创造力的计算建模、机器实现及其认知哲学意义

高新民

摘   要： 创造力及其计算建模与机器实现的AI探讨具有一箭双雕的意义，一方面，这一探讨有利于真正实现AI所确立的模拟、增强、延伸乃至超越人类智能的理想，另一方面，AI的创造力研究和建模又有反哺哲学和心理学等学科进一步发展对创造力认知的作用，对于我们认识、发展和利用人的创新能力有不可限量的意义。要想让这一领域步入真正的快车道，必须认识到创新能力的多样性，不能局限于建模人类的创新能力，而应有更广泛的模板和更开阔的视野。相应地，这一研究应坚持多元化原则，既模拟人类的创新能力，又模拟非人的创新能力;既让机器完整实现某一创新能力，也让它实现该能力的某一部分或某一要素，甚至让其参与人类的创新。该领域的最大难题是灵感等非逻辑思维能力的理解和建模问题，要予化解，只能在融合自然主义与现象学的基础上，借鉴和发展人脑逆向工程的成果，继续推进对创造力的自然化和计算化。

关键词： 创造力;计算建模;机器实现;人工智能

中图分类号：TP18  文献标识码：A  文章编号：1004-8634（2022）01-0097-（12）

DOI：10.13852/J.CNKI.JSHNU.2022.01.010

这里所关注的创造力（creativity）包含通常所说的、只为人所具有的创新能力，但前者外延要大。至于具体多大，不同论者看法不一，一般是将它定位于生物界，最宽泛的理解是认为它广泛存在于一切事物之中。笔者认为，创造力与创新能力除了所属主体存在着不同之外，在其他的规定性方面并没有太大差别，如从认知和评价角度说，它们都具有新颖、出人意料、令人惊喜等标志性特点，在许多人心目中都是“一种谜，一种悖论，一种神秘”。1 既然如此，为行文方便，本文将不予区别。创造力对于哲学和心理学等学科而言是谜，对于发誓要建模乃至超越人类智能的人工智能（以下简称AI）来说更是如此。例如，当切入创造力的机器建模这一课题时，我们马上会为这样的矛盾现象而困惑不已，一方面，机器在我们所理解的“创新”的任何意义上，都不仅有其表现，而且有惊人的成就。它们不仅能自己创新，而且能与人类艺术家合作，以这种方式机器正在对艺术产生革命性的转变作用。大量事实表明，机器在问题解决、科学发现中的表现也有目共睹，DeepMind公司开发的AlphaFold2人工智能系统，基于氨基酸序列，精确预测了蛋白质的3D结构。它的准确性能与使用冷冻电子显微镜、核磁共振或X射线晶体学等实验技术解析的3D结构相媲美。这一成就被誉为“变革生命科学和生物医学”的突破。但另一方面，许多人在严格的反思之后又认为，机器所表现出的那种创新不是真正的创新，因为创新只能是少数天才所拥有的品质，一般人望尘莫及，更何谈机器的创造力。就研究而言，创造力及其机器实现尽管充满困惑，但毕竟已然成了一个成熟的、既有学理意义又有实践价值或工程学意义的研究领域，因此，哲学是可以而且应该在这里大有作为的。本文将在考察創造力机器实践大量研究的基础上，对里面存在的问题和未来发展的方向做一些心灵与认知哲学的思考。

一、创造力的祛魅与计算建模的前提性问题

创造力机器建模表面上看是一个纯粹的工程技术问题，其实不仅包含大量深奥复杂的基础学理问题，而且没法绕过元哲学的探究，因为这里要建模的是人的能力中最复杂难解的创新力，而这一现象尽管已受到心理学、认知科学、神经科学等的大量研究，但最终都要进到元哲学的层面思考关于创造力的最一般的问题，如创造力的样式、范围是什么？它们是否是人类独有的能力？有无贯穿一切创新样式的统一的创新模式？等等。从认知的逻辑说， 要让创造力这一智能最重要、最关键的因素进入作为科学技术部门的AI的视野从而使之成为真正的智能科技，要让这一研究正常健康发展，必须清除有关障碍，优先回答关于创新本身的元问题，或解决创新观的种种问题。最明显的是，如果停留于对创新的现有的常识和哲学描述、理解，那么在计算机上是不可能表现或实现创造力的。只有将其自然化、计算化，通过分析、还原，将这些描述、理解转化为靠近机器实现的科学术语，实现机器建模，用计算机表现创造力才有可能。最糟糕的情况是，如果像悲观主义所说的那样，创造力是神秘力量因而是科学不可企及的，是大自然赐予少数人稀缺的、神秘的礼物，甚至像浪漫主义、神秘主义所认为的那样，创新是人类至高无上的荣耀，其精彩之处恰恰在于它的不可理解性，只能消费、利用，不能培养、发展、传授，那么对之做计算建模，乃至让机器来实现，那肯定是不可能的。这一领域的开拓者尚克（C. Schank）等认为，这类观点阻碍了AI对创造力的研究与建模，使一些研究者视创造力的建模为禁区，不敢予以触碰。尚克等提出：“不应把创造力放在高不可攀的神坛之上，而应让它进到AI的中心舞台。”1要如此，就应做祛魅、正本清源的工作，如实认识创新的本来面目和内在机制。

基于新的研究，尚克等一大批热衷于创造力计算建模的学者做了大量祛魅的工作，认为创新不是少数人的专利，更不是神的特性，而是每个人认知的特点，即是一种普遍的认知现象，每个人的思考和行为中都可包含创新的过程，如工人、农民用一种过去没有尝试过的方法完成了一件工作也可看作一种创新。它们尽管与伟大的发明创造不能相提并论，但在种类和性质上都属于创新行为。就其构成和本质而言，创新不是人的一种独立的能力，而是由人的许多能力（如思维、记忆等）和心理因素（如动机、情感等）所构成的高阶现象，因此，创新是可以用科学的方法来加以还原说明的。当然，他们承认，创新有其独特性，这种独特性可借用爱迪生的公式来表述，即创新是百分之九十九的汗水加百分之一的灵感。这里的灵感神秘吗？回答是否定的，因为它仍可接受计算主义的还原说明。在曼德勒（G.Mandler）看来，灵感其实是一种“心智爆发”（popping），即以前积累的、东西的、突然的、经过了提升和改造的闪现。其基础是潜意识中储存的心理内容和记忆中储存的有意识材料，其导火线是对它们的触发或激活，其爆发点是当下有意识的内容激活了无意识表征。 2

