人工智能技术“获取”智能的认识论叙事

摘要：人工智能不仅以物的力量实现了观念的生成，并证明了认识的真理性，而且以其技术逻辑推进了“理解大脑行为”“揭示心灵奥秘”“优化认识论”的进展。人工智能通过递归的调用逻辑使整体的感知凝聚成为驱动的力量，通过群体试错的选择将共同学习的成果整合成优化的原则，通过抽象解释的通用将社会进化的成就内化为改变的路径。其所呈现的认识论叙事，既展示了人工智能“聪明”的由来，又拷问了整体感知、共同学习和社会进化的认识论功能。揭示人工智能获取智能技术逻辑的认识论叙事，就是以“人工智能就是哲学”的理论视域来把握人工智能的本质，掌控人类认识的发展和探讨人机融合的可能。关注人工智能获取智能技术逻辑的认识论叙事，就是关注人工智能和认识论本身。

关键词：人工智能；认识论；技术逻辑；递归调用

基金项目：国家社会科学基金一般项目“马克思主义哲学视域中的人工智能奇点论研究”（项目编号：21BZX002）

中图分类号：B842；B023.2 文献标识码：A 文章编号：1003-854X（2024）04-0070-07

人工智能技术“是未来的主导技术”（1），它使“许多不具备思维的微小部件可以组成思维”（2），借助“一种由无数默默无闻的‘零件通过永不停歇的工作而形成的缓慢而宽广的创造力”（3），改变了只有生物进化、社会生成的主体才具有认识能力的面相。而且，人工智能在从“以机器为中心”向“群体在计算回路”的演化中有机地整合和深度互联了人类群体、大数据、物联网，使人工智能呈现出应用范围的扩展、学习能力的获得、通用智能的可能，并且正在挑战着“能够进行思维”这一人类引以为傲的特权。（4）因此，面对人工智能这一“以我们自身的形象创造的、具有智能的人工造物”（5），挖掘其获取智能技术逻辑的认识论叙事，并以此来推动对人类智能的认知、提升人类的认识能力，应该是彰显人工智能技术之社会历史性的重要工作之一。因为，回答人工智能“做”与“是”一体化成就智能的技术逻辑到底表征认识何种特质，人工智能获取智能的技术逻辑切入了人类认识的何种结构，人工智能获取智能中简单与复杂的相互构成、群体与个体的全面互动、逻辑与经验的深度融合的技术成就能否推进对人类认知能力的认知与提升等重要问题，既是真正理解人工智能获取智能的技术逻辑的重要工作，又是以此来追问认识本质、知识结构和智能获得的基础性工作。

一、递归调用的叠加逻辑与整体感知的积累

人工智能作为人造智能而非生物智能，是以算法递归调用前置性植入的基本认知原则、操作逻辑和修正机制等而形成的远超个体智能或专家能力的智能体系。虽然我们很难简单地断言人工智能这种方式能否以及何时达到通用智能，但是其通过递归调用叠加而呈现出来的智能成效却让我们惊叹不已。这不仅是因为今天诸如生成式人工智能、人工群体智能、生命器官智能等人工智能已经可以通过图灵测试而具有与人类智能的同构性（6），而且是因为在人工智能生成的技术逻辑中完成了个体感知的积累与升华。显然，人工智能的递归调用虽然是技术性的操作逻辑，但是却遵循着递归的本质，它使人工智能系统“以回归自身并决定自身的循环运动为特征，每一个都有偶然性，偶然性又决定了它的个别性”。（7）虽然我们很难确定地肯定深度学习和大数据能够在递归调用中实现人工智能算法的自进化从而提升系统的智能水平，但是其却以次智能的方式确定了整体感知的量和方式之于认识内容的丰富和认识能力提升的重要意义。

