【哲学】贾向桐 胡 杨｜论符号主义人工智能的框架问题及其出路

摘要

在人工智能学科的兴起之初，符号主义作为其中的一个主流流派，为人工智能的发展做出了巨大贡献，而框架问题的出现阻碍了它的发展势头，致使符号主义逐渐走向没落。为解决框架问题，符号主义曾提出过两条主要解决路线，然而均未能成功。人们逐渐意识到，框架问题并非仅仅是一个普通技术问题，其背后牵涉到复杂的深层认识论问题（丹尼特）。为此，德雷福斯等主张从现象学角度对符号主义人工智能进行反思，揭示框架问题技术之外的多重内涵，只有对人类智能有了更深入的全方位理解，塞尔理想中的人工智能才有可能实现。

作者

贾向桐，南开大学哲学院教授、博士生导师；胡    杨，南开大学哲学院博士生

项目

本文系天津市哲学社会科学重点项目“当代科学哲学的自然主义进路研究”（项目编号：TJZX17-001）的阶段性成果。

本文刊于《社会科学》2020年第6期

在人工智能的发展历程之初，以符号主义为代表的主流范式试图用符号逻辑来建构人工智能的算法系统基础。达特茅斯会议之后的十几年，是人工智能发展的首个黄金时期，那时研究者们对人工智能的发展前景一度极为乐观，著名的图灵奖获得者赫伯特·西蒙曾于1965年预言，“二十年之内，机器将能做到人所能做的一切”。然而，人工智能的发展却几经沉浮，并非如当初预想的那样一帆风顺。60年来，虽然弱人工智能的发展有目共睹，并已极大地融入到人们的日常生活中，但强人工智能的进展举步维艰，即使现在，西蒙口中的那种能完全替代人类的机器仍然遥不可及。这意味着，我们可能过于高估了机器所能达到的智能水平，而低估了人类大脑智能的复杂程度，在现代计算机科学技术飞速发展的背景下，人们不禁会问，为何作为计算机科学与工程子领域的人工智能，其发展却屡次步入了瓶颈？以符号逻辑来建立人工智能算法的符号主义研究进路遭遇到诸多难题，框架问题（the frame problem）便是其中最具代表性的难题：“从麦卡锡和海斯通过《机器人悖论》及后继的《机器人悖论》（修订版）引入框架问题后，这一难题或许占据了人工智能基础问题的中心地位。”

符号主义算法中的框架难题

符号主义也被称为逻辑主义，这是一种“自上而下的人工智能分析法”，其拥趸者以纽厄尔(A.Newell)、肖（John Clifford Shaw）、西蒙（H.A.Simon）、麦卡锡(John McCarthy)、明斯基(Marvin Minsky)等人为代表。在20世纪50年代，纽厄尔和西蒙提出了“物理符号系统假设”，即“对一般智能行动来说，物理符号系统具有必要的和充分的手段。所谓‘必要的’是指，任何表现出一般智能的系统都可以经分析证明是一个物理符号系统。所谓‘充分的’是指，任何足够大的物理符号系统都可以通过进一步的组织而表现出一般智能”。这个假说构成了符号主义人工智能的技术基础。在此技术的支持下，早期人工智能获得了很大发展，特别是在跳棋等棋类游戏以及后来的专家系统等领域，符号主义取得了很大成功，这也使得人工智能成为最具发展前景的新兴技术领域。

然而这种成功还是有限的，这仅仅限定在机器处理的只是相对简单、静止的领域，而一旦人工智能机器处于动态开放的现实世界时，麻烦和问题便接踵而至。20世纪60-70年代拉斐尔（Bertram Raphael）、尼尔森（Nilsson）团队研制的移动机器人沙基（Shakey）是一个典型的例证：沙基作为一个真正可移动、可感知并能对自己的行为进行推理的机器人，它配备有黑白电视摄像头与碰撞传感器，可以在复杂的环境中导航，通过转、推、爬坡等十几种基本能力来完成一些如移动积木等简单的指示，而无须人工干预，这是第一次将逻辑推理与机器的自身行动相结合的成功尝试。事实上，沙基这样的系统包含了关于微世界的内部模型或表征，即一个能够对任务域特征进行编码的符号结构。然而机器人如果是在一个动态开放的现实世界中行动，那么沙基的内部表征必须不断更新以导出一个可将当前状况转变为理想状况的行为描述，这就需要耗费大量的计算时间，从而导致一些简单的指令也要经过很长时间才能够完成。所以，沙基充其量只能在一些为它专门而设计的环境中作出十几种简单的动作，这离科学家们的期望还相差甚远，因此德雷福斯认为，“沙基是在微世界方面成功但在真实世界中却变成了失败的又一例证”。