本领域最重要的前提性问题是计算机与创造力的关系问题，即两者有无关联的可能性，计算机能否表现或实现创造力？一种观点认为，两者风马牛不相及，因为创造力是人类心智独有的特征或本性，是人类心灵的奇迹，是最能体现人的本质特点的东西，而计算机只是机器，只能按人类编写的程序做一些力所能及的事情。不管其加工过程像什么，它都不可能有创造力，即使它在有些方面可以超越科学家和艺术家，但它的能力不能被称作创新能力。即使它表现出了所谓的创新，那也应归功于程序员。持否定态度的人对计算主义关于创新的理论探讨和实践建模提出了这样四大难题，即计算主义能帮我们理解创造力吗？计算机能做只有用创造力才能做的事情吗？计算机能认识创造力吗？计算机本身真的有创造力吗？

对这些问题主要有悲观主义和乐观主义两类回答。后者不仅做了肯定回答，而且库兹韦尔（R.Kurzweil）等甚至认为，未来的计算机将在包括创新能力在内的许多能力的建模方面大大超越人类，以致人类将过渡到如此依赖机器的地步，即人类别无选择，只能接受机器所做的所有决定，因为机器所做的决定比人好。到那时，机器将凌驾于人类之上，更有效地控制人类。 1

上述四大问题表面上差别不大，特别是第二和第四个，其实差别很大。正是因为有差别，像博登这样著名的AI哲学专家对它们便不一概做肯定或否定回答，如认为对前三个问题可做这样的肯定回答：机器不一定真的有创造力，但可以以自己的特殊方式做出类似人的创造行为的行为，从而表现出创造力，并被人们或社会评价为有创造力。对第四个问题，博登提出了这样一种代表许多人观点的看法，即计算机大概没有人所具有的创造力，不能以人的方式实现创造力，如机器凭自身无法完成创造性思维，因为机器执行了相应的程序并不等于它就有创造力，执行程序只是让符号发生变化的无心智过程。但博登又没有倒向塞尔，相反，对塞尔否定AI有智能发表了针锋相对的反批评。博登之所以只承认计算机有表面上的创造力，是因为她赞成说，真正的创造力离不开意识，而计算机不可能有真正的意识。但这不妨碍计算机以自己的方式模拟和表现创造力。2 事实上，已开发的许多绘画、音乐和文学创作程序都是按这个思路设计的，它们模仿的是人的有创造力的外部行为，或模仿人的创造行为的某些构成要素，因此能被旁观者评价为有创新性。若从内在过程和机制上评价，则会得出不同的结论。这类看法似乎模糊不清甚至包含矛盾，其实表达了许多认知主义者的这样一种关于创造力的真知灼见，它强调在界定创造力时，应把本体论视角与认识论或价值论视角区别开来，而过去的许多理论常把它们混淆在一起，如说创新就是生成了有新颖性的、令人吃惊的、让人意想不到的思想和产物。根据认知主义创新观，这些形容词是从认识论角度对创造力的评价，而“生成”这个表述说的是创造力的本体论方面的事实。要揭示创造力的本质，应把两者区别开来，特别是要把创造力作为一种存在事实看待，弄清它本身究竟是什么。认知主义在从本体论角度揭示创造力的本质时的基本倾向是，认为创造的过程要么是一种认知过程，要么是一种映射或信息转化过程，要么是一种突现过程。

要回答机器能否真的表现出创造力，无疑要回答这样的前提性问题，即究竟什么是创造力？有无统一的创造力？其内部构成、结构、机制是什么？以前常见的是用形象的诗化语言来把握，这样的理解是没法满足AI建模需要的。认知主义内部对这些问题尽管有争论，但可提炼出这样一些有共性的看法，即认为创造力不是一个全有或全无的问题，因为它有程度差別，有临界现象;创造力不是知情意等心理现象之外的独立的现象或能力，而具有综合性，例如，它可同时包含知情意等因素，正因如此，AI对它的建模和机器实现才有可能性。从根本上说，创造力是对有强烈生成能力的理智行为的有质变意义的提升、放大和增强，或者说是对新的心理结构的推测性建构，而不是对现成结构的简单分析。这就是说，创新能力尽管有复杂的构成因素，不同领域中的创新能力有不同的形态，构成和内在机制千差万别，但个性当中也有共性，例如，在初始状态向作为创新结果的输出状态转化中间有一种认知乃至概念结构、思维方式的质变或转型，有连续性的中断，有状态修改行为。正是这中间的心智爆发过程导致了人们所看到的“灵光闪现”、心智爆发、出其不意、令人惊诧。

创新之机器模拟争论由以产生的一个重要问题是创新的区分标准问题。人们之所以对机器是否具有创造力莫衷一是，一个原因是人们有不同的标准。如有的认为，只要一个想法是新的，以前没有人提出过，就可认为有创新性。有的认为，只有有重大理论和实践价值的新思想才能认为是创新成果。现在较流行的看法是，只有当一想法有意外、令人惊诧同时有用这两个特点时，才可认为是创新。这样看待创新的确有其意义，一方面有助于消除创新观上的神秘主义、沙文主义，另一方面有助于清除AI的创造力研究和建模中的障碍，让这样一个本来应成为AI主课题、主旋律的问题受到应有的重视，迅速迎头赶上其他领域。从类别上说，创造力可根据不同的标准来分类，如从创新之新意相对的对象来说，可把它分为心理学的创新与历史学的创新，前者是相对于创新者自己而言的，如果一新得到的想法或行为是自己以前不曾有的，那么它就是一种心理学的创新。后者是相对于别人而言的。当然其内又有评价群体范围大小的差别，如有的想法只相对于一部分人是新的，有的相对于很多人是新的，有的则是空前绝后的，相对于所有人都是新的，如爱因斯坦的相对论等。从价值上说，创新有重大和非重大之别。从创新的方式上看，创新有熟悉观念异常组合所产生的意外感，概念空间中的探索性创新，心智中概念空间的转型等。