第一，作为算法的递归调用，以“‘做而非‘是”（8）的方式程序化地实现了智能的获取。我们知道，由哥德尔定义的递归函数为机械的逻辑推理提供了重要的方向，但是递归调用简单生成复杂才是真正值得赞叹之处。因为，如果我们反向地从结果生成过程来看递归，就会发现递归实质上是基于简单而建构了获取信息的复杂机制。一方面，递归调用的叠加逻辑综合了逻辑、机械或模拟等简单机制的方式，使其能够在类有机体整合中有效地执行既定的任务或者获取有效的信息。由此，人工智能实现了人类已有明确记述的认知成果的系统内化，并以成效有效性的方式呈现了智能的能力。特别是今天人工智能的深度学习、生成式范式等更使递归调用“做”的技术逻辑所具有的意义体现得淋漓尽致。或者说，递归调用的程序可行性使人工智能系统获得了选择、组合和明述知识的便利性，使明述知识的能力快速、便捷、可控和有效，呈现出超越人类习得与转移明述知识的高超能力。因此，人工智能系统通过递归首先获得了由人类社会历史性所积累起来的智慧。由于其非人类生物制定性的特质，其高超的智能是以量的总体来呈现的。另一方面，递归作为有确定输出的迭代过程，以技术成效表达了类反思的智能能力。递归调用作为人工智能系统“实现反馈机制的基本数学基础”（9）的代表，意味着人工智能在技术的基本逻辑上就充分在意获取智能的核心机制。我们知道，人工智能的算法不仅需要获取数据中内涵的信息、知识和规律，而且还需要通过对获取过程的改进和优化而达致对算法的提升。因此，递归调用一方面要完成无规律数据的规律化问题，表现为以明述知识为基础，通过不断调用简单规律以“大数据”来完成“小任务”，另一方面则是在对调用过程的记录及其评价中不断优化调用的原则，使其以类人行为方式与数据进行交互。虽然递归调用是明述知识的产物，但是作为人类基于对自身行为的理解而形成的技术逻辑，却表征着人类智能获取智能的行为方式。而“行为就是一个实体相对它们的环境做出的任何变化”。（10）所以，当递归调用驱动电子的物理运用来实现思维的高级自动运动的时候，就呈现出了类人的获取智慧的能力。递归调用用“做”而非“是”，实现了对信息的有效选择、对明述知识的逻辑编码与操作化转化、对传输机制的建构、对解码逻辑和程序的创制等的递归迭代（11），从而形成了人工智能系统的反馈机制。

第二，递归调用独特的反馈修正机制，使人工智能系统从自动实现明述知识进展到了高阶自动化的内化知识，在实现人工智能获取智能功能的同时，更是以技术逻辑的方式强调了整体感知积累的认识论意义。从发生现象学上讲，人工智能递归调用本质上是与人类实践活动的逻辑和智能提升的历史相一致的。而人类智能的发展史如同人类创造历史一样，都“不是随心所欲地创造，并不是在他们自己选定的条件下创造，而是在直接碰到的、既定的、从过去承继下来的条件下创造”。（12）显然，人工智能系统以递归为代表的技术逻辑并不是无限回退的循环还原，而是“不断调用自己直至达到停机状态的函数”。（13）其一，递归调用的可结束性与输出，既是对不必理解技术“黑箱”的后果主义的承诺，又是对既有认知成效的哲学肯定。从技术机理上讲，图灵机的可停机性是人工智能系统运行有效性的保障；从哲学上看，递归的可结束性其实就是对积累成果的实在性的认可。因为，利维的函数替代黑箱的观点、邱奇的不动点理论和正规形理论、埃尔布朗—哥德尔—克莱尼的一般递归函数、邱奇的λ可定义函数、索阿雷的递归性可替代等（14），都从技术路径上保障了递归的操作可行性。而且图灵天才的预见，“可以把形态发生理解为模式生成的递归过程”（15），这也被当前人工智能的技术发展所证明。如此看来，递归调用以技术逻辑所推动的人工智能的成功充分说明一个问题：人类认识“实践—认识—再实践—再认识”的认知逻辑，既是由穷根究底的底层面创造，又有基于既定成果的递归升级。其二，递归调用强调反馈修正机制对于智能提升的认识论意义，从逻辑机制上强调了整体感知积累之于认知内容丰富和认知能力提升的奠基性意义。人工智能获取智能是以人类智慧的积聚为前提的。人工智能递归调用的是表达人类与世界打交道所产生的数据，无论数据是描述对象，还是刻画行为，抑或是记录成果，都是由人类实践感性积聚起来的。递归调用所产生的反馈本质上是人类整体感知积累的客观成果与人工智能系统程序和算法的互动。因此，人工智能系统不仅获得了修正具体内容的感性材料，而且还实現了经验和算法的内在结合。通过递归内化整体感知的积累，与其说是人工智能系统获得了对真理的敏感性，不如说是整体感知积聚的经验被知识性地激活。这就能够解释为什么今天的人工智能训练中特别依赖描述人类活动的大数据。人工智能通过递归表现了超强的能力——能够将整体感知的积累转化成塑造我们周遭世界和我们内在观念的东西。显然，这样的实践认知成果不同于传统数学、物理、化学、生物等学科的知识，而是由人工智能系统解决问题所体现出来的能力。如此看来，高阶自动化的人工智能获取智能的方式，一方面是将明述知识转化成运行知识，另一方面则是将感知整理和内化成系统的运行逻辑（即算法）。因此，人工智能以递归调用获取智能的深度与广度与人类实践具有一致性。

