两种不同的人工智能观：工程观点和科学观点

在日常语境下的“人工智能”术语，如前所述，由于其可能具有的交叉性学科的特点，导致其含义比较模糊，大多数时候与机器人、软件应用联系比较紧密，有时则作为计算机学科的一门分支或者计算机专业的一门课程，而且人们在谈论人工智能的时候，往往与认知科学相提并论，认为其目标就是开发比人类智能更为强大的智能机器，至于为了开发智能机器，是否需要完全弄清楚人类大脑的工作机制，在日常语境下很少成为核心议题。

因此，我们首先必须明确在何种意义上讨论人工智能这门学科。

传统意义上，人工智能被认为是计算机学科中的一门重要分支，在控制论、心理学、神经生理学和计算机科学的影响下，诞生于上世纪二战后的40年代末50年代初，其目标是使计算机完成人类智能才能完成的任务。

从上世纪70年代末到本世纪初的数十年中，这种对人工智能学科的传统定义在一些标准的教科书中都有类似的表达方式，例如：

“人工智能所研究的是使计算机能够做那些表现出人的智能的事情”。

“可以把人工智能定义为计算机科学的一个分支，其目标是使智能行为自动化。”

但是，我们看到在这个学科的学术共同体和代表性学者中，对此也有不同的定义，例如：

 国际人工智能促进会（AAAI：Association for theAdvancement of Artificial Intelligence）：“对作为思维和智能行为基础的机制的科学理解及它们在机器中的具体实现”。

约翰·麦卡锡（人工智能学科的主要开创者，1971年图灵奖得主）：“制造智能机器的科学和工程，特别是智能的计算机程序，它与利用计算机来理解人类智能的类似任务有关，但不必自我限制于生物学上可观察的方法。”

上述这两种定义都没有明确指出人工智能是计算机科学的一门分支，但都指出为了在机器中实现智能都需要理解人类智能的机制。这种与传统人工智能定义的差异主要在于学术共同体内部对人工智能具有两种不同的理解，或者说有两种不同的人工智能观。

赫尔伯特·西蒙在1990年应邀为《人工智能百科全书》撰写的序言中，基于其物理符号系统假设的立场，认为人工智能有两个主要分支：

西蒙所持有的物理符号主义立场，其理论硬核以表征-计算为特征，因此并没有强调对人工智能和认知科学进行特别的区分，甚至在艾伦·纽厄尔（Allen Newell）、泽农·派利夏恩（Zelon W.Pylyshyn）这样的符号主义者看来，标准认知科学和传统人工智能共享同样的理论假设和目标，只是实现同一目标的两条不同路径，这个目标就是理解可能出现在任何物理形式中的智能行为的本性。

随着20世纪末以来新的研究纲领及其理论假设的引入，对两种不同的人工智能观的认识也进一步深化，在1999年出版的《MIT认知科学百科全书》中，两位知名的人工智能学者Michael I. Jordan和Stuart Russell如此表述：

“有两种互补的人工智能观：一种是涉及智能机器建造的工程学科，另一种是涉及人类智能计算建模的经验学科。在这个领域的初期，这两种观点很少区分,此后两者之间的大量分歧开始出现，前者统治了现代人工智能，而后者描述了现代认知科学的大多数特征。因此我们采用更为中立的术语’计算智能’作为本文的标题——两个共同体都采用计算的术语来致力于理解智能的问题。”

这两种不同的学科观如果不在上下文语境中进行说明或限定，则很容易导致对人工智能历史描述的误解，虽然AAAI和麦卡锡的定义兼顾了这两种互补的观点，但这却与一部分主流教科书的表述并不一致，而且对学科历史研究中所涉及的大量认知科学、心灵哲学、认知心理学文献中所出现的人工智能术语，究竟是基于哪一种人工智能观需要予以明确。因此接下来我们介绍这两种不同人工智能观，进行初步分析，并在本文的后续描述中来揭示这两种互补的观点是如何形成并相互影响的。

