人文学院 人文学院 人文学院 人文学院

科学与人文讲座2024年第12期报道: 机器的“进化”:路径、特征与若干认识论问题

  • 图文/李丽仙
  • 创建时间: 2024-06-24
  • 145

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,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。