另一前提性问题是，AI在研究和建模创造力时要不要模仿什么对象？如果需要，应以什么为对象或模板或原型实例？是不是应像AI刚开始时那样，以模拟、拓展、超越人类的包括创新能力在内的智能为目标？质言之，是否只应以人类的创新能力为原型实例？对这类问题的答案也是多元化的。对立的两个极端看法之一是，世界上只有人才有真正的创新能力，因此建模这一能力只能以此为榜样。之二是，建模创新能力像建构其他智能形式一样完全可以撇开人类的对应能力而独立地研究作为工具的计算机，研究它如何以自己的方式实现创新能力。只要让它表现出人所表现出的创新能力，不管是如何实现的，都不应拒绝和否定其有创新能力。持这一观点的人认为，“没有义务把人类心智作为努力模仿的原型”。1 正确的态度亦即多数人所持的立场是，坚持原型实例的多样性，既强调要以人类的创造力为原型，又强调要看到非人的自然界也存在着创新的原型实例，如进化、自然选择就是最伟大的创新家、发明家，DNA也是如此，计算机本身及其表现也值得深挖。新的探索尽管仍重视对人类能力的解剖和建模，但同时不无创意地强调，在建模人的创新能力时没有必要完全照搬人类实现创新的过程和机制，因为一方面，人类的实现创新能力的有些结构、条件和做法是机器永远没法模仿的，另一方面，有些东西也没有必要模仿，例如，人长着眼睛，有文化特性，这些就是机器没有必要拥有的。另外，让机器表现创造力，既可依据已有的关于人的创造力理论，也可不依据。

二、创造力的计算说明与通向机器实现

之“隧道”的打通

从图灵开始，许多AI专家相信，包括创造力在内的智能问题不过是一个程序问题，只要能编出适当的程序就能让机器实现想要的那种智能。由于只有具有可计算性才能在计算机上实现，因此，创造力能否被计算建模进而由机器来实现，关键要看能否对它做出计算说明，即能否用机器能够“理解”的方式、用计算语言去描述和说明创造力。质言之，就是能否对创造力做出以计算化为特点的自然化，能否做计算还原。这种还原的实质就是要“去神秘化”，用计算观念将日常经验的、带有浪费色彩的关于创新能力的描述，如灵感爆发、顿悟、出人意料、不可预测等，来重新加以表述，按自然科学的框架来理解创新的构成、运作过程和概念图景，拉近与机器操作的距离，直到能写出关于各种创新形式的程序。带有认知主义和计算主义倾向的AI专家一般相信，“这样的计算机程序能被建构出来，因此它们能生成有创造性的观念和产品”。2 其实现的具体方式很多，但共同的思想和操作可概括为“认知方案”。

认知方案的基本观点是，创新过程是以认知过程和结构为基础的过程，日常关于创新的那些隐喻性的、文学性的描述可用认知的语言来重新加以表述。这一方案的目的就是要用认知科学的方法和概念改进对创造力的理解。根据这一方案，创新不是一种高不可攀的能力，不是与知情意并列的、独立的能力，因为它是由许多心理因素、能力，如知情意等结合在一起而突现出来的一种能力，这些因素在别的非创新能力中也能见到，是它们的组合和模式。关于创造力的认知方案很多，这里不妨把它们概括为三大类来加以考释。

一是狭义的计算方案或以经典计算主义为基础的方案。广义的计算方案可等同于这里所说的认知方案，包括后面要考察的联结主义和“工程学方案”。为便于叙述，这里把第一种方案单列出来加以探讨。先看尚克等人的工作。从编写程序等工程实践中，他们总结了关于创新的计算主义观点，认为要理解创新，首先要弄清人们是怎样完成常规认知活动的。要如此，又必须知道，什么样的知识结构允许智能系统完成常规理解和计划之类的任务。根据他们的计算主义，创新是由更基本的认知因素如知识结构等因素所决定的现象。就知识结构而言，支撑创新的主要有脚本、计划和内存组织包。脚本中包含的是描述了典型事例的原子推理链。当然，创造力不能被看作基础层次认知要素的简单相加，因为它至少还包含爱迪生所说的百分之一的灵感。他们尽管用这个词，并承认它的存在和对创新的不可或缺性，但认为灵感一点也不神秘，也可自然化、计算化。根据他们的新的解析，这里关键是要弄清，当人们在创新过程中面对问题得不到解决或失败时，他们需要用的是什么知识。在尚克等看来，需要用的是自上而下的知识。当不按常规方式而以新的方式加以运用时，就会有灵感发生。创新实则是智能系统的这种能力，即已有知识结构不能满足系统当前需要而去访问、调整、应用自上而下的知识结构的能力。这种知识就是从过去经验中积淀、提炼出来的一般性知识。除此之外，还有这样的知识结构，一是解释性知识，即应用记忆组织包所必需的知识，二是类分子知识和重构规则，它们是应用解释模式所必需的知识。因此，创新及其灵感一点也不神秘，也不难建模，只要弄清这类知识结构的秘密，就能如愿。创新当然是一个过程，这一过程的特点在于，对自上而下的知识结构做出调整，以应对这些结构不能直接应用的情境。这些调整是通过应用知识结构完成的，而这些结构允许比不适当的自上而下的结构所制约的推理更细粒度的推理。创造力的新的研究还常用“孵化”来描述创新中思想的质变和飞跃，但怎样对孵化做计算还原呢？有的认为，它可还原于这样的认知机制：传播激活、情境波动，有的认为它可用引起记忆变形的动态心理表征来解释。尚克等认为，它可用计算模式的变化来解释。总之，由于有这样的内在秘密和机制，因此，创新思想常能表现出瀑布式倾泻的特点。1