人工智能哲学家约翰·豪奇兰德（John Haugeland）是德雷福斯的学生，在他一本有很大影响的人工智能哲学著作《Artificial Intelligence: The Very Idea》中，提出了GOFAI（Good Old-Fashioned Artificial Intelligence）这个概念，直译为好的旧式AI，其含义是指以西蒙、纽厄尔等提出的物理符号系统假设（PSSH：PhysicalSymbol System Hypothesis）为硬核的符号人工智能。

从1956年标志人工智能正式诞生的达特茅斯会议，到联结主义纲领初步复兴的20世纪80年代初的这20多年里，符号主义纲领在人工智能的研究中占主要地位，而且取得了不少成就，因此豪奇兰德称其为GOFAI，事实上由其主要承担达成1956年达特茅斯暑期研究项目建议书中提出的技术目标：

“……试图发现如何制造这样的机器：运用语言、形成抽象观念和概念、求解目前仅限人类解决的问题并予以改进，……”。

因此，从达特茅斯会议到上世纪70年代末之前，人工智能主要作为技术或工程科学，其目标是建造智能机器这样的人造物，对人类智能机制的理解是否会成为实现这个目标的前提，早期的研究者并未引起足够重视，或者过于乐观地高估了物理符号系统、信息加工心理学对智能机制的解释能力，认为其对实现这样的技术目标已经足够。虽然在这段时期，在美国有德雷福斯从哲学视角进行了批判，以及1966年美国国家科学院的ALPAC（AutomaticLanguage Processing Advisory Committee：自动语言处理顾问委员会）报告对机器实现语言自动翻译任务的否定性结论，在英国则有1973年英国科学研究理事会的莱特希尔报告对当时整个人工智能研究的质疑和否定，甚至连DARPA（Defense Advanced Research Projects Agency：美国国防部高级研究计划局）这样的主要支持机构对GOFAI技术成果的进展也不满意，大规模削减经费，导致人工智能历史上的第一次冬天，都未能从根本上动摇坚持GOFAI的研究者的信心，这使得在此阶段，如Jordan和Russell 所说，作为技术的人工智能和作为人类智能计算建模的人工智能没有明确区分，对共同体内部而言，只有一种从属于计算机科学的技术的人工智能，并对如何理解人类智能工作机制发挥着关键作用。

人工智能在认知科学这门交叉学科中的地位，在共同体内部大致有三种不同的观点：

第一种观点是无关论，认为人工智能与认知科学没有关系（如标准认知科学的典型代表人物福多），甚至不承认人工智能属于认知科学这门交叉学科的范围（如1972年图灵奖获得者、著名计算机科学家戴克斯特拉），或者本身对认知科学的独立地位持有一种弱化甚至取消的观点（如普特南和塞尔）；

第二种观点几乎是强相关论甚至等同论，认为人工智能是认知科学的理论内核或智力内核，甚至将两者的目标等同起来，例如认知科学家丘奇兰德将人工智能的目标定义为：“重新创造和理解一般生命有机体的认知能力”，持有这种观点的科学家包括加德纳、丘奇兰德、博登等人；

第三种观点是第二种观点的一种弱化或折衷，主要在计算机科学的背景下强调区分人工智能的认识论目标和工程目标，在承认人工智能在认知科学中的重要地位的同时，并没有将其与认知科学混同起来，持有这种观点的科学家包括西蒙、勒内特、麦卡锡、眀斯基等人。

在具体实践中，主流的观点是第二种和第三种，认为人工智能和认知科学无关的只是少数，而第二种和第三种观点只是在理论主张强弱程度上的不同，因此本文对人工智能和认知科学之间的关系所采取的立场是：综合加德纳、西蒙等人的观点，即人工智能在认知科学中发挥核心作用，但又不等同于认知科学，而有其独特的经验科学的探索和实验性质。