事实上，沙基的困境就涉及到了符号人工智能所难以回避的框架问题。丹尼尔·丹尼特总结说：“创造这一术语的麦卡锡和海斯，用它表示一个产生于小范围的特殊的表述问题，它仅仅出现在某些处理较大范围的实时计划系统问题的策略中。另一些人把这个较大范围问题称为框架问题。”包括丹尼特等在内的哲学家通常是在广义的语境中谈论框架问题的。框架问题作为人工智能最基本的难题之一，同时也是“传统”人工智能所面临的棘手议题，简单而言，框架问题即是如何恰当和简单地在一个系统程序中表述事实，同时又能保证系统中其它属性并没有被这些行动所影响的难题。

丹尼特曾用一个假想实验来具体描述所谓的框架问题：假设机器人R1具备照料自己的能力，一天它的内置电源即将消耗殆尽，它得知备用电池和一个快要爆炸的定时炸弹锁在同一间房屋里（电池和炸弹都被安置在一辆小车上）。R1找到房门钥匙进屋，并采取某个叫做拉出的行动将电池从房间里转移出来。然而它并不知道拉出小车也就等于要拉出炸弹这个简单的逻辑蕴含关系——虽然这对人来说是显而易见的。设计者们为了弥补这个缺陷，在编程的过程中赋予了新机器人R2识别动作附带蕴含关系的能力，并把它放在R1相同的境况中。如设计者所期望的那样，R2在做出拉出行动之前开始考虑各种蕴含关系。可当它刚刚推演完一个无关蕴含关系之时炸弹爆炸了。设计者们只好再重新设计，希望教会机器人学会区分哪些蕴含关系是相关的而哪些则是无关的，并教会它如何忽略那些无关的。设计者们制造出了新机器人R3，将 R3放在之前的境况中，却惊讶地发现机器人这次一动不动，因为它正在忙着忽略那些成千上万被它确定为无关的蕴含关系，这时炸弹又爆炸了。

事实上，丹尼特的这个假想实验也解释了为什么像沙基那样的机器人需要经历好几天才能完成一些简单的行动序列，这意味着它是不具备实时处理能力的机器，因此无法满足人们的期许。那么，问题来了，为何人类不会受到所谓的“框架问题”的困扰呢？在人工智能专家看来，这是因为我们对自然界具备很多基础的常识，而人工智能则不具备。例如，在身处一个动态变化的情境中时，人可以通过常识推理轻松地预判出做出行动A会导致后果B、C、D而不会导致后果E、F、G，同时可以推理出只有后果B与其目标相关，从而自动忽略无关的后果C和D。因此，框架问题从本质上来说，“是一个以计算上合理的方式描述哪些特性会保持以及哪些特性会随着行动的执行而更改的问题”。那么如何能够满足“计算上合理”的要求呢？这就要求人工智能的设计者在对智能体（agent）的行动进行表征时，在有效表征出其行动效果的同时，还要避免对那些没有效果之事物进行无用表征。乍一看来，框架问题似乎仅仅是机器人工程学上的一个技术问题，然而事实证明，这只是早期AI研究者们的乐观看法，在马文·明斯基主导的“微世界”热潮后，人工智能的研究便一度陷入僵局。