博登的计算方案强调的是计算观念在理解和建模创造力中的作用，认为计算机所产生的一切都由一些被内置的计算原则所使然，如果科学发现的计算模式能生成波义耳定律，那么它们的规则就一定有起这样作用的生成潜力，如一台被编了某种语法程序的计算机就能生成相应的句子，而不会生成别的无关的句子。2 之所以能用计算观念解释包括创造力在内的心智现象，是因为其内客观存在着计算资源，不管是儿童还是科学家都有其基本的拓扑结构，前者受着基本拓扑概念的引导，后者在理解物质结构时受到了“弦”“曲线”等的影响。此外，正常的人都有自己的启发式搜索程序，正因如此，他们在分析一事物的可能性时会自发用排除法，一个一个去分析。这种搜索是创造性思想重要的构成，将它与大脑风暴法、发散思想结合起来就可激发创造力。它们原初、朴素的形式在正常人心中是普遍存在的。另外，正常人都有自己特定的概念空间，这也是创新的一个条件，而用计算观念比用其他模式能做出更具体、更有利于计算机建模的说明。例如，程序有说明概念空间的作用，而程序就是一系列的指令，其内部结构不能为高级例程访问，因此不能被轻易改变，具有一定的稳定性。程序内部还有能产生别的结构的生成系统。再者，博登还认为，心灵之所以能有条不紊地发挥作用，是因为每个人都有自己的心灵地图，它在创新过程中也是必不可少的。但这种心理资源只有借助计算概念和程序的帮助才能得到具体的理解。如通过它们绘制的AI地图，我们可从一个侧面了解人类的心灵地图。他说：“计算的芒迪地图（17世纪的世界地图）是一有价值的成就。”3 心灵的特点在于有意或无意地发生变化、转型，特别是根本性的范式转型，而这是创新的必然一维。在博登看来，它们最好用生成系统和启发式这样的计算概念来说明。前者指有计算可能性的结构空间，而启发式则是指有选择地在这种空间中移动的方式。尽管其他学科也有对它们的说明，但只有AI能为它们提供动态过程和抽象描述。

二是关于创新能力的联结主义方案或神经网络模型，其基本思路是，用联结主义的可计算的术语或似神经元的元素来将常见的创新过程及结构自然化、计算化，建构关于创造力的理论，然后来讨论怎样用联结主义予以解释，以便为创新的机器建模和实现做准备。这就是说，联结主义既有对创新的独特理论还原和解释，也有自己建模创造力的工程实践。它用来说明和还原创新过程的是这样一些特定的计算（不是符号的转换而是神经计算）术语，如类似神经的加工单元或节点、激活、节点间的连接模式、输入-输出规则、学习规则、网络运行环境等。根据这一方案，包括创新在内的所有认知过程都能用这些元素来描述和解释。根据它的解释 ，所有认知都是大规模并行分布的过程，所有节点能同时做它们所做的一切事情。根据联结主义对创新的还原，创新一点也不神秘。首先，它离不开在其他认知过程中须臾不离的思维，而思维由节点的激活所构成。如果这些节点非常固定地连接起来，那么思维就表现为常规的思维。新的、令人吃惊的思维，即创新思维，不外是出现了微弱的、间接的连接，进而唤醒系统用非特异性激活来撞击大脑皮层。结果被激活的节点就极度地激活，它们之间的连接强度很快被提升为这样的过程，人的精神生活中就会表现出常见的灵光突现之类的现象。另外，人的创新离不开对创新的意识和高度的注意力。用联结主义术语也很好理解，例如就意识而言，它可分解为注意和短时记忆，注意是被激活的最活跃的节点，短时记忆被激活了但没有注意那样强烈。创造力强的人其更多节点得到了同时激活。这些节点编码了被认為与要解决问题关联度高的观念。在创新的孵化（这是创新的爆发阶段，像新生命经过培育脱壳而出一样）阶段，编码了问题的节点仍处于准备或部分激活状态。进一步激活，到了突破的阶段，许多节点就会同时被激活。如此，就有灵感突现等现象发生。在创新中，关键节点的足够激活至关重要，有这样的激活就有创新发生，而且创新的大小、高低程度的差别与激活的程度息息相关。1 不可否认，非逻辑思维形式，如直觉、想象、顿悟、灵感等，在创新中的作用远大于逻辑思维的作用。对此，联结主义也有自己的自然化、计算化。所谓直觉，指的是激活由可用的线索模式所激发的、越来越适合此模式的反应过程，而顿悟、灵感这样的新奇洞见的闪现现象，指的常常是有意识的、突然的了悟，进而有一个作为问题解出现的过程。联结主义关于灵感的研究有不同的进路，第一种是前信息加工方案，该方案认为，灵感实际上是由大量基础性因素所决定的高阶现象，弄清了这些因素，其神秘面纱就可揭开。其决定因素首先是重构，即关于问题的观点的整体转变，其次是情境诱发的心理定式的打破和超越，再次是无意识观念的重组。第二种是信息加工方案，其特点就是用认知的观点对灵感的结构进行重新概念化，认为它不过是物种形式的信息输入与输出的高品质的转化过程。

三是布林斯乔德等人倡导的、得到了较多图灵主义者喝彩和发展的“工程学哲学”方案。它是一种以计算主义为基础同时融合了图灵主义、解释主义和行为主义思想的综合性方案。他们认为，判断包括创新过程在内的现象是否是智能现象，既可观察内在的过程，也可看外在的行为表现和所产生的效果、影响。就此而言，图灵测试是可行、有用的。如果一过程能产生需要用人类的创造力之类的智能完成的结果，如让人觉得具有新颖性、趣味性、意想不到等，那么就应认为这一过程具有创新性。至于这样的行为表现和效果是由什么样的在前的内在过程和机制实现的，没有必要也不应该做刻板的规定，即在这里应坚持怎么都行的无政府主义原则，只要它产生了让人觉得有创新进而被评定为创新的结果就行了。这里其实既有解释主义精神，又表达了一种关于AI建模的原型实例是不是只能是人类智能的独到的观点。根据这种观点，建模智能的样板既可以是人类智能，也可以是非人实在表现出的智能。他们说：“在未来，尝试建构能通过图灵测试的系统将越来越依赖于这样的工程学工具、技术和技巧，它们与对人的认知的科学理解几乎没有关系。”2 他们按照这样的原则和思路建构的故事创作系统布鲁图斯（BRUTUS）具象地说明了这一点。在设计它们时，他们不追求系统内对人类创作过程的模拟，而按智能的可多样实现原则处理，他们把重点放在如何让它们产生人类有创新精神的作家能产生的效果上，放在模仿这样的作品的行为表现上。最后，创新行为的特殊性在于，有直觉、灵感等非逻辑思维的成分，必然贯穿着灵感、意象、想象之类的过程。对此，常见的态度是怀疑主义、描述主义和意象主义，布林斯乔德等的看法是，对意象的符号化以及对用这种意象的创新、加工和深思的符号化是不可能出现在计算机上的，在这里，人与机器之间永远有一条不可逾越的鸿沟，但不是说机器不能有类似的形式表现，因为他们根据解释主义强调，机器只要能写出小说和故事之类，只要它们产生的效果类似于人类借灵感、意象之类的东西产生的效果，就可认为它们通过了图灵测试，即可把这些现象归属于它们。在这里，AI创新能力建构要做的工作是，先弄清人类的灵感、想象、意象等能力可能产生的行为表现和在读者身上产生的效果及影响，然后研究怎样通过机器的运作产生这样的效果。1