霍华德·加德纳将认知科学定义为一门经验科学，主要是解决传统上根深蒂固的认识论问题，特别是关于知识的本质、成份、来源、发展和展开的问题。因此，认知科学似乎有一个漫长的过去，但却只有一个相对短暂的历史，其作为交叉学科所包括的大多数其他学科在20世纪初就已初露端倪。学科内部从思想史的发展线索和成熟度出发，一般将1956年9月在麻省理工学院召开的信息论专题讨论会作为这门学科的开始，因为在这次会议上西蒙与纽厄尔提交了描述第一个人工智能程序“逻辑理论家”的论文，乔姆斯基提交了“语言的三个模型”的论文，以及乔治·米勒提交了关于人类短时记忆能力的论文，代表着认知科学研究的三个核心学科人工智能、语言学、心理学在理论和经验实践上的突破。但至于认知科学（Cognitive Sciences）这个学科名称的正式出现，则比人工智能要晚17年，是由爱丁堡大学的心理学家Hugh Christopher Longuet-Higgins在对著名的LightHill报告的评论文章中提出的。

加德纳在对认知科学的关键特征进行总结时指出：“事实上，还有许多人认为，围绕计算机模拟而建立的人工智能，是认知科学的核心学科，是一门最有可能把其它陈旧的研究排挤出去，或使其成为余赘的学科”。他所总结的认知科学五个关键特征是：

加德纳认为前两个特征是认知科学的基本信念，也即标准认知科学研究纲领

的理论硬核，后三个特征主要与认知科学的方法论有关，可以理解为某种程度上的保护带和正面启发法。

加德纳作为心理学家，主要从其科学心理学的立场出发，认为心理学是任何认知科学的核心，并且认知心理学和人工智能将合二为一，成为新的、统一的认知科学的核心领域。

加德纳所持有的这些观点，现在来看属于标准认知科学或者第一代认知科学的立场，在这个视角下，人工智能是为认知心理学提供计算模型，将传统上仅通过内省、行为等方式难以进行科学和经验研究的人类心灵，通过计算机建模的方式进行实证研究，是心理学在研究人类心灵认知活动时的关键工具，也是从哲学上推动认识论自然化的主要途径。在这种场景下，作为技术的人工智能与作为自然科学的科学心理学之间的关系，不是传统上简单的科学及其应用关系，科学知识和技术知识之间在这里没有体现指导和被指导的层次关系，而是两者之间相互依赖，各自的核心概念、模型相互交织在一起，共同为认知科学提供理论指导。

在这种背景下，到目前为止的绝大多数心灵哲学、认知心理学、认知哲学的研究文献，均对人工智能采取一种工具主义立场，其目的是支撑和验证心理科学对人类智能工作机制的建模分析和理解，而不是聚焦在开发和建造智能机器这样的人造物来实现人类级别智能的目标上，因此对这种背景下的人工智能，对其进步与否的判断需要和认知心理学结合在一起，看其是否为认知科学提供了超余的经验内容和预测了新的事实。

反之，以计算机科学为背景的人工智能学者的大多数研究文献，则聚焦在开发、建造实体机器（如移动机器人）或智能代理体这样的软件，并在社会和经济目标指引下，寻求其商业化用途。这种背景下的人工智能，作为技术来看，判断其是否成功，主要应基于效率最优的观点来看其是否达到设计要求和应用的商业目标。

虽然最近二十多年来，在共同体内部力图弥合和淡化这两种不同的学科观差异，例如采用理性智能体的观点来定义人工智能，“将AI的研究视为理性智能体的设计过程至少有两个好处……因此，本书将着重讨论理性智能体的通用原则以及构造此类智能体所需的组成部分”，并且认识到仅作为经验的人工智能是不足够的：“智能软件的复杂性和在人类交互活动中与生俱来的不确定性阻扰了不管是从纯数学角度还是纯工程角度的分析”，并希望通过哲学尤其是认识论来为两种不同人工智能观的统一奠定基础。

这种努力确实比标准教科书中所呈现的GOFAI更完整地展现了当代人工智能研究的主流趋势，但共同体坚持其学科在方法论乃至形而上学基础方面的独立性立场仍然没有改变，如Luger同样在其书中所指出的：“得到的结论是，人工智能的经验主义的方法学是一个重要的工具，也许它对于探索智能的本质来说是最好的工具”。