框架问题的认识论意义分析

从根源上看，符号人工智能采用的进路是让机器合理地思考，这意味着让机器采取逻辑学思维的法则，以理想化的表现为智能化的基本尺度。其实，从古希腊哲学家亚里士多德以三段论为代表的演绎推理，到近代弗雷格、罗素等人发展起来的数理逻辑都为这种研究进路提供了切实可操作的条件，拥有形式化系统的现代逻辑一度成为人工智能理论家所青睐的充满希望的工具。然而，采用逻辑规则建造智能系统却也面临一系列困难的挑战，框架问题便是其中难以回避的问题之一。因为符号人工智能需要预先假定构成我们常识基础的思维完全可以形式化，甚至是可以演绎的，然而这种形式化是有适用范围的，正如其反对者指出的那样，虽然逻辑和部分科学推理可以通过规则模型化，但常识思维却不行。

对此，丹尼特一针见血地指出，框架问题是一个“新的深层认识论问题——一代代的哲学家原则上能理解，但却未加注意的问题”。人工智能之所以使得这个问题浮现出来，是因为人工智能面对的任务是从零开始的。丹尼特举了一个制作午夜快餐的例子来说明，即使是看似如此简单的一个任务也需要我们了解大量的背景知识（涉及打开冰箱、摩擦力、惯性、如何使啤酒从瓶里进入玻璃杯等）才能完成。从某种意义上说，机器人的“大脑”如同一张白纸，它要么通过程序员编程的方式，要么通过系统后续学习的方式来获得它所需要的知识。而人类出生时的心灵并非如洛克所认为的如白纸或白板一样，尽管人类可以通过后天的经验或是学习来获得知识，然而不可否认的是——我们赖以生存的知识许多是先验的。

那么，如果我们赋予智能体解决问题所应该“知道”的全部内容，是否就可以一劳永逸地解决框架问题呢？答案并没有这么简单，因为我们必须以机器能使用的方式来为之装备所需的信息。在丹尼特看来，这涉及到语义问题和句法问题两个角度。其中，前者是机器必须装备何种信息的问题，后者则是装入的信息该采取何种系统、形式、结构或机制的问题。在完成某项任务的时候，执行者完成这项任务所需知道的常识并非以一个一个长串的句子的形式逐一存储于执行者的头脑之中。反过来说，我们也很难以这种方式来对思维进行编码，因为它过于笨拙和低效。以丹尼特的午夜快餐为例，我们当然知道打开冰箱不会引起冰箱爆炸、把啤酒从啤酒瓶倒入玻璃杯并不会使得杯子溶解等诸如之类的事情，但将这些事情通过编码一一告诉机器则是一种非常拙劣的手段。这就是前述满足计算上合理或有效的难点之所在，因为我们关于自然界中的许多知识很难用逻辑表示法来表述。

可见，人工智能专家为机器引入大量的框架公理（frame axioms）只是一种无奈之举，这种做法会导致智能系统的计算负荷剧增，就像沙基一样难以执行某些实时性任务。总之常识框架公理具有不可穷尽的特性，这会导致用一阶谓词逻辑形式化日常知识遇到重重阻碍。面对框架问题，人工智能研究者们自然想到了改进现有的人工智能逻辑，修正实现知识处理的形式理论，从而增强人工智能的表征能力。事实上，为了解决框架问题，符号人工智能的研究者们已经提出两种相关的认识论解决方案，豪格兰德（John Haugeland）分别称之为“廉价测试”（cheap test）和“省事策略”（sleeping dog）。

符号主义的

两种解决方案与问题

“廉价测试”方法要求人工智能系统能快速检索每个事物，以便区别出行动会引起的相关项与非相关项。这种方案以海斯（Hayes Patrick）的朴素物理学为代表，他认为现在的专家系统仅仅满足于某一特定领域内知识的形式化，但仅对局部知识的表征是不够的，我们还需要做全局知识的表征。为此，海斯从物理学着手探讨新方案，“构造一个可以被看作是具备常识的程序，显然最后必然要以这种或那种方式包含形式化和像朴素物理学（当然还有朴素心理学、朴素认识论等）这样的常识性知识”。实际上，这种常识性知识不仅要满足形式化的要求，而且还要满足可以公理化的要求。在海斯看来，公理指的是物理世界和社会现实中的普遍真理，机器从公理出发再经过正确推导便可以得出可靠结论。因此，需要将人类的所有朴素物理学知识作为公理进行形式化，但考虑到人类概念体系的丰富性，这种形式化工作必须是“稠密的”，在某些联系多的概念之间会出现较稠密的概念簇，“在创立朴素物理学时，确认这些簇，既是最重要的，也是最困难的方法论任务之一”。这些簇包括但不限于：度量的尺度；形状、方向和纬度；内部和外部；历程；能量与作用力；组合；支撑；物质和物理状态；力和运动；液体等。正是这些概念簇的建立才使得我们对日常物理情境的恰当刻画成为可能。