三、创造力机器实现的个案考释

从问题研究的逻辑上说，要研究创造力计算建模与机器实现，首先要回答这种建模和实现“是否可能”这一前提性问题，但由于AI采取了边讨论边实践的策略，并取得了大量积极成果，从实践上对这一问题做出了肯定的回答，因此，我们现在似乎没有必要来纠缠这一问题。尽管仍有许多人不承认计算机所表现出的创造力是真正的创造力，但由于对创造力的理解有规范性特点，因此，不同人有权提出自己的创造力理解，进而有理由发出不同的声音。根据一些不同的理解，计算机已表现出了创造力，其中的有些创造力已超越人类。特别是根据图灵主义标准，计算机事实上已有人类创造力的外观、行为表现和效果。有些方面，不承认它们是创造力，至少在许多人看来是没有道理的。笔者的看法是，由于创造力的样式很多，且每种样式有自己独特而复杂的构成，因此有理由说，计算机已实现了一些样式的创造力或某些创造力的特定的构成方面，至少许多创新形式的行为表现有类似于人的创新的效果，当然它们的具体的内在实现过程不同于人类。这种实现方式的不同不能成为否定计算机有创新能力的根据，因为创新能力像其他智能现象一样有“可多样实现”的特点，实现方式的不同是世界上创造力表现出来的正常现象，不值得大惊小怪。下面将通过考察一些案例来加以说明并探讨AI是怎样让机器实现创造力的，为后面进一步思考创造力的计算建模和一般性哲学问题做铺垫。

创造力机器实现从20世纪中叶至今大致经历了这样一些发展阶段：一是科恩、米汉和尚克等人让程序创作艺术作品、建构相应的生成系统。二是特纳设计的吟游诗人系统，这一阶段的倡导者坚持强人工智能观，相信人的创造力可还原为计算。三是许多科学家、数学家与计算机科学家合作建构科学发现、定理证明的阶段。四是布林斯乔德等人所开创的以解释主义和改进了的图灵主义为特征的阶段（这是最有影响的、得到较多人支持和推进的走向）。2 五是基于新的“计算创造力”研究，由进化方案、联结主义方案、新计算主义方案、动力学方案、生态系统方案共同推动的多元化发展的新阶段。

这里拟以科恩的会画画的计算机程序为例来考察第一、二阶段创造力机器建模的工作及特点。科恩是很有成就的艺术家，后转向AI，致力于探讨人的创造力以及如何设计有创造力的计算机程序的问题，其突出成果是设计了若干代的作为计算机“画家”的AARON，奠定了在该领域的崇高地位。他承认，让程序完整表现人那样的绘画创造力是不可能的，只能让它表现创造力的某些因素。他设计的程序AARON2就没有建模人的全部绘画创造力，而只将“视觉想象力”作为主攻的创新领域。他认为，按他的思路设计的程序之所以有创造力，是因为它有对表征建构的“状态修改行为”。既然如此，研究机器的创造力实现问题，就应重点关注这种状态修改行为。根据他对人类创造力构成因素的解析，它有这样一些构成：一是内在的构成、过程，二是外部对象的生成，三是有“修改自己信念、创立新的信念结构的能力”，四是作为创造力之枢纽的“推测、思索”能力，人和程序莫不如此。由于有推测这样的能力，因此人才会形成好的主意（idea）。科恩承认，有创造力的程序像其他程序一样，不过是一种算法。而算法在许多人看来是没有主动性的，而主动性是创造力的一个关键特征。如果是这样，有什么理由说程序有创造力呢？他的辩解是，只要设计得好，程序是可以有创造力的，而不只是人类的一种被动的工具。当然，程序不可能完全表征出人所具有的那种创造力，即没有像人那样的创造行为，但可表现出人的创造行为的某些因素。1 算法在这里之所以不妨碍创造力在机器中的出现，是因为这里的算法能遍历任何一组被占据单元的边界。

下面，再以科学发现之计算建模为例探讨第三个阶段的工作及特点。科学发现无疑是创造力的最重要的表现，是最能体现人类创新精神的一种形式，当然也是最复杂、难度最大的创新形式。兰利（P. Langley）等人不泛泛谈论创造力的机器建模，而把建构科学发现的机器实现系统作为主攻目标，明确强调：他们的任务就是建立关于科学家在做出科学发现时所用方法和过程的更为广泛的理论，并以此为基础建模人类的发现过程和机制，探讨如何由计算机来实现科学发现。根据他们对科学发现本质的分析，科学发现作为创新的高级形式不是什么特殊的活动，而是问题解决的一个特例。根据他们关于问题解决过程及机制的认识，大脑是信息加工系统，创新、发现的过程是从接受、加工信息的过程到输出信息的过程。大脑解决问题的方法和过程是，先建构关于问题空间的符号表征，然后用包含在问题空间中的算子来修改那些描述子问题情境的符号结构。探索问题解不是由试错随机实现的，而得益于选择，选择是由规则即启发式方法引导的。在这里，启发式探索至关重要。计算机的创造性模拟是可能的，如只要写出了类似的程序，就可解决相应的问题，完成创新任务。2 其内在根据在于，计算机程序实际上是一组差分方程。所谓差分方程是指包含未知函数的差分及自变数的方程。程序基于它的记忆状态和它在循环开始时的输入状态来决定它在当前操作循環中的行为。每一循环中所采取的行为又决定了机器的新的状态，进而决定了下一循环的行动。3 总之，只要写出这样的程序，它描述了有智慧的成人用来解决问题的过程，那么就能完成科学发现过程的计算机建模。按照此思路，已诞生了许多模拟科学发现过程的程序，如Bacon、元-Dendral、AM、EURISKO、STAHL和 GLAUBER等。计算机对发现过程的模拟表面上看只是在重复，其实由于它的搜索空间一般较之于人类科学家考虑到的可能选项要多，同时也能考虑变化的情况，经过寻优所找到的问题解可以超越已有的认识，因而具有创新意义。科学发现的创新除了表现在结论上之外，还表现在科学家以敏锐嗅觉提出的问题之上，有时提出问题比解决问题更关键。但是要让机器像训练有素的科学家那样提出有真正价值、能引导认识向纵深发展的问题则十分困难。兰利等人认识到，AI在这里的任务就是创立一种能模拟科学家提出有价值问题的能力的问题生成器。基于对科学家提出重大创新问题过程和机制的解剖，他们设计了AM这一问题生成程序，可把它称作递归问题生成器。其任务就是用“有趣”这一标准生成有趣的新概念，随着概念加到它的储存中，它就能提出如何用这些概念生成别的概念的问题。4