第三，递归调用虽然有其直接的目的性，但是因为在调用中纳入了整体感知的积累，所以这一逻辑使得人工智能在获取智能的时候具有开放性与反思性。前述分析已充分表明递归是具有类反思性的反馈，因此，人工智能的递归不同于数学的递归函数，尽管其是由递归函数演化而来。因为当人工智能系统不断运用递归调用的时候，实质上是实现了经验的再输入，福斯特将之称为“本征形式（Eigenform）”。（16）递归调用的数学性质不是恶性循环的无终止的“抽象的具体”还原，而是能够生成认知成果的创造性循环。“把认识论看作获取知识的方式，我们可以看到，它必然是递归的。”（17）因此，递归的实质是一种内在沟通，而且是能够获取知识的沟通。依此逻辑，递归不仅可以实现感知内容的交叉，而且还可以实现感知方式的互动。因为递归不仅“是一种能有效‘驯化偶然的机制”，而且“也是一种使新事物得以产生的机制，新事物不仅来自外部的，也是内部的转变”。（18）也就是说，递归调用其实是感知的深度加工，而且是一个可以产生超越既有感知内容的加工。这无论是对于人，还是对于人工智能系统均是如此。对作为社会主体的人而言，递归调用表现为“接受所有这些不同的感性印象，对它们进行加工，从而把它们综合为一个整体的始终是同一个我，而提供这各种不同印象的同样也是同一個物，这些印象表现为这个物的共同的属性，从而有助于我们认识它”。（19）对人工智能而言，则是通过包含递归性的深度学习的特征向量、神经网络递归训练调整误差、引入随机算法的递归等方式使递归“活”在处理信息过程之中，并成为提升所获得的结果质量的方式。由此看来，面对整体感知的积累，递归调用本身既是处理的方式与手段，又是被改进和修正的对象。可以不夸张地讲，无论是对人，还是对人工智能，递归调用都具有认识论与本体论的双重意义。当递归调用成为人工智能获取智能的技术方式的时候，就使人工智能获取智能的“活动”指向了改变递归本体性的整体感知问题。正是由于人工智能以递归调用开启了整合而非分离的认知操作新思维和新方式，使得整体感知积累成为了重大的认识论问题，而这恰恰是今天诸多人工智能技术公司特别看重训练数据的根本原因。

因此，人工智能系统以递归调用的叠加来整合算法、推进信息内容的智能化与知识化，虽然在技术上还存在认识过程和智识成果表达的黑箱问题，但是却明确了人工智能时代认识论发展的根基性问题。所以，面对人工智能向通用智能迈进的奇点难题，与其踌躇不前地担忧，不如认真而深入地思考如何开拓人类整体的感知，如何有效地提升感知成果的意义与价值，如何改进处理感知成果的途径与手段等重要的认识论问题。