显然，海斯试图形式化的这类知识并非由科学归纳法获得的，而是由决定日常心理能力的基础概念和推理模式所构成。贾勒特（Lars-Erik Janlert）肯定了海斯的做法是有必要的，他还进一步指出，我们同样不能忽略诸如基本实体、基本前提、基本类别、基本原则这样的形而上学问题，它们与框架问题戚戚相关，是与常识性知识一样的。所以，这类形而上学问题只以非常间接的方式与经验证据有关，贾勒特将人类在常识世界中实际使用的形而上学称之为可操作的形而上学，“在人工智能中被冠以‘常识’之名的东西大多是亚里士多德力学和牛顿力学的奇怪混合体，没有明显的常识性，也没有被不加批判地接受为可操作的形而上学。海斯更加认真地努力揭示出常识物理学和形而上学的一部分，尽管他没有做出我认为是物理学与形而上学之间至关重要的区别”。

海斯的宏伟蓝图使得人工智能研究不再仅限于单纯技术上的修修补补，而是想从根底上建立一种类似于牛顿力学的内在的统一性理论。然而海斯的方案存在很大缺陷，这种试图一劳永逸地对人类概念体系作区分的做法有些过于乐观：尽管海斯要求这种形式体系具有相当的精确性和稠密性，然而一个行动引起的变化可能会对相关对象的属性造成不计其数的影响，概念簇很难将其全面覆盖。如果过于注重概念体系的稠密性，那么这种“廉价测试”的廉价将无从谈起。另一方面，海斯的工作建立在一阶逻辑的基础上，是以谓词演算的方式来记录所有常识性知识的。从逻辑的角度看，这种普通的形式逻辑的显著特点之一就是具备单调性，这意味着无论向知识库加入多少新知识或新信息，原有的推论都不会因此而被推翻。但在常识推理中却并非如此，人们倾向于采取归纳的方法来总结事物的共性，但这是普通形式逻辑所不能够刻画的，即常识推理在逻辑上是非单调性的。这就要求某种有效的维持机制来确保推理能够继续进行，可见，非单调推理多是在知识不完全的情况下发生的。为此福多（Jerry A. Fodor）指出，框架问题只是非论证推理的问题，它“和我们对归纳相关的直觉形式化问题，在每一个重要方面都是一回事”。人类可以从容使用各种有效的推理模式以应对日常生活中的问题，而机器受制于框架问题能做的事却相当有限，如果人工智能想要模仿常识推理，那么仅靠经典逻辑是不够的，建立一套非单调逻辑系统就变得迫在眉睫。

防止框架公理激增的另一种方案被称为省事策略，这种方案运作的机理依赖于常识惯性定律的形而上学原则（The Metaphysics of Common Sense Inertia），它预设了世界具有巨大的惯性，除非有一些积极的理由（情境中所施加的行动确定会引起变化的事物），否则我们不必自找麻烦，而是假定其他事物和关系都保持不变。省事策略的方案通常采用缺省逻辑（default logic）的逻辑系统，这是一种非单调逻辑，因此，它的出现对解决常识推理的形式化问题有着一定的意义。缺省逻辑最早由雷蒙德·莱特（Raymond Reiter）提出，他主张“通过引入推理规则：‘根据前提p和不能推断出q，推断出r’，对普通逻辑加以扩展。其思想是，在缺乏特定的压倒一切的信息q的情况下，r是根据p得到的有缺省的结论”。通过这种做法，可以为系统省去很多不必要的表征，将动作给现实世界带来的扰动在表征系统中尽量极小化，从而节省了系统的计算资源，也省去了为系统引入大量框架公理的麻烦。沙纳汉（Murray Shanahan）、利夫希茨（Lifschitz）等也乐观地认为，“现有的技术上的框架问题的解决方案足以满足基于逻辑的人工智能研究的需要。尽管改进和扩展仍在继续，但公平地说尘埃已经落定了，框架问题，在技术的层面上或多或少已经解决了”。省事策略的具体技术方案虽与廉价测试极为不同，但它们试图通过技术囊括一切人类活动的观念都很明显。

