一旦出现过去语词没法予以表述的对象时，命名就有其必要性，如为一新生儿命名就是如此。用什么名字去称呼他，纯粹是在有关可能选项中挑选的问题，即属于“应该”问题。能指与所指之间的关系有任意性，没有要符合的事实，因此不存在对与错，只有贴切不贴切、妥当不妥当的问题。但两者的关系一旦得到确立，就有其强制性。智能问题中的规范性问题，是指人们创立或使用“智能”这个词究竟要指称什么对象，指称多大范围内的对象，这是一个像命名一样的规范性问题，有其任意性，属于应该的问题。如有的人强调其智能指的是人所能表现出的智能，有的人则把“智能”指称的范围扩大到高等动物，乃至扩大到一切事物上，这是每个人所拥有的权利，没有对错之分，只有应该不应该的区别。正是因为有这个权利，哲学家和科学家经常创立新的语词或赋予旧词以新义。智能的事实性问题则不同，它指的是一旦“智能”一词的外延、指称范围被确定以后，其个例具有什么共性，能从中抽象出什么本质规定性就是一个事实问题，所得的结论就有对错之分。过去的争论之所以越争越糊涂，是因为没有把这两个问题区分开来，在不同的规范或外延下讨论智能的本质，如用从人类智能个例中抽象出的智能本质理论去批判坚持智能更大外延的人的智能本质理论，这就相当于在两个根本不同的語言世界中争吵。在笔者看来，两种以上的关于智能本质的理论的争论，只有在都坚持了同样外延的前提下才是有意义的。如对于智能有无意向性、意识等本质特点的争论，只有在把智能的外延局限在人的智能范围内才是有意义的，因为这类本质特点是从人身上抽象出来的。若据此去批评指责坚持自然计算是智能现象的观点就是无的放矢，因为坚持这一观点的人所理解的智能本质（即能解决问题）是从更广泛的事物包括无机物中抽象出来的。在此意义上，笔者既承认意向性是智能的本质特点，也承认没有意向性的事物也可表现出智能特性，因为它们是分别相对于不同的外延而言的。既然如此，不加限定地论证或批评某种智能本质理论是没有意义的，像塞尔那样无条件地指责人工智能因没有意向性从而不是智能就有失偏颇。

综上，笔者认为，如果在解决智能的规范性问题时坚持认为，“智能”一词的意义是信息加工或能解决问题，其原型实例包括人类、自然界、计算机乃至社会中符合这个意义的一切过程或系统的话，那么可以断言，“自由主义”甚至智能普存论是无可指责的。当然如果在理解智能时以人为原型实例，只承认人的具有意识、意向性特性的过程是智能现象，那么当然应否认自然计算有智能特性（它们即使有意向性也只有派生的意向性，而没有像人的意向性那样的原始意向性）。新出现的各种自然算法不仅在揭示自然智能及其必备特征的根据、条件、原理的过程中形成了新的结论，而且在模拟的技术实践中也有新的收获，甚至突破。计算智能已把模拟人的“能看、能听、能想”的能力作为明确的目标提了出来。邱玉辉等学者说：“智能计算的最终目标和希望是‘机器最终能看、能听，甚至是能想。”（邱玉辉等：《计算智能》，载涂序彦主编：《人工智能：回顾与展望》，第152页。）据此，计算智能应定义为：“包含计算机和湿件（如人脑）的一种方法论，而这种计算展示了适应和处理新情况的能力，使系统具有推理的属性，如泛化、发现、联想和抽象。” （邱玉辉等：《计算智能》，载涂序彦主编：《人工智能：回顾与展望》，第152页。）当然应承认，它们没有、甚至永远不可能有人的原始意向性所具有的那种有意识的自主的关联作用。其实它们也不需要有这样的特性，因为自然界、人类社会、人工世界都是按分工协作原则组织起来的。

也正是基于这样的对规范性问题的解答，笔者不赞成智能单一论，而赞成智能形式的多样性、开放性理论。当然这是相对于一种规范而言的，改变规范，结论就不同了。根据智能多样性理论，智能的形式多种多样，广泛存在于自然界、人类心灵、人类社会中，层次有高低之别，而且还具有开放性、可再造性，人类可通过自己的才智创造出更加丰富多样的智能体。就此而言，“异人工智能策略”或泛智能主义、智能普存论是合理的，也值得进一步推进和发展，这对我们实现人工智能的目标是必不可少的。在一定的规范下承认智能的多样性、遍在性、开放性，对于我们通过人工智能的方式创造出更多、更实用的智能样式，对于人类自身的发展是有不可限量意义的。既然如此，人工智能未来发展就应着眼于对广泛的、具体个别的智能样式的解剖，即应以尽可能多的智能个例为原型实例，探讨它们构成、起作用的方式和运作机理，而不应停留于议论宏大的、泛泛的智能现象。如果确实是以具体的智能为模型而建构出来的人工智能，那么就应承认其是真正的智能。也就是说，应放宽智能标准，坚持智能的复杂多样性理论，不犯以偏概全的错误，不将智能子类的标准泛化到其他子类之上，否则，就会人为扼杀真正的人工智能。

Natural Computation and Its Problems in the View of Intelligence

GAO Xinmin

Abstract： In the process of simulating the function of a wide range of natural things and constructing such as annealing algorithm and evolutionary algorithm， the research of natural computing of artificial intelligence not only makes active exploration and contribution in improving and expanding human ability， but also provides us with rare materials for further thinking about the problems of intelligence concept and solving the in-depth basic theoretical problems of artificial intelligence from the perspective of philosophy and engineering technology. The urgent problem of AI philosophy is to distinguish normative problem from factual problem and to solve the essential circulation problem in the view of intelligence when it comes to natural computing. If artificial intelligence wants to make positive progress in simulating and surpassing natural intelligence， it should not only take one intelligent mode as the prototype example of anatomy and fall into the “chauvinism” extreme， but also relax the intelligent standard while avoiding the “liberalism” error， adhere to the complex diversity theory of intelligence， avoid the error of over-generalization， focus on dissecting as much intelligent modes structure and operation mechanism as possible， and base on all these work to create more and more useful new modes of artificial intelligence.

Key words： natural computation， the view of intelligence， essential circulation problem， diversity of intelligence

（责任编辑：知 鱼）

基金项目：教育部人文社会科学研究规划基金项目“意向性与人工智能建模基础问题研究”（20YJA720003）

作者简介：华中师范大学哲学研究所教授，博士生导师（湖北 武汉 430079）。