二、群体试错的选择逻辑与共同学习的升华

人工智能以其高阶自动化所具有的从数据对象获取智能的“能力”，改变了自工业革命以来自动化体系的面相，其类人的学习能力，不仅以驱动物体系运行的方式激活了人类明述的知识，而且以不断挖掘数据内涵信息的方式使物体系获得了智能。虽然人工智能系统没有生物种群的自治能力，但却能够基于数据对“内部规则以及其所处的局部环境状态而各自做出反应”（20）；虽然人工智能系统是具有社会历史性的人的对象化产物，却具有不以人的命令为根据，而是以系统的判断为基础作出“选择”的能力，表现出可适应性、可进化性、弹性、无限性、新颖性等特质；虽然人工智能系统未必最优，也未必可控和可知，还很难预测和即刻有效，但是其通过推进经验的吸纳、知识的学习与转化、认知对象和领域的拓展，提升了认知功能的有效性。因为人工智能利用充满活动的网络，一方面有效地集聚不同的终端，既为数据的分析、信息的获取和算法的改进提供了事实性的根据，又节省了其试错选择的成本；另一方面系统获得了强大的学习能力，推动着“名词向动词的转移”（21），使人工智能整体表现为形式的群体思维超越了个体的认知能力。由此，人工智能系统以运行的高效、逻辑的稳定和标准的齐一等实现了众愚成智、聚单获慧，使分布式群体试错的非理智性功能成为了选择的基础，确证了共同学习之于经验积累的认识论意义。

第一，人工智能自下而上的试错选择，虽然是对智能的机械与逻辑实现，但却真实地表征了选择之于智能的核心意义，更是提出了通过学习培养选择能力的重要性。无论是从发生学上讲，还是从应用实际上看，分布式构成是人工智能系统重要的特征。这一方面是由其物理建构的实际使然，另一方面则是技术实现便利的需要。就前者来说，人工智能系统通过群体试错的方式有效地集中了个体认知的经验。不可否认的是，人工智能无论多复杂都是由简单的器件构成的。简单器件虽然功能与任务是单一的，但是对于具体对象的描述和操控却高效而纯粹。因此，面对新的认识对象，人工智能以低廉的成本通过试错做好简单的事，然后通过集成而非集权命令组合成处理简单事情的原则与方法，再通过前文所述的递归不断调用这一过程，就能够形成系统化的逻辑自洽、成效稳定和规则可移的智能。比如人工智能常用的“烟花算法”就能够很好地通过试错形成“排他策略和反思算子的协同”。（22）就后者来说，群体试错既体现人工智能获取智能的技术性特质，又表征了心智社会锤炼选择能力的一般特征。人工智能提升系统能力的技术逻辑使松散的系统完美地组合，使心智社会锤炼选择的能力内化为物体系的能力成为可能。群体试错所得到的客观知识，既有认知功能的社会化问题，又有认知功能的社会组合问题。索恩—雷特尔给出了社会心智形成的存在论结构，虽然表征智能的知识是综合的，但是被认知成果刻画的“质料的综合则没有发生，因为这种综合是作为社会综合而发生的，并且涉及人的定在关联”。（23）而无论是人类智能的有机体结构，还是今天人工智能所遵循的分布式设计，都呈现这样的逻辑，即“每个思维智能体本身只能做一些低级智慧的事情，这些事情完全不需要思维或思考，但我们会以一些非常特别的方式把这些智能体汇聚到社群中，从而产生真正的智能”。（24）或者说，基于系统整体来汇聚群体试错成果的时候，显然就不是一个直接加总的问题，而是联动的社会性组合问题，这就是人工智能能够涌现出智慧的根本原因之所在，也是解释智能发生逻辑的困难所在。因此，群体试错虽然对于个体而言是耗时费力，但是对群体而言却具有无比重要的意义，因为群体之深度交流与互动，既与人类认识论发展的历史同构，又体现人工智能的系统性特质。此外，社会性的群体是由发展着的个体组成，而这些个体试错的认知成果必然会“在改变自己的这个现实的同时也改变着自己的思维和思维的产物”。（25）所以，群体试错既有利于人工智能技术明晰地作出正确的选择，体现出其智能性，又印证了不同系统之间的交互本质上就是一种共同性的学习。通过共同学习，人工智能汇集的试错结论就不是分散性的判断，而是规定性思维，并能够转化为进行正确选择的能力。