但实际上，在真实世界中对象之间的关联更加错综复杂，对于简单的微世界来说，省事策略的处理或许已经足够，然而人工智能的目标不能只满足于处理简单的微世界情境问题。因此，这种基于形而上学原则的“省事策略”也往往会变为空谈，难以真正有效推广到现实生活之中，“省事策略所做的不过是将框架问题从一个关于信念确定的问题转变为了一个关于本体论的问题”。常识惯性定律是否真实取决于我们如何将事实个体化，为此我们需要为事实设计一个规范的表征系统使其足够丰富且在大多数情形下保持不变，然而这样的表征系统却难以建立。为了证明这一点，福多提出了一个冰箱问题（The Fridgeon Problem），而麦克德莫特（Drew McDermott）和汉克斯(Steve Hanks)则设计了“耶鲁枪击问题”来反驳“省事策略”。麦克德莫特指出，“像‘极小化’和‘稳定信念集’这样的概念恰恰不适合于时间域，我们想要的非单调规则曾是（非形式地说）‘世界的状态趋于保持不受扰动’。所有逻辑得出的结论都使扰动达到极小，但这并不是我们真正想要的。事实上，我们希望的是避免未知原因带来的扰动”。

因此，无论是廉价测试还是省事策略都没有从根本上解决框架问题。常识知识问题一度使得AI的前景十分黯淡，以致作为海斯朴素物理学计划鼓吹者的麦克德莫特也不无痛惜地表示，他对海斯的计划目前已有的和期待取得的进展基本都持否定态度。面对逻辑主义的失败，即便对AI的发展一度抱乐观主义看法的麦克德莫特也不得不正视这样一种悲观看法——“AI研究者对他们的机会抱着天真的态度，这种态度只是因为对哲学家们昔日的失败一无所知，才得以维持”。

涉身认识论对

框架问题的反思

基于符号主义的辩护在框架问题上存在诸多难题，麦克德莫特指出，问题的根本在于海斯等逻辑主义在论证中所预设的前提错了，其基本立场是人类日常生活中的大部分推理都能够以演绎或者近似演绎的方法来分析，然而日常推理不属于纯粹演绎推理。因而通过逻辑公理来对人类的常识性知识加以形式化的方案走了歪路，即使通过缺省逻辑等方法来扩展一阶逻辑，也是行不通的。作为最知名的符号人工智能批评者，德雷福斯（Jarek Gryz）进一步从海德格尔，梅洛·庞蒂以及后期维特根斯坦的哲学中汲取灵感，较麦克德莫特更深层次地指出了逻辑主义者的问题所在，在《计算机不能做什么》一书中指出，这些“坚定的乐观主义者们”错误地将一些尚未证实的假想当作不证自明的公理，这些假想包括：（1）生物学假想——大脑如同数字计算机一样是一个通用符号处理装置；（2）心理学假想——心灵的工作模式与数字计算机相同；（3）认识论假想——一切知识都可被形式化；（4）本体论假想——世界由独立的、离散的逻辑元素组成。其中，（1）已经被当代神经生理学所证伪，而（2）-（4）则是物理符号系统假设背后的哲学观，它们最早的来源可以追溯到西方哲学悠久的理性主义传统——从苏格拉底到柏拉图，再到笛卡尔、霍布斯、莱布尼茨和康德等人。符号主义者对他们保持的理性主义和还原论信念深信不疑，以致于不假思索地采取物理符号系统假设当作他们工作的前提，甚至陷入了循环论证的错误。为此，德雷福斯认为框架问题是一个伪问题，其根本原因在于符号主义人工智能本身走错了方向，使得人类智能的几个现实问题被符号主义者所忽略。