我们再来看布林斯乔德等人的建模工作。他们“放弃计算还原的梦想而转向探寻更灵巧的工程实现”，5 即设法让机器作家的作品表现人类作家之作品那样的效果，为此，他们在实验室花了五年时间创造了一个“机器作家”，即布鲁图斯。创造这样的人工系统，不仅离不开计算机科学的理论研究和工程实践，而且离不开哲学分析和论证这些哲学化工作，因此他们说：“让布鲁图斯诞生的助产士是哲学。”6 他们在具体建模时，先解剖人类天才作家的创造力，并从中抽象他们的标志性特点，然后将它们计算化、形式化，据此写出算法，设法让他们的故事生成器也有表现这些特点的对应部分。要让它们得到机器的实现，就要建构真实的系统，它能借助内在的逻辑结构和执行过程让被生成的故事离最初的内在知识表征有足够的距离，并沿着不同的维度（宽广的变化度）发生变化，进而让读者得出该系统有创造力的归属或印象。按上述思路设计的故事生成构架有这样几个方面，一是组件配置，二是形成情节，三是故事结构拓展。他们的布鲁图斯不拒绝构件配置，如布鲁图斯能生成基于主题描述的场景。故事大纲是通过从典型集合中挑选段落和句子语法构成的。这些语法极像高参数化的组件。它们基于主题、情节和维度而具体化。总之，布鲁图斯的设计融合了各种技术，因此成为有创造力的自主体。1

再看最近公开打出“计算创造力”旗帜的创造力机器建模的尝试性探讨。它认为计算创造力是创造力的多种样式中的一种，既是计算机所实现的创造力，又广泛存在于人类、自然界等之中。在其倡導者看来，计算创造力（Computational Creativity）超越于或不同于已有的所有创新形式。这一创造力极为重要，因为它提供了前所未有的机会，同时为应对我们在当今世界所碰到的挑战提供了条件。作为一个研究门类，它是AI的一个子领域，是专门研究计算创造力及其机器实现的学问，是以新的方式探讨创新的手段，旨在研究怎样建构能表现人所具有的创造力的程序，用更实用的术语说，它旨在研究、建造这样的软件系统，它们能在艺术和科学项目中承担一些创造性的责任。这里的“程序”不同于别的程序。别的地方所说的程序是纯粹的工具，充其量有增强人类创造力的作用，而计算创造力理论中所说的程序有独立的创造力，要么是人类创造力的伙伴，要么是自主的作家、科学家、艺术家。里面已形成了许多不同的走向，如进化方案、联结主义方案、生态系统方案等。以伦敦理工学院的“计算创造力研究小组”为例，已围绕此课题做过很多研究项目，它们的共同目的是建构有人类那样创造力的软件。2 该小组的一个重大项目就是建构一个自主生成画作的程序The Painting Fool。研究人员希望未来某一天它被当作有自己权利的、富有创新能力的艺术家。其组织者是科尔顿（C. Colton），参与者有硕士、博士等研究人员。他们坚持这样的设计原则，即不仅让程序能产生有文化价值的作品，而且让观众能感受到它们是以有趣的方式创作出来的效果。他们已设计了软件技术工程，它需要运行大约20万行Java（一种软件语言）代码，此外还离不开大量别的软件部分。

四、关于创造力计算建模和机器实现

方向和方式的思考

创造力及其计算机建模与机器实现的AI探讨具有一箭双雕的意义。一方面，这一探讨有利于真正实现AI所确立的模拟、增强、延伸乃至超越人类智能的理想，因为创造力是智能这顶神圣皇冠上的明珠，是AI的圣杯，没有创造力的智能不是真正的智能，没有关于创新的理论和工程研究的AI研究不是真正的AI 科技和哲学。而在过去长时期内，AI的创新理论研究和实践建模相对其他领域而言是非常薄弱的环节。另一方面，AI的创造力研究和建模尽管要以有关科学和哲学关于创新的理论为基础和前提条件，但这样的研究又有反哺别的学科进一步发展对创造力的认知的作用，质言之，对于我们认识、发展和利用人的创新能力有不可限量的意义。过去AI中的创造力建模之所以大大落后于其他领域，主要是因为创造力本身是我们认知中的一个“黑箱”。既然只能作为谜、神秘而存在，我们怎么有可能去建模呢？AI最近几十年在创造力建模这一领域艰难的探讨为我们进到黑箱之中、揭示它的本质和奥秘打开了一扇门。事实上，伴随创造力的AI研究的发展，已然诞生并正在发展着所谓的“计算心理学方案”，它以这一领域的有关成果为基础。反观人类的创新能力本身，有的AI哲学专家甚至认为，AI创造力建模的成果对于创新的哲学和心理学研究的意义大于后者对于AI创新研究的意义。博登说：“我们对计算机程序的‘创造力’感兴趣，仅仅着眼于它们能说明人类的心理秘密。”3 如AI专家把探讨科学家科学发现具体实例中总结出的一般方法、原理具体化为计算机程序，进而建构出人工的科学发现系统。由于它们不是简单重复某些理论、定律等的发现过程，而增加了已有的科学发现所没有的新内容及特点，如此建构的人工发现系统不仅有发现功能，而且有检验、评价和修改功能，因此，它们就有帮助我们进一步弄清人的科学发现的心理学机制的作用，有为揭示隐藏在这一过程后面的信息加工机制建立可检验理论的作用，同时，它们也为关于发现的规范性理论的发展提供了基础，特别是为发现过程提供了启发式方法，有助于重新认识发现过程和验证过程之间的关系，有助于我们认识科学发现的逻辑和历史过程。