第二，人工智能以算法的方式引入群体试错，使机器学习对认知的优化与改变进入了获取智能的过程。人工智能系统借助快速的计算、海量的存储和完备的分析，尽可能充分地寻求对象的关系、判定事实的顺序和预测发生的可能。人工智能如此的技术逻辑，一方面能够超越人在有限时间里事无巨细地研究对象的能力，使处理问题更加全面和完备；另一方面也能够充分检视其中可能存在问题，使其对于错误的认知更加细致和准确。并且，人工智能借助各种基于人类智能认知的算法，使自身呈现出在杂乱对象中获得规律的能力。比如，当代的深度学习就是重要的例子。（26）因此，人工智能虽然不能如同人一样在主体意志要求下学习，但是却在数据训练的过程中实现了学习的技术再现。比如人工智能系统在神经网络、回归算法、关系联结、数目穷举等逻辑分析的加持之下，能够从数据中获得人类尚未发现的新知识。但是如果我们分析其本质就会发现所有的人工智能算法都是以各种不同的方式选择数据、组合数据、分析数据和归纳数据等，然后以行为有效性、逻辑可行性和反馈及时性来评价试错得出的结果。当然，算法驱动的群体试错本身与有意识的创造还是有区别的，因为其主要是通过速度的快与量的全来解决“偶然或随机的联想或组合”（27），虽然其具有时间与精力的经济性，但却很难具有社会的灵活性。不过这并不意味着人工智能技术获取智能只是一个推理自动化的过程。因为人工智能通过群体试错表达的学习，虽然和人类的学习有所差别，但其“通过特殊的认识方式所获得和积累的知识”（28）正在挑战人类的认知能力。人工智能通过群体试错表现出在不可预测的环境中做出适当行为的能力（29），表明人工智能系统通过系统的运行获得了智能的选择与建构能力，具有了类人的学习能力。或者说，人工智能把机械和逻辑的群体试错的成果结构化成了系统的运行原则。这一原则既可以是被人类智识解释明晰的逻辑，又可以是不能破解的黑箱，但是却与人类智能具有同构性、同效性与同理性。因此，人工智能以其独特的技术逻辑把群体试错的机械操作、逻辑分析与事态组合整合成了表征对象的机器学习。对此，与其说是人工智能技术逻辑分解出学习的另一条途径，不如说是以事实有效性的方式强调了共同学习及升华之于认识论的意义。从其机理上讲，人工智能以群体试错的选择表明了共同学习之于认识的构成性意义，虽然其是以可能的穷尽、联结的组合和偶然的模拟等来表达“实践出真知”的认识论真理，但是却充分表明“学习就是构造或改进对经验的表征，就是通过已有的内在条件对外部实在作出适当的表征”。（30）

第三，人工智能通过群体试错不仅给出对新状态的判定，而且还深度融合了明述知识，使其获取智能具有了从模拟到独立的逻辑可能。人工智能通过递归调用能够用前置性的知识对未知的状态进行试错性的分析与归纳，使系统获得适应性的识别、选择和决策能力，在运行成效方面与人类智能方面具有同构性。通过群体试错，人工智能使设计之初“自上而下”的系统具有了直面对象获得智能的“自下而上”的能力。虽然目前我们很难肯定人工智能一定能够获得通用智能，但是人工智能基于群体试错来提升系统“选择”能力的过程，本身就嵌入了人类智能与对象世界打交道，即“利用现实世界的反馈实现交流”的机理。（31）这既为人工智能之智能内容增添了新的元素，又为人工智能试错提供了新的方式。虽然人工智能获取的智能难于处理人类由生物进化与社会进化双重推进的智能所擅长之事，但却充分印证了人工智能群体试错获得的知识本身是易于逻辑化、形式化和操作化的知识，而非基于常识与经验的无意识智能。或者说，从人工智能群体试错所获取的选择能力来看，人工智能之智能的通用性本身不在于以常识的灵活应对偶然性事件，而在于以程序的移植性、形式的变化性和成效的可验性跨领域地处理不同数据类型表达的事实本身。也正是这个意义上，我们可以看到在人类认知能力的培养中，共同学习所升华出来的知识性内容恰恰就是那些易于确定的固定性内容。因此，人工智能系统以线性模型、非线性模型、神经网络、深度学习、强化学习、穷尽搜索、改进搜索等算法来实现群体试错，就是以时间和效率来换取认知的内容和空间，然后在分而治之的基础上进行整合判斷。这显然就是共同学习升华认知内容和提升认知能力的方式。因此，虽然人工智能依然存在着默会知识的难题，但是其以群体试错所表现出来的获取知识的类生物性使其超越了自动化的一般逻辑，在高阶自动化的意义上正在逼近主体获取智能的能力。尽管这并非表明人工智能必然具有通用智能（32），但却从根本上证明了共同学习之于认识发生与发展的实践意义。