语境问题也是人工智能框架问题必须面对的一个难题。因为人类在现实生活中总是处于某种局势或语境之中的，且这种语境或局势是和人过去的经验密切相关的。例如，在具体下象棋的环境中，棋子的重量是无关紧要的，而在制作象棋的环境中，棋子的重量却变的不可忽视了。但人工机器在面对这种语境问题时就很难从容应对，“由于计算机不处于某一局势之中，所以它必须在所有情况下把所有事实看作是可能相关的。这使AI研究者们陷入这样一个两难的境地：他们要么得去面临存储和提取无限多的事实的任务，要么得从计算机计算的范围中排除某些可能相关的事实”。因此，如何让人工智能运用相关联的知识而忽略无关的知识来完成任务便成了一个颇为困难的问题。德雷福斯举了一个在画中识别出人眼的例子：如果我们想要将画中的两个点当作人眼识别出来，我们就要把它的上下文语境当成一张人脸来识别，而要做到这一点则又要把人脸的上下文语境当成某个人物来识别。即人眼或人脸的特性必须要和相关的语境相互匹配才能被正确的识别出来，这种语境由低到高、由窄至深是层层递进的，而机器却不能像人类一样轻易地做到这一点，正如德雷福斯所说：“如果每一种上下文环境只能从选出的相关特性方面识别和在更宽的上下文环境中得到解释，那么人工智能研究者就要碰到上下文环境回归的问题。”

知识与技能的区分也是人工智能需要处理的关键环节，但以符号主义为代表的人工智能框架处理程序还有待解决。德雷福斯等人指出，人类不单单具有知识，还具有技能，可是人工智能的设计者却不得不把这些技能都当成知识来看待。关于技能问题，丹尼特曾以纽芬兰人的故事为例描述说，“一个人去拜访他的纽芬兰人朋友，发现他的两只耳朵都缠着绷带。‘怎么回事？’这个人问。纽芬兰人回答：‘我在烫衬衣时，电话响了。’——‘这解释了一只耳朵的情况，但另一只是怎么了？’——‘哦，我必须打电话叫医生呀！’”在这个表述中，有几处细节其实被省略了——若是想听懂这个笑话，你需要知道烫衬衣需要使用电熨斗、工作中的电熨斗是发烫的、接听电话需要把电话听筒放在耳边、电熨斗和电话听筒的形状和重量是相似的等细节。通过补充进这些细节，你才能得到一个完整的演绎推理从而理解这个笑话。然而这些细节不仅包括命题知识（knowledge-that），还包括了许多技能性知识（knowledge-how）。在德雷福斯看来，丹尼特前面所列举的午夜快餐问题恰恰揭示出“如果我们认为我们的日常理解是基于事实知识，那么我们的日常技能看起来就像是不可能的壮举”。这表明了我们大多数的日常活动都依赖于技能性知识，而非有意识地对头脑中的命题知识一一加以检索和思考——极少有人声称自己打羽毛球的诀窍是依据空气动力学在头脑中求解方程来实现的。

当然，德雷福斯并不完全同意丹尼特对框架问题的看法，他认为丹尼特看待框架问题的方式仍是错误的。因为在德雷福斯看来，丹尼特其实依旧是在走符号主义的老路子，即，“所有的智能行为都必须以某种方式涉及处理有关世界的信息元素：技能性知识必须解释为命题性知识。因此，所有的智能行为都被认为包含了思考……正是丹尼特的认知主义假设，而不是智能的本质，使得他所谓的框架问题似乎难以解决”。德雷福斯认为，“框架问题的出现正是因为计算机没有技能。这是尝试以认知主义者的计算机模型所需的静态非情境的、离散的命题知识来捕捉人类的，现世的，情境的，不断变化的技能性知识的结果”。