AI的创造力理论和工程实践研究尽管取得了巨大成就，并步入了发展的快车道，但相比于这门在当今社会居于要津地位的科技的其他领域而言，仍未走出弱势领域的地位，特别是发展过程中还存在着大量严峻的、甚至是难以逾越的障碍，因此既需要有关专家加大投入力度，也需要哲学等邻近学科参与把脉、会诊。

值得特别关注的问题是，计算机所实现的许多创新能力尽管在行为表现和效果上与人类的创新能力没什么区别，即可通过图灵测试，有的甚至有超越，但连设计出了表现极佳的创新程序的专家如布林斯乔德等人仍坚持认为，他们的创新人工系统并没有真正的、与人类原创能力相媲美的创造力，即不是真正意义上的创新。这是为什么？寻找这里的答案好像只会把我们带回到常被人们争论的问题上，即计算机是否能实现创新能力？它能模拟和超越人类的创新能力吗？号称有创造力的人工系统真的有人类那样的创造力吗？其实，这里探讨的意义远不止于此，因为对上述矛盾现象及其所隐藏的问题的探讨将触及这一领域的许多基础理论问题，特别是事关它们的发展方向、发展方式的问题。其表现是，这样的探讨将促使我们去思考上述常见问题的“问题”。根据我们的思考，上述常见的问题不仅有概念混乱不清的问题，还预设了创造力概念理解中的沙文主义、内在主义、人类中心主义。所谓沙文主义是指这样的观点，即认为创造力是只有人才有的能力，而且是一种独立的能力，它唯一且高高在上，与基础的思维、记忆等心理要素没有什么关系，就其持有者而言，是只有少数天才才能表现出来的能力。所谓内在主义是指强调创造力仅是一种内在的、神秘的过程，与外部行为、环境没什么关系。这些认识显然有人类中心主义的倾向。本文认为，这里的基础性问题不解决，关键的障碍不清除，AI高质量的、快速的创造力研究和建模将是不可能的。

要想让这一领域步入真正的快车道，必须认识到创新能力的多样性。其表现是多方面的。首先，创造力不是人类独有的能力。我们今后在创新模拟和建模时，在寻找和模仿典范或原型实例时，就没有必要仅局限于人类的创新能力，而应有更广泛的模板和更开阔的视野。事实已告诉我们，人以外的大量事物都已表现出有自己个性和优势的创造力，如进化算法、蚁群算法、退火算法等所模拟的对象就有自己特定形式的创新力。其中特别值得一提的是进化，它的创新的最大表现和成就是创造了地球上最具创新力、最具原创性的人类，如果它不“创新”，地球上就不会有创新现象的发生。可见，它是创新的根源和源动力，是智能的本原性的“创始人”。它的创新的特点在于，找到了绕过神经回路计算限制的办法，从而创造出人类这样的生物体，人类反过来又发明了一种比碳基神经元快一百万倍的计算技术。如果我们的AI创造力的研究要有模仿对象的话，除了人类，还应解剖进化。根据新的解剖，进化是开放系统，不同环境中的进化由于涉及的内外环境不同，便有样式和复杂程度极不相同的进化形式。生命特别是人类产生后，生命（特别是人类）的进化就极不同于其他的进化形式，其突出表现是，这种进化中镶嵌着技术的作用。还要看到的是，创新能力建模的原型实例远不止这么多，如计算机本身的创造力现在尽管有争论，但它毕竟已表现出了创新的现象，有时至少能輔助人类的创新，因此计算机及其智能也至少能成为我们在抽象创新能力的一般本质和标准性特征时关注的一个模板个例。另外，创新能力的多样性还表现在，即使是就人身上表现出的创新能力而言，它的形式也是多种多样的，既有有重大科技意义的、由天才们完成的创新，也有平常人在日常的思考、言论和行为中表现出来的创新;既有通过重新组合旧要素完成的创新，也有以原创、思维方式转型为特点的创新;既有提出新的问题、创立新方法的创新，也有创立新理论的创新;既有由个体独自完成的创新，也有由群体完成的创新;人类的部门、领域多种多样，即使是就学术部门而言，也有数不清的自然科学和人文社科分支，它们的创新形式在问题、方法、过程和内容等方面千差万别。再者，就创新能力的构成而言，它不是单纯不可分的现象，而有其复杂的构成，而且每种创新样式的构成及结构又都有其特点。要把它当作一种独立的能力看待，需要有整体的认知，需要人的抽象和融合。这里最重的是要看到，创新能力既有内和外、里和表的构成，还有个人构成和社会及环境的构成。看不到这一点，是会不利于甚至妨碍AI的创新建模的，因为既然它有内、外的构成，我们在建模时，就可两条腿走路，如既可研究如何模拟创新的内在过程和机制，也可模拟创新的行为表现。这里，我们一定要破除这样的观念，以为外在行为模拟无关紧要，或不是创新能力本身的模拟。这样的观点既是有害的，又是错误的，如维特根斯坦的著名命题所说，内在过程必有外在标志。因此，让一种程序去表现外在标志，也会涉及内在过程的模拟，只是这内在过程可能是多样化的。只要明白了功能主义心灵哲学的“可多样实现原理”，就会明白这样的模拟的合理性和有效性。最后，在认识创新的多样性时，我们还应看到这样一个对AI创新建模极有意义的创新实现方式，即创新的交互实现或人机联合实现形式，如现在许多重要的理论创新、科学发现都有计算机的创造力的参与。就此而言，我们不仅应在理论上承认这样的创新形式，而且应看到并重视和发展机器创新这样一种方式。今后，我们不应排除这样的可能性，即随着大脑接口、人机交互、软件向人脑的移植技术的发展，人机联合创新将成为未来创新的一种有效而重要的方式。