因此，人工智能以技术逻辑来实现认知的否定、选择和组合，从而提升系统的智能，其实就是以技术的方式表征了学习之于获取智能的意义与价值。虽然人工智能的技术逻辑目前在操作结构上只是有限地实现了群体试错这一群体学习方式，但却构成了对推算认知、学习认知和行为认知融合与整合的探索。或者说，在“人工智能就是认识论”（33）的意义上，人工智能群体试错的选择印证了共同学习升华认识能力的可能性，也提出了人工智能时代人类学习如何在与人工智能融合的意义上提高与发展的重要问题。

三、抽象解释的通用逻辑与社会进化的超越

从第一代知识驱动，到第二代的数据驱动，到第三代神经网络与高维统计结合，再到第四代的生成式技术，人工智能获取智能的技术范式一直在不断发展和进化。这不仅建构了高效运行、精确描述和精准预知对象的人工智能系统，使其表现出通用智能的诸多特性，而且产生了一系列推动认识论发展的社会效应。诸如，将人工智能嵌入决策、演绎、归纳中使其“成为人认识自然、探索自然的有机组成”（34）；以“‘深度学习的提炼”“‘自然学习的反思”“‘强化学习的交互”（35）实现人机认知的表征融合；将强化学习、计算机视觉和自然语言处理融合成逼近通用的认知路径；将发现与解释逻辑融入算法推进认知方法变革和认知能力的拓展等。如此看来，人工智能获取智能技术逻辑的进展，既以技术的有效性充分地展示了抽象解释逻辑的通用性，更深入地探问了技术获取智能所表征的认识能力社会进化的一般路径。因为“在很大程度上，人工智能就是哲学”。（36）因此，当前人工智能以社会—技术系统为基础打造出人工智能结构化、程序化、操作化的能用性，并非是对认识论基本结构和认识发展一般逻辑的否定，而是具体地表明人工智能的通用性“只有超级计算机远远不够”（37），自治系统及其相互联合形成的整体进化才是问题的关键。

人工智能发现拓扑学新定理、解决蛋白质折叠、战胜人类围棋冠军等能力，表明以社会进化为基础的算法在高阶自动化的运行中能够表现出发现的通用性。今天，人工智能在大型神经网络、因果规则性引入和生成式范式等共同驱动下，集成了理论驱动与数据驱动，表现出与人类发现实践的逻辑同构性。人工智能内置的逻辑结构提供了构想的前提，“启发”着系统精炼数据，系统面对的数据则构成了发现的事实性前提和偶然性可能。当数据规导和程序启发共同作用于发现本身时，所呈现的效果就是，人工智能系统既能以数据为依据对发现事实给予自洽性的说明，又能给予发现以逻辑的严整性推导，还能以应用的可行性呈现衍生的一致性等。尽管我们目前无法避免人工智能“一本正经”地胡说八道的可能，但是其所呈现出来的抽象解释的通用性特质却是人类梦寐以求的认知境界。对人而言，“人的思维是否具有客观的［gegenst?ndiche］真理性，这不是一个理论的问题，而是一个实践的问题。人应该在实践中证明自己思想的真理性，即自己思维的现实性和力量，自己思维的此岸性”。（38）人的社会性发现是在人的社会性实践中完成的。类比地看，人的实践规则就是人工智能的启发性搜索程序，人的实践对象及其偶然性就是人工智能精练的数据。而且，人工智能在改进其获取智能的技术范式中，还不断借用和模拟人类发现的启发性逻辑、规划性技巧、逻辑性简化、数学化表达，将自然语言处理的机制、视觉感知抽象、强化学习过程集成于算法之中，从而获得跨领域的通用性。比如，DeepMind开发的Gato就“有效地将强化学习、计算机视觉和自然语言处理这三个领域功能融合，将CV、NLP和RL这三个不同模态映射到同一个空间，用一套参数表达，初步实现了认知路径的通用融合”。（39）当然，人工智能抽象解释的通用性需要基于对认识机制与认知进化的技术性重构，以致于驱动系统的算法也需要遵从这一逻辑。如果我们从人工智能技术创制的发生现象学看就会发现：算法的基本规定性是受人类的认识本质、认识逻辑和认识实践的社会历史性制约的。如果我们从人工智能的实际影响看，其基于深度学习的预测驱动（prediction-driven），“具有从一种大数据到另一种大数据的强大的映射学习能力，再从被映射的大数据来反推前一大数据中的一些个体的结构，并能产生经验科学通常所无法企及的思维和洞见”。（40）因此，如果我们暂时搁置通用智能的主体性难题，那么就会发现“将机器比喻为生物，将生物比喻为机器”（41）的古老隐喻正在预告人工智能获得通用智能的路径，以及人类智能借用人工智能推进认识进化的文明路径。