符号主义同样还忽略了躯体或涉身问题在智能行为中所扮演的重要作用。德雷福斯认为，躯体化使得我们的智能是内禀式而非表征性的，事实上，拥有躯体与我们拥有技能是密切相关的。正如德雷福斯所说：“虽然科学要求技能性的活动应该依照规则进行描写，但是在运用中不需要使用这些规则……因为我们躯体化了，所以对我们能力进行客观分析时所必要的规则，在我们的行动之中根本不需要。”德雷福斯的这一观点来自于海德格尔的启发，他以人们用锤子钉钉子这一行为来进行说明，如果以符号主义的观点来看，我们首先要在脑海中对锤子和钉子这两个物体分别形成表征，在此基础上通过某种计算最终达成了锤钉子这一具体操作。但按照海德格尔的观点，这种对表征主体和表征对象加以分离的做法是错误的，在现实生活中我们并不是以上述方法和日常世界打交道的。为此，德雷福斯认为海德格尔将人的概念换作此在概念，并将此在的独有的存在方式称为“存在于世”（being-in-the-world），这种存在形式不区分主体和客体而是统一的，我们之所以能在日常世界中达成各种行动乃是因为我们是这个世界中的一部分。仍以锤这个动作来说，“锤本身揭示了锤子特有的‘称手’，我们称用具的这种存在方式为上手状态，用具以这种状态从它自身将自身公布出来。只因为用具不仅仅是摆在那里，而是具有这样一种‘自在’，它才是最广泛意义上的称手和可用的。仅仅对物的具有这种那种属性的‘外观’做一番‘观察’，无论这种‘观察’多么敏锐，都不能揭示上手的东西”。换句话说，锤钉子这一行动之所以能够完成乃是因为我们持有这么一种物理技能，通过形式化来表征这种知识的做法是无望的，持有这么一种物理技能显然要求我们具有躯体。此外，在海德格尔看来，人类行动者之所以总是处于一种有意义的上下文语境之中，是由此在的被抛（thrownness）特征所决定的，这种特征显然也要求躯体的存在。

因此，在涉身认识论看来，躯体是具有智能的一个必要条件，也正是这种现象学对传统符号主义人工智能的批判，进一步推动了当今涉身认识论和人工智能的蓬勃发展。在德雷福斯等看来，“框架问题是一个在可能无穷多信念中确定和手头任务相关的问题。换言之，框架问题是一个限定信息的认知系统的特殊问题”，它“源自于人工智能”，“哲学家将其解释为人类认知的认识论问题”，可见涉身或躯体于人工智能认知的框架问题研究展开了新的可能性空间。

结 语

符号主义流派至今还没有对框架问题给出一个令人满意的解决策略，其结果是人工智能的符号主义路线遭到重创，但由此也促使联结主义和行为主义路线得到了崛起的机会。然而，框架问题不仅是符号主义一派存在的问题，同时也是整个人工智能发展的关键难题。即使我们就此从符号主义完全转向新的研究模式，框架问题是否真正会不攻自破，从而给人工智能领域带来一场“哥白尼革命”？进一步说，传统人工智能GOFAI是否会如德雷福斯所说，应该被视为拉卡托斯所定义的退化研究纲领的一个典型例子呢？这些可能性或许还得等待时间来证明，虽然近年来深度学习的蓬勃发展使得联结主义这种“自下而上”的路线取得了很大的突破，但不可忽视的是，联结主义也有其天生的短板——联结主义试图模拟人类的神经网络来使机器拥有智能。须知，当代神经科学对人类大脑的研究尚浅，且这种模拟只能是一种极度的简化，在此意义上，“海德格尔和维特根斯坦是正确的，人类的整体性将比神经网络大得多”。人类智能的复杂性或许意味着强人工智能中的任何单一的流派都不可能达成，框架问题的解决需要多流派的联合发展。这说明，人工智能科学在当今依然无法被视为一个完全独立成熟的自然科学学科，但这也恰恰给哲学思辨的介入带来很大的活动空间，丹尼特曾以轮子这个人类历史上的重要发明来类比人类的“认知之轮”：或许有一天，我们能够摸清认知之轮的原理，进而给机器安上“轮子”迎来真正的人工智能时代。

推荐阅读

《社会科学》往期目录

《社会科学》往期摘要

《社会科学》杂志

唯一官方微信平台

微信号：shehuikexuezazhi

理论创新  学术争鸣  战略视野  现实思考