从创新能力的多样性结论中可引出的关于计算机创新能力建模和机器实现的可能的启示是，这一研究应坚持多元化、无政府主义的道路，既可模拟人类的创新能力，又可模拟非人的创新能力;既可让机器完整实现某一创新能力，也可只让它实现该能力的某一部分或某一要素，甚至让其参与某一能力的完成;既可在弄清人类创新过程和机制的基础上，着力模拟其内在过程，也可着力模拟其外在行为表现或效果，就此而言，布林斯乔德等人的故事生成系统不仅不应被轻视和诋毁，而且应大力提倡和发展。还有，不参照任何原型实例，不设定模拟对象，独立地、创造性地研究创新的实现方式，即只要机器能给人以有创新的效果感觉，只要能通过图灵测试，就应是被允许和提倡的。机器辅助人类创新也应看作它有创新能力的表现，也应是今后发展的一个方向和方式。一个能确定输油管泄漏的程序做了需要人用创造力才能做的事，为什么就不能被认定为创造力呢？许多大学和制药公司都在利用进化程序来帮他们设计供基础研究所用的新分子，等等，都应被如是看待。计算机科学、AI完全可以走不模拟任何对象的创新设计道路。就此而言，把AI定义为模拟和超越人类智能的科学是片面的、狭隘的，在实践上是不利于它更大规模发展的。正确的定义是，AI是研究如何实现和发展智能的科学和技术。

创造力的计算机建模和实现研究面临的最大难题是灵感、意象、直觉、顿悟等非逻辑思维能力的理解、计算化和建模问题。本领域在这方面的表现不佳也是许多人否定机器能建模和实现创新能力的主要理由之一。笔者认为，已有大量研究所坚持的自然化、计算化道路是正确的，应继续坚持并大力加以发展。因为不这样做，就没法消除灵感等之上所缠绕的神秘性，而不能驱除神秘性，机器的建模和实现就永远是不可能的。已有的用信息加工和联结主义模式特别是“逆向人脑工程”的方法所做的自然化工作，在方向和方法上是正确和可靠的，它们强调要理解这些现象，特别是要对它们做出建模，必须进到与加工表征的思维过程的关系之中，关注储存、修改、提取信息的过程。可以肯定，当信息储存于记忆中时，就有算子存在那里，有信息被给予。插入信息、修改和删除信息以及对信息做出处理都依赖于记忆的联想结构。总之，过去被看作神秘过程的东西现在可看作是特殊的信息加工过程，如果它们是创新的一个根源或机制，那么只要能用信息加工和神经网络的语言加以理解和描述，也就不难在机器上得到模拟，只要能建构相应的信息加工系统或神经网络模型就能如愿。当然，要使这里的自然化、计算化建立在扎实可靠的地基之上，除了要有先进的、堪能作为自然化之坚实基础的科学理论之外，还应有扎实的现象学研究。只有这样，我们才能如实地将活生生而非肢解割裂了的灵感之类的现象弄清楚并再现出来。正是看到这一点，现在在心灵哲学和认知科学中才有强调将自然主义与现象学融于一体、倡导自然化现象学的潮流。

在前面，我们尽管强调原型实例的多样性和建模创造力的多元化方向，但并不否认人类的创新能力是我们建模的主要“榜样”。而要如此，就要用上面所强调的将自然主义和现象学融合起来的方法论原则，如实地、活生生地解剖人类的创新能力。在这个过程中，“人腦逆向工程”大有可为。这里所谓的逆向就是从活生生的智能现象出发，倒溯它们生成的过程和机制，直逼最基本的神经元及其连接模式，然后再以计算的方式模拟这些过程及结构以便生成相应的智能形式。基于这一工程，人类大脑的许多区域已经被破译了，并且它们的大规模并行算法也被破译了，专门区域的数目比原先预计的要多得多，多达200多个。据称它们已被扫描、分析和理解了。有关成果已应用于基于机器的神经网络。当然在应用时，又综合了来自其他相关方面的成果。如此建构的网络比人类网络要快得多，其计算能力和存储量也要大，而且在不断改进，尽管它们不由基于碳的细胞实现，而由基于电子、光子、量子的等价物实现。未来计算机的创新能力建模与实现也应利用这方面的成果，即先利用逆向工程弄清人类创新能力所依赖的特定或主要大脑区域，然后综合有关技术，建立相应的有创新能力的神经网络模型。

AI对创造力的理论和工程实践研究及其成果也有反哺哲学、心理学对创造力认知的意义，如用程序、映射、突现等说明创造力的本质有助于我们深化对智能、创造力的认识。尽管它只是一个程序，通过对它的解剖，我们可以形成关于智能、创造力的更具体、更具合理性的认知，这些认知尽管带有隐喻性质，但可成为理解人的理智能力及其作用方式的基础。据此可得出关于智力行为的这样的结论：它不过是建构表征的自由的、连续的过程。

Abstract： The AI discussion of creativity and its computational modeling and machine realization is of double significance. On the one hand， this discussion is conducive to the real realization of the ideals of simulation， enhancement， extension and even surpassing human intelligence established by AI. On the other hand， AI’s creativity research and modeling has the effect of feeding back the further development of disciplines such as philosophy and psychology on the cognition of creativity， which is of infinite significance for us to understand， develop， and utilize people’s innovative abilities. If this field is expected to enter the real fast lane， it is necessary to recognize that the diversity of innovation capabilities should not be limited to modeling human innovation capabilities， but should have a broader template and a broader vision. Correspondingly， this research should adhere to the principle of diversification， simulating both human innovation ability and non-human innovation ability. The machine not only fully realizes certain innovation ability， but also realizes a certain part or a certain element of the ability， and even participates in the innovation of human beings. The biggest problem in this field is the understanding and modeling of illogical thinking abilities such as inspiration. To resolve this problem， we can only learn from and develop the achievements of human brain reverse engineering based on the integration of naturalism and phenomenology， and continue to promote the naturalization and calculation of creativity.

Key words： creativity; computational modeling; machine realization; artificial intelligence

（责任编辑：苏建军）