2024年6月14日下午，中国科学院大学人文学院2024年第12期“科学与人文讲座”在中国科学院大学玉泉路校区人文楼教一3教室举行。华北科技学院薛永红教授应邀开讲，讲座题为《机器的“进化”：路径、特征与若干认识论问题》。中国科学院大学人文学院苏湛副教授主持了本次讲座。
一、机器演化：自动化知识机器崛起
薛永红教授首先介绍了“自动化知识机器”的崛起历程，并揭示了机器演化的重要里程碑。
人们对机器演化的态度是矛盾的。一方面，他们希望机器能够减轻人们的负担；另一方面，又担心机器最终会占据主导地位。随着机器的不断进步，它们大致可以分为四类：首先是机械和器具；其次是有零件组成、能够运转、能变换能量、产生有用功的装置；第三类是喻指机构或活体的机体；最后是隐喻层面，如国家机器。在演化链条中，从最初的杠杆、望远镜，到蒸汽机、摆钟，再到机械计算机、电动机、电子计算机（或称为“计算机”），以及近年来的深蓝、AlphaGo、ChatGPT等人工智能系统。这些机器的出现不仅推动了科技的进步，也深刻地改变了人类的生活方式。
机器的演化不仅体现在器具和装置层面意涵的变化，更在于功能上的不断增强。这种演化具有无限可复制性、同一模型下无个性差异、进化“时-空”缩小以及“人-机”协同演化的特点。然而，资源的分布不均也给机器演化带来了隐忧，其中最大的风险在于机器的可靠性。
二、三位一体：模型+数据+算力
机器算法处理速度之快，主要得益于模型、数据和算力三者的紧密结合与协同作用。这三者共同构成了现代计算科学的核心，推动了人工智能技术的飞速发展。
大数据一词兴起于2012年，它代表了一种研究范式，通过数据驱动的方法挖掘有价值的信息。大数据作为一个整体性的数字系统，存在数据外貌、技术和观念三个层面的总体规定性：（1）体量（Volume）、维度（Dimension）、速度（Volocity），即数据的外貌特征；（2）完备性和自动化（Complete & Automation），即技术层面的要求；（3）大数据代表了一种全新的世界观和思考方式，以及研究问题的方法。在大数据的推动下，经验主义得以回归，通过数据驱动的方法，人们能够发现隐藏在数据中的规律，为算法和模型提供有力的支撑。
模型发展也代表着人工神经网络的发展，人工神经网络在人工智能领域占据着核心地位，其发展历程源远流长。自神经科学家卡哈尔博士提出神经元理论以来，这一领域便不断取得突破。从最初的神经元数学模型，到感知机模型，再到多层人工神经网络和深度学习的兴起，神经网络的研究不断取得突破。进入21世纪后，深度学习在强大计算能力和大数据的支持下迅速发展，并在图像识别和自然语言处理等领域取得了显著成果。
算力的提升得益于高性能芯片和先进的计算架构。通过并行、分布式和集群计算，算力得到了极大的增强，为算法和模型的高效运行提供了有力保障。
三、两种机器：AlphaGo、ChatGPT
在讨论AlphaGo和ChatGPT时，薛永红教授回顾了机器下棋和自然语言处理的历史，展示了AI技术如何在不同领域取得显著进展，并指出了这些进步所面临的挑战和认知问题。
AlphaGo的演变历程，从IBM的“深蓝”到谷歌的AlphaGo，再到AlphaZero，不仅标志着技术上的飞跃，也体现了对人类智能和创造力理解的深化。AlphaGo的成功表明，在某些特定领域，机器可以在没有人类经验和专家知识的情况下，通过自我学习和进化达到甚至超越人类的水平。这一成就挑战了传统的认知观念，即认为人类经验和知识是智能不可或缺的组成部分。
GPT系列模型的演进则展示了自然语言处理技术的飞速发展，从GPT-1到GPT-4，每次迭代都显著提升了性能并引入了新功能。GPT-4的多模态处理能力更是将这一技术推向了新的高度。GPT系列的成功表明，足够大的神经网络可以生成人类语言、理解其意义，并从中识别出内在的语法规则和思维过程。这为未来通用人工智能的发展提供了可能的方向。
然而，自动化知识机器也面临着一些困境。首先，框架问题（Dreyfus常识问题）对机器在行动时如何更新其对环境的表征发出了挑战。其次，符号奠基问题（SGP）提出了计算机程序能否真正理解人类语言的疑问。尽管技术上取得了一些进展，但这些问题仍然存在，并需要进一步的研究和探索。
薛永红教授指出，将“原则上”的可能性转换成“实践上”的可能性，关键在于将理论精髓融入现实应用。这不仅需要技术层面的革新突破，还要求在深入理解并区分规范性与描述性之间差异的基础上，精准施策。唯有如此，我们才能充分发挥AI技术的潜能，推动社会向更加繁荣进步的新时代迈进。
四、机器介入认识的若干认识论问题
随着机器技术的迅猛发展，特别是在大数据、深度学习和人工智能等领域的突破，机器已深度介入到人类的认识过程中，引发了一系列认识论问题。这些问题包括认识主体的转变（从人类到“人-机”系统）、认知过程的不透明性（尤其是在深度神经网络中），以及可解释性、可理解性与透明性之间的复杂关系。它们挑战了传统认识论，迫切需要新的理论框架来理解和解释机器的认识过程，以便为设计可信赖的智能机器提供理论依据，并增进对智能机器存在及其行为的理解。
五、总结
最后，薛永红教授对机器进化问题进行了总体反思。他指出，机器的演化不仅推动了技术的进步，更深刻地改变了人类的生活方式和认知方式。从机械和器具到人工智能系统，每一步进化都伴随着社会的变革。其中，算法的三位一体——模型的发展、大数据的驱动和算力的提升——共同推动了人工智能技术的飞速发展。然而，机器技术的深入发展也引发了认识论问题，例如机器如何更新其对环境的表征，以及它们是否真正理解人类语言等问题需要我们去面对并解决。
展望未来，机器将在更多领域发挥重要作用，但我们也需保持清醒和审慎的态度，不断探索和解决技术发展带来的问题和挑战。只有这样，我们才能更好地利用机器技术推动社会进步。
【图文/李丽仙】
【主讲人简介】
薛永红，物理学学士，教育学硕士，哲学博士。华北科技学院教授、硕士研究生导师。主要研究方向为科技哲学、科学教育。近年来主要关注大数据与人工智能的哲学问题。主持的科研项目有:国家社科基金一般项目“智能机器的认识不透明性问题研究”、教育部人文社科基金“从人的经验到机器的‘经验’--机器认识论研究”、中国科普研究所“科学媒介中心”科普内容支持服务等。在《哲学动态》《自然辩证法研究》《科技导报》等杂志发表学术论文20余篇。出版《大数据哲学--从机器崛起到认识方法的变革》《科学平行--读懂你身边的世界》等著作。