人工智能获取智能追求通用的抽象化解释，感性科学地呈现了认识论的核心逻辑，是对认识论社会超越的技术推进。

其一，抽象的解釋逻辑其实是人类智能转化成人工智能所形成的基本路向。在自然主义路径之下，人类的明述知识通过语言转化而成为便于操作、能够表征的符号，通过逻辑化、形式化和程序化使其能够描述既成事实、规范现实事实、预测未来事实，从而有效地解释对象本身。所以人工智能也以此追问“计算、感知、推理、学习、语言、行动、互动、意识、人类、生活等性质非常基本的问题，同时对于回答这些总是做出了显著的贡献（事实上，它有时被视为一种实证研究）”。（42）

其二，人工智能抽象解释的通用逻辑把虚拟实在的“形而上学实验室”（43）之认识机制揭示得充分而具体，探索了既有认识成果、认识方式和认识主体的融合与进化问题。人工智能本身就是集成信息、存储、运算和采集等功能的综合性系统，其在网络和大数据的加持之下，既可以通过系统的运行“检验出一些认识论观点的合理性与局限性”（44），又可以借助于虚拟的实在性来探索系统融合的认识能力进化问题。虽然抽象解释的通用性是“人们在将自然逻辑输入机器”（45）的时候所并没有完全生成的，但却随着人工智能充分借用社会进化常用的思想实验得到实质性推动，并在不断推动人类认识的社会进化中加速人工智能通用化这一过程。因为，在人工智能通用性不断进化中，人类智能也不断创新理解生物认知的范式，并开创了全新的理论观念。所以，人工智能在使人类不断接受新理念的过程中创新观念、提升能力和丰富认知，使感知新理论、心灵本质新理论等不仅成为推进社会进化的超越性的历史语境，也成为人工智能迈向通用化的理论支撑。

其三，虽然人工智能抽象解释的通用智能是力图使人工智能像人类智能那样做所有的事（46），但在技术逻辑上它却是还原与重构认识的社会进化超越性的一种尝试。按照对人类技术发展逻辑的一般判定，有学者明确提出“未来的强人工智能（尤其是当人工智能有自我意识和意向性等属性后）中，当它们的技术载体从功能上具有生成智能的条件后，当这样的技术可以相当甚至超越人的身体时，‘具技智能或‘具技认知（以机器为认识主体、机器也可以‘用心思考）就成为不能被忽视的认识论现象，此时人工智能作为一种技术认识论不仅对认识论研究具有辅助的价值，甚至具有主导的意义，这也是人类认识日趋技术化的一种必然走向”。（47）这意味着人工智能的通用化并不是把人类智能和认知能力解析透彻后直接移植到技术系统之中，而是首先真实地认识到智能社会进化的超越性才是其通用化的根源，然后才有可能在深入地理解认识论的前提下推进人工智能的通用化本身。

因此，人工智能当前的加速发展，与其说以其通用的可能性打开了“潘多拉”的盒子，倒不如说其正在以技术逻辑实现的描述对象的合理性、组合对象的有效性、预测可能的精确性倒逼我们直面和深入研究生成智慧的基本机制和现实要素。因此，在可以预见的将来，我们既可能因为认识论的发展而变革人工智能的技术范式，也可能因为人工智能智能的获得而建构起全新的认知逻辑和认识论。

注释：

（1） ［英］斯图尔特·罗素：《AI新生：破解人机共存密码：人类最后一个大问题》，张羿译，中信出版社2020年版，第XI页。

（2）（24） ［美］马文·明斯基：《心智社会：从细胞到人工智能，人类思维的优雅解读》，任楠译，机械工业出版社2016年版，第2、2页。

（3）（13）（20）（21）（31）（41）（45） ［美］凯文·凯利：《失控》，陈新武、王钦等译，新星出版社2011年版，第7、138、34、40、69、3、5页。

（4） ［英］ 罗杰·彭罗斯：《皇帝新脑》， 许明贤、吴忠超译，湖南科学技术出版社2007年版，第2页。

（5） ［英］乔治·扎卡达基斯：《人类的终极命运》，陈朝译，中信出版社2017年版，第288页。

（6） 吕其镁、涂良川：《“图灵测试”技术叙事的哲学追问》，《哲学动态》2023年第3期。

（7）（9）（14）（15）（16）（17）（18） 许煜：《递归与偶然》，苏子滢译，华东师范大学出版社2020年版，第5、135、141—142、143、158、159、174页。

（8） Robin K. Hill， What an Algorithm Is， Philosophy and Technology， 2016， 29（1）， p.44.

（10） A. Rosenblueth， N. Wiener & J. Bigelow， Behaviour， Purpose and Techology， Philosophy of Science， 1943， 10（1）， p.18.

（11） W·R·艾什比：《控制論导论》，张理京译，科学出版社1965年版，第281—282页。

（12） 《马克思恩格斯选集》 第1卷，人民出版社2012年版，第669页。

（19） 《马克思恩格斯文集》 第9卷，人民出版社2009年版，第498页。

（22） 李克文、吴雪锋、王晓辉：《基于排他策略和反思算子的协同烟花算法》， 《计算机工程与设计》 2023年第7期。

（23） ［德］阿尔弗雷德·索思-雷特尔：《脑力劳动与体力劳动：西方历史的认识论》，谢永康、侯振武译，南京大学出版社2015年版，第120页。

（25）（38） 《马克思恩格斯文集》第1卷，人民出版社2009年版，第525、500页。

（26） 涂良川：《深度学习追问学习本质的哲学叙事》，《学术交流》2022年第11期。

（27） 赵汀阳：《人工智能的神话或悲歌》，商务印书馆2023年版，第50页。

（28） 董春雨、薛永红：《机器认识论何以可能》，《自然辩证法研究》2019年第8期。

（29） ［美］本·戈策尔：《创建互联网智能》，戴潘译，上海译文出版社2018年版，第30页。

（30） 高新民、付东鹏：《意向性与人工智能》，中国社会科学出版社2014年版，第457页。

（32） 涂良川、乔良：《人工智能“高阶自动化”的主体可能性——兼论人工智能奇点论的存在论追问》，《现代哲学》2021年第6期。

（33） 肖峰：《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。

（34） 黄时进：《人工智能驱动科学发现何以可能：基于认识论的追问》，《国外社会科学前沿》2023年第5期。

（35） 涂良川：《“生成式人工智能”逼近通用智能的哲学叙事——ChatGPT追问智能本质的哲学分析》，《东北师大学报》（哲学社会科学版）2023年第4期。

（36） C. Daniel Dennett， Brainchildren： Essayson Designing Minds， Cambridge： MIT Press， 1998， p.165-266.

（37） ［英］玛格丽特·博登：《人工智能的本质与未来》，孙诗慧译，中国人民大学出版社2017年版，第28页。

（39） 黄时进：《人工智能驱动科学发现何以可能：基于认识论的追问》，《国外社会科学前沿》2023年第5期。

（40） 吴畏：《算法的认识论逻辑》，《哲学动态》2023年第3期。

（42） Vincent C. Mu?ller （ed.）， Philosophy and Theory of Artifcial Intelligence， Minds & machines， 2012，“Introductory Note”.

（43） ［美］迈克尔·海姆：《从界面到网络空间——虚拟实在的形而上学》，金吾仑、刘钢译，上海科技教育出版社2000年版，第86页。

（44）（47） 肖峰：《人工智能就是认识论》，《云南社会科学》2021年第5期。

（46） Hubert L. Dreyfus， Cognitivism Abandoned，in P. Baumgartner and S. Payr （eds.）， Speaking Minds： Interviews with Twenty Eminent Cognitive Scientists， Princeton： Princeton University Press， 1995， p.73.

作者简介：涂良川，华南师范大学马克思主义学院教授、博士生导师，广东省习近平新时代中国特色社会主义思想研究中心特约研究员，广东广州，510631。

（责任编辑 胡 静）